【期望的求法】在概率论与数理统计中，期望是描述随机变量在大量重复试验中平均结果的重要概念。期望值（Expected Value）反映了随机变量的“中心位置”，是进行风险评估、决策分析和预测建模的重要工具。本文将总结常见的期望计算方法，并通过表格形式对不同情况下的期望求法进行归纳。
一、期望的基本定义
设随机变量 $ X $ 的可能取值为 $ x_1, x_2, \ldots, x_n $，对应的概率分别为 $ p_1, p_2, \ldots, p_n $，则其数学期望为：
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
对于连续型随机变量，期望公式为：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) dx
$$
其中 $ f(x) $ 是概率密度函数。
二、常见分布的期望求法
以下列举了若干常见概率分布的期望公式及计算方式：
| 分布名称 | 概率质量函数/密度函数 | 数学期望公式 | 说明 |
| 伯努利分布 | $ P(X = k) = p^k (1-p)^{1-k} $ | $ E(X) = p $ | 仅取0或1，成功概率为p |
| 二项分布 | $ P(X = k) = C_n^k p^k (1-p)^{n-k} $ | $ E(X) = np $ | n次独立伯努利试验的成功次数 |
| 泊松分布 | $ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ E(X) = \lambda $ | 用于事件发生次数的模型 |
| 均匀分布 | $ f(x) = \frac{1}{b-a} $ | $ E(X) = \frac{a + b}{2} $ | 在区间 [a,b] 上均匀分布 |
| 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ E(X) = \mu $ | 参数μ即为均值 |
| 指数分布 | $ f(x) = \lambda e^{-\lambda x} $ | $ E(X) = \frac{1}{\lambda} $ | 用于描述事件发生时间间隔 |
三、期望的性质
1. 线性性：
对任意常数 $ a $ 和 $ b $，有：
$$
E(aX + b) = aE(X) + b
$$
2. 期望的可加性：
若 $ X $ 和 $ Y $ 是两个随机变量，则：
$$
E(X + Y) = E(X) + E(Y)
$$
3. 期望的乘积：
若 $ X $ 和 $ Y $ 独立，则：
$$
E(XY) = E(X)E(Y)
$$
四、实际应用中的期望求法
在实际问题中，期望通常用于：
- 风险投资中的预期收益评估；
- 保险精算中的保费计算；
- 决策分析中的最优策略选择；
- 数据分析中的趋势预测。
在这些场景中，需要根据具体数据构建概率模型，再通过上述公式计算期望值。
五、总结
期望是概率统计中的核心概念之一，广泛应用于各个领域。无论是离散型还是连续型随机变量，只要掌握其概率分布函数，即可利用相应的公式计算期望。理解并熟练运用期望的性质，有助于提高数据分析和决策制定的准确性。
| 项目 | 内容概要 |
| 定义 | 随机变量的平均值 |
| 公式 | 离散型：$ E(X) = \sum x_i p_i $；连续型：$ E(X) = \int x f(x) dx $ |
| 常见分布期望 | 伯努利、二项、泊松、均匀、正态、指数等 |
| 性质 | 线性性、可加性、独立性条件下的乘积期望 |
| 应用场景 | 投资、保险、数据分析、决策支持等 |
通过以上内容，可以系统地了解期望的求法及其在实际中的应用价值。