【数学期望常用公式】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所表现出的平均值。它在实际问题中有着广泛的应用，如金融、工程、统计分析等领域。掌握常见的数学期望公式对于理解和解决相关问题具有重要意义。
一、数学期望的基本定义
设随机变量 $ X $ 的可能取值为 $ x_1, x_2, \dots, x_n $，对应的概率分别为 $ p_1, p_2, \dots, p_n $，则其数学期望（或期望值）定义为：
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
对于连续型随机变量，数学期望的计算公式为：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) dx
$$
其中 $ f(x) $ 是随机变量 $ X $ 的概率密度函数。
二、常见分布的数学期望公式
以下是几种常见概率分布的数学期望公式总结如下：
| 分布名称 | 概率质量函数/密度函数 | 数学期望 $ E(X) $ |
| 两点分布（0-1分布） | $ P(X = 1) = p $, $ P(X = 0) = 1-p $ | $ p $ |
| 二项分布 $ B(n, p) $ | $ P(X = k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ |
| 泊松分布 $ P(\lambda) $ | $ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ |
| 均匀分布 $ U(a, b) $ | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a + b}{2} $ |
| 正态分布 $ N(\mu, \sigma^2) $ | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ |
| 指数分布 $ Exp(\lambda) $ | $ f(x) = \lambda e^{-\lambda x}, x > 0 $ | $ \frac{1}{\lambda} $ |
| 几何分布 $ Ge(p) $ | $ P(X = k) = (1-p)^{k-1} p $, $ k = 1,2,\dots $ | $ \frac{1}{p} $ |
三、数学期望的性质
1. 线性性：对任意常数 $ a $、$ b $ 和随机变量 $ X $、$ Y $，有
$$
E(aX + bY) = aE(X) + bE(Y)
$$
2. 常数的期望等于自身：
$$
E(c) = c
$$
3. 独立变量乘积的期望等于期望的乘积：
若 $ X $、$ Y $ 独立，则
$$
E(XY) = E(X)E(Y)
$$
4. 期望的线性组合：
$$
E(aX + b) = aE(X) + b
$$
四、应用实例
例如，在投资决策中，若某项目有 60% 的概率获得 10 万元收益，40% 的概率亏损 5 万元，则该项目的期望收益为：
$$
E(X) = 10 \times 0.6 + (-5) \times 0.4 = 6 - 2 = 4 \text{（万元）}
$$
这表明从期望角度看，该项目是值得投资的。
五、总结
数学期望是衡量随机变量“平均表现”的重要工具，适用于各种概率模型和实际问题。通过掌握不同分布的期望公式及其性质，可以更有效地进行数据分析、风险评估和决策制定。在实际应用中，理解期望的意义并灵活运用相关公式，有助于提高问题解决的效率和准确性。
