数学期望常用公式

【数学期望常用公式】在概率论与数理统计中，数学期望是一个重要的概念，用于描述随机变量的平均取值。它在实际应用中具有广泛的意义，例如在金融、工程、统计分析等领域都有重要应用。本文将对常见的数学期望公式进行总结，并通过表格形式展示其应用场景和计算方式。

一、数学期望的基本定义

数学期望（Expected Value），记作 $ E(X) $，是随机变量 $ X $ 在所有可能结果中加权平均的值，权重为各结果出现的概率。

对于离散型随机变量 $ X $，数学期望定义为：

$$

E(X) = \sum_{i=1}^{n} x_i \cdot P(x_i)

$$

其中 $ x_i $ 是随机变量的第 $ i $ 个可能取值，$ P(x_i) $ 是该取值出现的概率。

对于连续型随机变量 $ X $，数学期望定义为：

$$

E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx

$$

其中 $ f(x) $ 是概率密度函数。

二、常见分布的数学期望公式

以下是一些常见概率分布的数学期望公式：

三、数学期望的性质

1. 线性性：

对于任意常数 $ a $ 和 $ b $，有：

$$

E(aX + b) = aE(X) + b

$$

2. 可加性：

对于任意两个随机变量 $ X $ 和 $ Y $，有：

$$

E(X + Y) = E(X) + E(Y)

$$

3. 独立性下的乘积期望：

若 $ X $ 与 $ Y $ 独立，则：

$$

E(XY) = E(X) \cdot E(Y)

$$

四、应用实例

- 在保险行业中，保险公司通过计算理赔金额的数学期望来制定保费。

- 在投资组合管理中，投资者利用资产收益率的数学期望来评估潜在收益。

- 在机器学习中，期望值被用来评估模型的性能指标，如准确率、损失函数等。

五、总结

数学期望是概率论中的核心概念之一，它为我们提供了衡量随机变量“平均行为”的工具。掌握各类分布的期望公式以及期望的性质，有助于我们在实际问题中更有效地进行建模和决策。