【期望的求法】在概率论与数理统计中，期望是一个重要的概念，它表示一个随机变量在大量重复试验中平均结果的数学期望值。期望不仅用于理论分析，也广泛应用于金融、工程、计算机科学等领域。本文将总结期望的常见求法，并通过表格形式进行归纳和对比。
一、期望的基本定义
期望（Expectation）是随机变量在所有可能取值上的加权平均，权重为对应的概率。设随机变量 $ X $ 的可能取值为 $ x_1, x_2, \dots, x_n $，对应概率为 $ p_1, p_2, \dots, p_n $，则其期望为：
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
对于连续型随机变量，期望则为：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) dx
$$
其中 $ f(x) $ 是概率密度函数。
二、期望的求法总结
以下是不同情况下计算期望的方法总结：
| 情况类型 | 随机变量类型 | 公式表达 | 说明 | ||
| 离散型随机变量 | 离散型 | $ E(X) = \sum_{i=1}^{n} x_i p_i $ | 对每个可能值乘以对应的概率后相加 | ||
| 连续型随机变量 | 连续型 | $ E(X) = \int_{-\infty}^{\infty} x f(x) dx $ | 积分形式，适用于概率密度函数已知的情况 | ||
| 多维随机变量 | 多维 | $ E(X, Y) = \sum_{i,j} x_i y_j p_{ij} $ 或积分形式 | 适用于联合分布情况，可分别计算各变量的期望 | ||
| 条件期望 | 条件分布 | $ E(X | Y=y) = \sum_{i} x_i P(X=x_i | Y=y) $ | 在给定某个条件下的期望值 |
| 线性组合 | 线性组合 | $ E(aX + bY) = aE(X) + bE(Y) $ | 期望的线性性质，适用于任意常数系数 | ||
| 独立随机变量 | 独立 | $ E(XY) = E(X)E(Y) $ | 若独立，则乘积的期望等于期望的乘积 |
三、典型例子说明
例1：掷骰子的期望
一枚均匀六面骰子的点数为 $ X $，其可能取值为 1~6，每个点数的概率为 $ \frac{1}{6} $，则期望为：
$$
E(X) = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + \cdots + 6 \cdot \frac{1}{6} = 3.5
$$
例2：正态分布的期望
若 $ X \sim N(\mu, \sigma^2) $，则其期望为 $ \mu $，即均值本身。
四、注意事项
- 期望不一定是实际可能的取值。
- 期望反映的是长期平均趋势，而非单次实验结果。
- 在计算复杂分布时，需注意是否满足期望存在的条件（如绝对收敛）。
五、结语
期望是概率论中的核心概念之一，掌握其求法有助于理解和分析各种随机现象。无论是在理论研究还是实际应用中，期望都具有重要意义。通过合理选择公式和方法，可以高效地计算出期望值，从而为决策提供数据支持。
附表：期望计算方法汇总表
| 计算方式 | 适用场景 | 公式 | 说明 | |
| 离散型期望 | 单个离散变量 | $ \sum x_i p_i $ | 常用于有限样本或简单分布 | |
| 连续型期望 | 连续变量 | $ \int x f(x) dx $ | 适用于概率密度函数已知的情况 | |
| 条件期望 | 已知某事件 | $ E(X | Y=y) $ | 反映在特定条件下的平均值 |
| 线性组合 | 多个变量组合 | $ E(aX + bY) = aE(X) + bE(Y) $ | 利用线性性质简化计算 | |
| 独立变量乘积 | 独立事件 | $ E(XY) = E(X)E(Y) $ | 仅在独立时成立 |
通过以上内容的总结与表格展示，可以更清晰地理解“期望的求法”这一核心概念及其应用场景。