期望值计算公式表：从理论到决策的全方位指南
掌握概率论核心工具，用数据驱动理性决策。我们提供最清晰的期望值计算公式表、详细推导过程及真实世界案例解析。
期望值计算公式表：核心定义与推导
在概率论与统计学中，期望值（Expectation, Expected Value）是随机变量最重要的数字特征之一，它反映了随机变量取值的长期平均水平。无论是离散型还是连续型随机变量，理解其计算公式是进行科学决策的基础。下表为您整理了最核心的期望值计算公式表。
| 类型 | 公式名称 | 数学表达式 | 参数说明 |
|---|---|---|---|
| 离散型 | 基本定义式 | E(X) = Σ x_i · P(x_i) | x_i: 可能结果; P(x_i): 对应概率 |
| 连续型 | 积分定义式 | E(X) = ∫ x · f(x) dx | f(x): 概率密度函数; 积分区间为定义域 |
| 离散型 | 二项分布期望 | E(X) = n · p | n: 试验次数; p: 单次成功概率 |
| 离散型 | 泊松分布期望 | E(X) = λ | λ: 单位时间/空间内的平均发生次数 |
| 连续型 | 均匀分布期望 | E(X) = (a + b) / 2 | a, b: 分布的下界和上界 |
| 连续型 | 指数分布期望 | E(X) = 1 / λ | λ: 速率参数 |
| 连续型 | 正态分布期望 | E(X) = μ | μ: 正态分布均值参数 |
公式深度解析
以离散型随机变量为例，期望值计算公式表中的基本定义式 E(X) = Σ x_i · P(x_i) 本质上是加权平均。权重即为概率。需要注意的是，所有概率之和必须为1，即 Σ P(x_i) = 1。这保证了期望值的数学严谨性。
对于连续型变量，由于可能取值有无穷多个，求和转化为积分。概率密度函数 f(x) 在某点的值并非概率，而是概率的密集程度。只有积分 ∫ f(x) dx 才代表总概率1。
常见概率分布的期望值速查
离散型随机变量期望值
离散型随机变量的取值是有限的或可数无限的。以下是几种最常见的离散分布及其期望值：
- 伯努利分布 (Bernoulli Distribution): 单次试验，成功概率p，失败概率q=1-p。期望值 E(X) = p。这是二项分布的基础。
- 二项分布 (Binomial Distribution): n次独立伯努利试验。期望值 E(X) = np。直观理解：做100次抛硬币（p=0.5），期望得到50次正面。
- 几何分布 (Geometric Distribution): 首次成功所需的试验次数。期望值 E(X) = 1/p。例如，掷出6点平均需要掷6次。
- 超几何分布 (Hypergeometric Distribution): 无放回抽样。期望值 E(X) = n · (K/N)，其中N是总数，K是成功总数，n是抽样数。
连续型随机变量期望值
连续型随机变量取值充满某个区间。其期望值计算依赖于概率密度函数 (PDF)。
- 均匀分布 (Uniform Distribution): 在区间[a,b]上每点出现概率密度相同。期望值位于中点 E(X) = (a+b)/2。这符合直觉，因为分布是对称的。
- 正态分布 (Normal Distribution): 最常见的分布，由均值μ和标准差σ决定。期望值即为均值 E(X) = μ。正态分布的对称轴就是期望值所在位置。
- 指数分布 (Exponential Distribution): 描述事件发生的时间间隔。期望值 E(X) = 1/λ。λ越大，事件发生越快，等待时间越短。
- 对数正态分布 (Lognormal Distribution): 若Y=ln(X)服从正态分布，则X服从对数正态分布。期望值 E(X) = e^(μ + σ²/2)。常用于金融股价模型。
特殊分布与性质
除了基础分布，还有一些特殊情况下需要计算的期望值：
- 联合期望值: 对于两个随机变量X和Y，E(X+Y) = E(X) + E(Y)。这一性质对任意X,Y都成立，无论是否独立。
- 条件期望值: E(X|Y=y) 是在已知Y=y的条件下X的期望。它是Y的函数，其期望 E[E(X|Y)] = E(X)（重期望定律）。
- 函数期望值: 若Y=g(X)，则 E(Y) = E(g(X)) = Σ g(x_i)P(x_i)（离散）或 ∫ g(x)f(x)dx（连续）。注意：一般 E(g(X)) ≠ g(E(X))，除非g是线性函数。
期望值计算器：操作步骤与示例
虽然我们可以手动计算，但面对复杂分布或大量数据时，使用期望值计算器能提高效率。以下是手动计算的详细步骤，这也是理解公式的关键。
计算步骤详解
- 确定随机变量X： 明确你要计算的是什么结果的期望。例如，掷骰子的点数。
- 列出所有可能取值： 对于标准六面骰子，X的可能取值为 {1, 2, 3, 4, 5, 6}。
- 确定每个取值的概率： 假设骰子均匀，每个面出现的概率为 1/6。
- 应用公式： E(X) = 1(1/6) + 2(1/6) + 3(1/6) + 4(1/6) + 5(1/6) + 6(1/6)
- 计算结果： E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3.5。注意，虽然3.5不是可能的点数，但它是长期平均结果。
示例：彩票期望值分析
假设一款彩票，票价2元。中奖情况如下：
- 一等奖：100万元，概率 1/1,000,000
- 二等奖：10万元，概率 1/100,000
- 三等奖：1000元，概率 1/10,000
- 其他：0元，概率 其余
计算期望收益（不含票价）：
E(收益) = 1,000,000(1/10⁶) + 100,000(1/10⁵) + 1,000(1/10⁴) + 0(其余概率)
E(收益) = 1 + 1 + 0.1 = 2.1 元
净期望值 = 2.1 - 2 = 0.1 元。这意味着平均每买一张彩票，期望亏损0.1元（如果收益是2.1元则期望盈利，但通常彩票设计为负期望）。注：实际彩票概率可能不同，此处仅为演示计算。
期望值在实际生活中的应用
期望值不仅是数学概念，更是决策工具。以下是几个典型应用场景：
金融投资
在投资组合理论中，投资者计算资产的期望收益率。例如，股票A有50%概率涨10%，50%概率跌5%。期望收益率 = 0.510% + 0.5(-5%) = 2.5%。投资者会比较不同资产的期望收益与风险（方差）来做出选择。
保险精算
保险公司利用期望值确定保费。假设1000人投保，每人保费P元。若发生事故，赔付M元。事故概率p。保险公司期望利润 = 1000P - 1000pM。为保证盈利，P需大于 pM（即期望赔付额）。这体现了期望值在风险定价中的核心作用。
游戏设计
游戏设计师通过调整掉落率（概率）来控制玩家的期望抽取次数。例如，希望玩家平均抽100次获得一把神剑，则设定概率为1/100。这平衡了游戏难度与玩家满意度。
日常决策
出门是否带伞？假设下雨概率30%，不带伞淋湿损失10单位，带伞麻烦损失1单位。期望损失：不带伞 = 0.310 + 0.70 = 3；带伞 = 1。因 1 < 3，期望值分析建议带伞。
深度解析：期望值与方差、标准差的关系
仅有期望值不足以描述随机变量的全貌，因为期望值只反映中心趋势，不反映离散程度。因此，我们需要引入方差和标准差。
方差公式
方差 Var(X) = E[(X - E(X))²] 表示随机变量与其期望值的偏离程度的平方的期望。计算公式也可写作：
Var(X) = E(X²) - [E(X)]²
这个公式在计算上往往更简便。先计算X平方的期望，再减去期望的平方。
标准差
标准差 σ(X) = √Var(X) 是方差的平方根，其单位与原始数据一致，因此更直观。在正态分布中，约68%的数据落在 [E(X)-σ, E(X)+σ] 区间内。
协方差与相关性
对于两个变量X和Y，协方差 Cov(X,Y) = E[(X-E(X))(Y-E(Y))] 衡量它们的变化方向。若Cov>0，同向变化；Cov<0，反向变化。相关系数 ρ = Cov(X,Y) / (σ_X σ_Y) 将协方差标准化到[-1,1]区间，消除量纲影响。
期望值理论发展时间轴
常见问题解答 (FAQ)
离散型随机变量的期望值公式为 E(X) = Σ [x_i P(x_i)]，即每个可能结果乘以其概率之和。连续型随机变量的期望值公式为 E(X) = ∫ x f(x) dx，其中f(x)是概率密度函数。
期望值广泛应用于金融投资（计算预期收益率）、保险精算（确定保费）、彩票分析（判断是否值得购买）、游戏设计（平衡游戏机制）以及日常决策分析（如是否带伞）等场景。它是理性决策的数学基础。
平均值是对一组已知数据的算术平均，而期望值是随机变量所有可能结果以其概率为权重的加权平均。期望值是理论上的长期平均值，平均值是样本的统计结果。当样本量趋于无穷时，样本平均值依概率收敛于期望值（大数定律）。
根据期望的线性性质，无论X和Y是否独立，都有 E(X + Y) = E(X) + E(Y)。同样，E(aX + bY) = aE(X) + bE(Y)，其中a,b为常数。这一性质简化了复杂系统的期望计算。
不一定。期望值只反映平均水平，不反映风险。例如，项目A期望收益10万，方差小；项目B期望收益12万，方差极大（可能亏损50万）。风险厌恶者可能选择A。因此，决策需结合期望值与风险度量（如方差、VaR）。