【期望怎么求】在概率论和统计学中，期望是一个非常重要的概念，它表示一个随机变量在大量重复试验中平均所取的值。理解如何计算期望对于数据分析、金融建模、机器学习等领域都有重要意义。
本文将从基本定义出发，结合实例，总结“期望怎么求”的方法，并通过表格形式清晰展示不同情况下的计算方式。
一、期望的基本概念
期望（Expectation）是随机变量在所有可能结果中，按照各自发生的概率加权后的平均值。数学上，期望用符号 E(X) 表示，其中 X 是随机变量。
二、期望的计算方法
1. 离散型随机变量的期望
对于离散型随机变量 X，其可能取值为 $ x_1, x_2, \dots, x_n $，对应的概率分别为 $ p_1, p_2, \dots, p_n $，则期望公式为：
$$
E(X) = \sum_{i=1}^{n} x_i \cdot p_i
$$
2. 连续型随机变量的期望
对于连续型随机变量 X，其概率密度函数为 $ f(x) $，则期望公式为：
$$
E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx
$$
三、期望的性质
| 性质 | 内容 |
| 线性性 | $ E(aX + b) = aE(X) + b $，其中 a 和 b 是常数 |
| 可加性 | $ E(X + Y) = E(X) + E(Y) $，无论 X 和 Y 是否独立 |
| 常数的期望 | $ E(c) = c $，其中 c 是常数 |
| 乘积期望 | 若 X 与 Y 独立，则 $ E(XY) = E(X)E(Y) $ |
四、常见分布的期望值
| 分布名称 | 随机变量类型 | 期望公式 |
| 伯努利分布 | 0-1分布 | $ E(X) = p $ |
| 二项分布 | 多次独立试验成功次数 | $ E(X) = np $ |
| 泊松分布 | 事件发生次数 | $ E(X) = \lambda $ |
| 均匀分布 | 连续型 | $ E(X) = \frac{a + b}{2} $ |
| 正态分布 | 连续型 | $ E(X) = \mu $ |
| 指数分布 | 连续型 | $ E(X) = \frac{1}{\lambda} $ |
五、实际应用举例
例1：掷一枚公平的硬币
- 正面出现的概率为 0.5，对应值为 1；
- 反面出现的概率为 0.5，对应值为 0；
期望为：
$$
E(X) = 1 \times 0.5 + 0 \times 0.5 = 0.5
$$
例2：骰子点数期望
- 骰子有 6 个面，点数分别为 1~6，每个点数出现的概率为 $ \frac{1}{6} $；
期望为：
$$
E(X) = \frac{1}{6}(1 + 2 + 3 + 4 + 5 + 6) = 3.5
$$
六、总结
| 项目 | 内容 |
| 什么是期望 | 随机变量在长期试验中的平均值 |
| 如何计算 | 根据分布类型选择合适的公式 |
| 离散型 | $ \sum x_i p_i $ |
| 连续型 | $ \int x f(x) dx $ |
| 常见分布期望 | 各种分布有固定的期望公式 |
| 应用场景 | 数据分析、风险评估、决策模型等 |
通过上述内容可以看出，期望的计算虽然基础，但具有广泛的应用价值。掌握其计算方法有助于更深入地理解随机现象背后的规律。