第一步：确定随机变量
明确题目中关注的随机现象，定义随机变量 及其可能的取值 。
数学期望（Expected Value）是概率论与数理统计中的核心概念，用于描述随机变量的平均水平。本页面提供详尽的离散型与连续型随机变量期望公式、性质推导及典型应用案例，帮助您深入理解并掌握解题技巧。
在概率论中，数学期望反映了随机变量取值的平均值。它不是简单的算术平均，而是以概率为权重的加权平均。理解期望是解决复杂概率问题的基石，特别是在金融风险评估、工程可靠性分析及统计学推断中。
想象你掷骰子10000次，每次得到的点数分别为1到6。如果你计算这10000次点数的平均值，当次数足够多时，这个平均值会无限接近于3.5。这个3.5就是数学期望。
通常用 或 表示随机变量 的数学期望。若 是随机变量， 是对应的概率，则期望是 的总和。
在离散型分布中，期望是概率质量函数的“重心”；在连续型分布中，期望是概率密度曲线下的面积中心。
对于离散型随机变量，其可能取值为有限个或可列无限个。求其数学期望的核心在于列出分布列，然后应用加权求和公式。
| X | x₁ | x₂ | ... | xₙ |
|---|---|---|---|---|
| P | p₁ | p₂ | ... | pₙ |
明确题目中关注的随机现象，定义随机变量 及其可能的取值 。
利用排列组合、古典概型或几何概型等方法，计算 取每个值 对应的概率 。
将取值和对应的概率以表格形式清晰列出，并验证 。
使用公式 进行计算，得出最终结果。
当随机变量 的可能取值充满某个区间时，称为连续型随机变量。此时，求和转化为积分运算。
注意：积分必须收敛，即 存在，否则数学期望不存在。
| 分布名称 | 参数 | 概率密度/分布律 | 数学期望 E(X) |
|---|---|---|---|
| 0-1分布 | p | P(X=1)=p, P(X=0)=1-p | p |
| 二项分布 | B(n, p) | np | |
| 泊松分布 | P(lambda) | lambda | |
| 均匀分布 | U(a, b) | ||
| 指数分布 | E(lambda) | ||
| 正态分布 | N(mu, sigma^2) | mu |
掌握期望的性质可以简化复杂随机变量期望的计算，避免直接积分或求和的繁琐过程。
若 为常数，则 。
解析：常数可以看作是一个退化分布的随机变量，其取值概率为1，因此期望即为常数本身。这在计算中常作为基准值。
若 为常数，则 。
解析：这是期望最重要的性质之一。它表明期望运算与线性变换可交换。例如，若已知某股票收益率的期望为5%，将其转换为人民币收益并扣除固定手续费，可直接利用此性质计算，无需重新推导分布。
若 与 相互独立，则 。
解析：注意，反之不一定成立。即 不能推出 独立。但在计算两个独立事件同时发生的加权平均值时，此性质极大简化了计算。
方差 定义为 。利用期望性质可推导：
。
这一公式在计算方差时非常实用，尤其是当 已知或易求时。
通过具体案例，巩固对 求数学期望公式 的应用能力。以下精选了高考及大学概率统计中常见的三类题型。
题目：某射手射击一次，命中10环的概率为0.2，命中9环的概率为0.3，命中8环的概率为0.4，其余情况为0环。求该射手射击一次命中环数的数学期望。
解析：
结论：该射手平均每次射击命中7.9环。
题目：一批产品共有100件，其中5件次品。现从中随机抽取10件，求抽到的次品数 的数学期望。
解析：
虽然这是超几何分布模型，但当总体容量 较大时，可近似看作二项分布；或者直接使用超几何分布期望公式。这里我们使用更通用的线性性质推导或已知结论。
对于超几何分布 ，其中 ，期望公式为 。
。
结论：平均抽到0.5件次品。
题目：设随机变量 的概率密度为 ，求 。
解析：
根据连续型期望公式：
结论：期望为 2/3。
是的。无论是离散型还是连续型，概率分布必须满足规范性，即所有可能取值的概率之和（或密度函数积分）等于1。这是期望定义的前提。
不一定。例如掷骰子的期望是3.5，但骰子不可能掷出3.5点。期望是一个统计平均值，代表长期趋势，而非单次试验的必然结果。
不存在。数学期望存在的充要条件是绝对收敛。如果积分发散，说明随机变量的取值波动过大，无法定义一个有限的平均值。
对于 ，期望公式为 。只需将试验次数 乘以单次成功的概率 即可，无需复杂计算。