【数学期望公式】数学期望是概率论中的一个重要概念，用于描述随机变量在长期试验中平均取值的大小。它在统计学、金融、工程等多个领域都有广泛应用。理解数学期望的计算方法，有助于我们更好地分析和预测随机事件的结果。
一、数学期望的基本定义
数学期望（Expected Value），通常用 $ E(X) $ 表示，是对随机变量 $ X $ 的一种“平均”或“中心位置”的度量。对于离散型和连续型随机变量，其数学期望的计算方式有所不同。
二、数学期望的公式总结
| 类型 | 随机变量 | 公式 | 说明 |
| 离散型 | $ X $ | $ E(X) = \sum_{i=1}^{n} x_i \cdot P(x_i) $ | 其中 $ x_i $ 是可能的取值，$ P(x_i) $ 是对应的概率 |
| 连续型 | $ X $ | $ E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx $ | 其中 $ f(x) $ 是概率密度函数 |
三、数学期望的性质
1. 线性性：
对于任意常数 $ a $ 和 $ b $，以及随机变量 $ X $ 和 $ Y $，有：
$$
E(aX + bY) = aE(X) + bE(Y)
$$
2. 期望的加法性：
$$
E(X + Y) = E(X) + E(Y)
$$
3. 期望与常数：
如果 $ c $ 是常数，则：
$$
E(c) = c
$$
4. 期望与独立变量：
若 $ X $ 和 $ Y $ 独立，则：
$$
E(XY) = E(X) \cdot E(Y)
$$
四、常见分布的数学期望
| 分布名称 | 概率质量/密度函数 | 数学期望 $ E(X) $ |
| 伯努利分布 | $ P(X = 1) = p $, $ P(X = 0) = 1 - p $ | $ p $ |
| 二项分布 | $ P(X = k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ |
| 泊松分布 | $ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ |
| 均匀分布 | $ f(x) = \frac{1}{b-a} $，$ a \leq x \leq b $ | $ \frac{a + b}{2} $ |
| 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ |
五、实际应用举例
- 在保险行业中，保险公司通过计算赔付金额的数学期望来确定保费。
- 在投资决策中，投资者会根据不同投资方案的期望收益进行比较。
- 在游戏设计中，开发者利用期望值评估游戏的公平性和吸引力。
六、结语
数学期望是理解和分析随机现象的重要工具。无论是理论研究还是实际应用，掌握数学期望的计算方法和性质都是必不可少的。通过表格形式的整理，可以更清晰地理解各种分布下的期望值及其应用场景。
