【数学期望的公式】数学期望是概率论与数理统计中的一个重要概念，用于描述随机变量在长期试验中取值的平均趋势。它反映了随机变量在所有可能结果中的“中心位置”，是衡量随机事件平均收益或损失的重要工具。数学期望的计算方法根据随机变量的类型（离散型或连续型）有所不同。
一、数学期望的基本概念
数学期望（Expected Value），通常用符号 $ E(X) $ 表示，是对随机变量 $ X $ 在所有可能情况下的加权平均值。权重由各个结果发生的概率决定。
- 离散型随机变量：每个结果都有明确的概率。
- 连续型随机变量：结果在某个区间内连续分布，需通过积分求解。
二、数学期望的公式总结
| 随机变量类型 | 数学期望公式 | 公式说明 |
| 离散型随机变量 | $ E(X) = \sum_{i=1}^{n} x_i \cdot P(x_i) $ | $ x_i $ 是第 $ i $ 个可能的取值，$ P(x_i) $ 是其对应的概率 |
| 连续型随机变量 | $ E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx $ | $ f(x) $ 是概率密度函数，表示在 $ x $ 处的密度 |
| 离散型随机变量（多维） | $ E(X, Y) = \sum_{i=1}^{m} \sum_{j=1}^{n} x_i y_j \cdot P(x_i, y_j) $ | 多个变量联合分布下的期望 |
| 连续型随机变量（多维） | $ E(X, Y) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} x y \cdot f(x, y) \, dx \, dy $ | 联合概率密度函数下的期望 |
三、数学期望的性质
1. 线性性：对于任意常数 $ a $ 和 $ b $，有
$ E(aX + bY) = aE(X) + bE(Y) $
2. 期望的可加性：
$ E(X + Y) = E(X) + E(Y) $，无论 $ X $ 和 $ Y $ 是否独立
3. 期望的乘积：
若 $ X $ 和 $ Y $ 独立，则 $ E(XY) = E(X) \cdot E(Y) $
4. 常数的期望：
$ E(c) = c $，其中 $ c $ 是常数
5. 期望的非负性：
若 $ X \geq 0 $，则 $ E(X) \geq 0 $
四、应用举例
例1：掷骰子
设 $ X $ 表示掷一枚六面骰子的结果，每个面出现的概率为 $ \frac{1}{6} $，则：
$$
E(X) = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + 3 \cdot \frac{1}{6} + 4 \cdot \frac{1}{6} + 5 \cdot \frac{1}{6} + 6 \cdot \frac{1}{6} = \frac{21}{6} = 3.5
$$
例2：连续型随机变量
设 $ X $ 的概率密度函数为 $ f(x) = 2x $，在区间 $ [0, 1] $ 上，计算其数学期望：
$$
E(X) = \int_0^1 x \cdot 2x \, dx = \int_0^1 2x^2 \, dx = \left[ \frac{2}{3}x^3 \right]_0^1 = \frac{2}{3}
$$
五、结语
数学期望是理解随机现象和进行决策分析的基础工具。无论是金融投资、风险评估还是数据分析，掌握数学期望的计算方法都具有重要意义。通过上述表格与实例，可以更清晰地理解不同情况下数学期望的表达方式和应用方式。