【数学期望常用公式】在概率论与数理统计中，数学期望是描述随机变量在大量重复试验中平均结果的一个重要概念。它广泛应用于金融、工程、统计分析等多个领域。掌握数学期望的常用公式，有助于更高效地进行数据分析和决策。
以下是对常见随机变量类型及其数学期望公式的总结，便于快速查阅和应用。
一、离散型随机变量的数学期望
对于离散型随机变量 $ X $，其取值为 $ 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：
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
| 随机变量类型 | 数学期望公式 | 说明 |
| 伯努利分布 | $ E(X) = p $ | 其中 $ p $ 是成功概率 |
| 二项分布 | $ E(X) = np $ | $ n $ 为试验次数，$ p $ 为每次成功概率 |
| 泊松分布 | $ E(X) = \lambda $ | $ \lambda $ 为事件发生率 |
| 几何分布 | $ E(X) = \frac{1}{p} $ | 表示首次成功所需的试验次数 |
二、连续型随机变量的数学期望
对于连续型随机变量 $ X $，其概率密度函数为 $ f(x) $，则其数学期望为：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) dx
$$
| 随机变量类型 | 数学期望公式 | 说明 |
| 均匀分布 | $ E(X) = \frac{a + b}{2} $ | 区间 $ [a, b] $ 上均匀分布 |
| 正态分布 | $ E(X) = \mu $ | $ \mu $ 为均值 |
| 指数分布 | $ E(X) = \frac{1}{\lambda} $ | $ \lambda $ 为速率参数 |
| 卡方分布 | $ E(X) = k $ | $ k $ 为自由度 |
三、其他常见情况的数学期望
| 情况 | 数学期望公式 | 说明 | |
| 离散随机变量函数 $ Y = g(X) $ | $ E(Y) = \sum_{i=1}^{n} g(x_i) p_i $ | 直接对每个可能值计算加权平均 | |
| 连续随机变量函数 $ Y = g(X) $ | $ E(Y) = \int_{-\infty}^{\infty} g(x) f(x) dx $ | 同样适用于连续型随机变量 | |
| 条件期望 $ E(X | Y = y) $ | 根据具体条件重新定义分布后计算 | 用于处理相关变量之间的依赖关系 |
四、数学期望的性质
1. 线性性：
$$
E(aX + bY) = aE(X) + bE(Y)
$$
其中 $ a $、$ b $ 为常数。
2. 期望的非负性：
若 $ X \geq 0 $，则 $ E(X) \geq 0 $。
3. 独立变量的期望乘积：
若 $ X $ 与 $ Y $ 独立，则：
$$
E(XY) = E(X)E(Y)
$$
总结
数学期望是概率论中的核心概念之一，它反映了随机变量的“平均”表现。无论是离散型还是连续型随机变量，都有相应的数学期望计算公式。理解并熟练运用这些公式，可以为后续的概率建模、统计推断等提供坚实的基础。
通过表格形式的整理，可以更加清晰地掌握各类分布的数学期望，提高学习和应用效率。