数学期望怎样计算？
数学期望是试验中每次可能结果的概率乘以其结果的总和。
计算公式：
1、离散型：
离散型随机变量X的取值为X1、X2、X3……Xn，p(X1)、p(X2)、p(X3)……p(Xn)、为X对应取值的概率，可理解为数据X1、X2、X3……Xn出现的频率高f(Xi)，则：
2、连续型：
设连续性随机变量X的概率密度函数为f(x)，若积分绝对收敛，则称积分的值
为随机变量的数学期望，记为E(X)。即
扩展资料
在许多生产实际与理论研究中，一个随机现象常常需要同时用几个随机变量去描述，例如，晶体管放大器中某一时刻的噪声电流就要用随机振幅和随机相位两个随机变量来表征。又如当一个确定的正弦信号，经过随机起伏信道传输后，到达接收点时其振幅、相位和角频率已不再是确定的了，而变成随机参数。
这时的信号在某一时刻就要用三个随机变量来描述。如此可以推广到”个随机变量的情况。称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量。显然，一维随机矢量即为随机变量。
随机矢量X的性质不仅由单个随机变量X1，X2，…，Xn的性质所决定，而且还应由这些随机变量的相互关系所决定。
参考资料来源：百度百科-数学期望
参考资料来源：百度百科-联合分布函数
绛旓細鏁板鏈熸湜鐨勮绠楀叕寮忔槸锛欵(X) = 危xP(x)銆傚叾涓紝E(X)琛ㄧず鏁板鏈熸湜锛寈琛ㄧず闅忔満鍙橀噺鐨勫彇鍊硷紝P(x)琛ㄧず闅忔満鍙橀噺鍙栧紉鐨勬鐜囥傝鍏紡閫傜敤浜庣鏁ｅ瀷闅忔満鍙橀噺鐨勬暟瀛︽湡鏈涜绠椼傚浜庤繛缁瀷闅忔満鍙橀噺锛屾暟瀛︽湡鏈涚殑璁＄畻鍏紡涓猴細E(X) = 鈭玿f(x)dx銆傚叾涓紝f(x)鏄殢鏈哄彉閲忕殑姒傜巼瀵嗗害鍑芥暟銆傛澶栵紝鏁板鏈熸湜杩樻湁涓浜...
绛旓細鏁板鏈熸湜鏄瘯楠屼腑姣忔鍙兘缁撴灉鐨勬鐜囦箻浠ュ叾缁撴灉鐨勬诲拰銆傝绠楀叕寮忥細1銆佺鏁ｅ瀷锛氱鏁ｅ瀷闅忔満鍙橀噺X鐨勫彇鍊间负X1銆乆2銆乆3鈥︹n锛宲(X1)銆乸(X2)銆乸(X3)鈥︹(Xn)銆佷负X瀵瑰簲鍙栧肩殑姒傜巼锛屽彲鐞嗚В涓烘暟鎹甔1銆乆2銆乆3鈥︹n鍑虹幇鐨勯鐜囬珮f(Xi)锛屽垯锛2銆佽繛缁瀷锛氳杩炵画鎬ч殢鏈哄彉閲廥鐨勬鐜囧瘑搴﹀嚱鏁颁负f(x)锛...
绛旓細鏁板鏈熸湜鍜屾柟宸叕寮忎负锛EX=npDX=np锛1-p锛夈丒X=1/PDX=p^2/q銆丏X=E锛圶锛塣2-锛圗X锛塣2銆傚浜2椤瑰垎甯冿紙渚嬪瓙锛氬湪n娆¤瘯楠屼腑鏈塊娆℃垚鍔燂紝姣忔鎴愬姛姒傜巼涓篜锛屽畠鐨勫垎甯冨垪姹傛暟瀛︽湡鏈涘拰鏂瑰樊锛夋湁EX=npDX=np锛1-p锛夈俷涓鸿瘯楠屾鏁皃涓烘垚鍔熺殑姒傜巼锛屽浜庡嚑浣曞垎甯冿紙姣忔璇曢獙鎴愬姛姒傜巼涓篜锛屼竴鐩磋瘯楠屽埌鎴愬姛涓...
绛旓細1銆佷竴涓父鏁扮殑鏈熸湜鏄繖涓父鏁版湰韬紝鍐欎綔E(C)=C銆2銆佷竴涓父鏁颁箻浠ラ殢鏈哄彉閲廥鐨勬湡鏈涳紝绛変簬杩欎釜甯告暟涔樹互X鐨勬湡鏈涳紝鍐欎綔E(cX)=cE(X)E(cX)=cE(X)銆3銆侀殢鏈哄彉閲廥鍔燳鐨勬湡鏈涳紝绛変簬X鍜孻鍚勮嚜鏈熸湜鐨勫拰锛屽啓浣淓(X+Y)=E(X)+E(Y)E(X+Y)=E(X)+E(Y)銆4銆侀殢鏈哄彉閲廥鍑廦鐨勬湡鏈涳紝绛変簬X鍜孻鍚勮嚜鏈熸湜...
绛旓細2銆 鏁板鏈熸湜E鐨勮繍绠楀叕寮忓拰鎬ц川锛氬叕寮忥細濡傛灉X銆乊鐙珛,鍒欙細E(XY)=E(X)*E(Y)銆傚鏋滀笉鐙珛,鍙互鐢ㄥ畾涔夎绠楋細鍏堟眰鍑篨銆乊鐨勮仈鍚堟鐜囧瘑搴︼紝鍐嶇敤瀹氫箟銆傛垨鑰呭厛姹傚嚭Cov(x锛寉)鍐嶇敤鍏紡 Cov(X锛孻)=E(XY)-E(X)*E(Y)锛孌锛圶卤Y锛=D锛圶锛+D(Y)卤2*Cov(X锛孻)銆傛ц川锛氭暟瀛︽湡鏈汦(x)瀹屽叏...
绛旓細鏁板鏈熸湜鏄竴涓敤鏉ユ弿杩伴殢鏈哄彉閲忓彇鍊肩殑鈥滃钩鍧囧尖濈殑鏁板姒傚康銆傚叿浣撴潵璇达紝瀵逛簬绂绘暎闅忔満鍙橀噺锛屾暟瀛︽湡鏈涚殑璁＄畻鍏紡涓猴細E(X) = \sum x_iP(X=x_i)鍏朵腑锛$x_i$ 鏄殢鏈哄彉閲 $X$ 鐨勬墍鏈夊彲鑳藉彇鍊硷紝$P(X=x_i)$ 鏄 $X$ 鍙 $x_i$ 鐨勬鐜囥傚浜庤繛缁殢鏈哄彉閲忥紝鏁板鏈熸湜鐨勮绠楀叕寮忎负锛欵(X) = \...
绛旓細鏁板鏈熸湜鍏紡鏄細E = 危[P * xi]锛屽叾涓璱浠ｈ〃鎵鏈夊彲鑳界殑鍙栧笺傝繖涓叕寮忕敤浜璁＄畻闅忔満鍙橀噺鐨勬湡鏈涘硷紝鍗冲彲鑳藉彇鍊肩殑鍔犳潈骞冲潎鏁般傛帴涓嬫潵璇︾粏瑙ｉ噴杩欎釜鍏紡锛氭暟瀛︽湡鏈涳紝鍙堢О涓哄潎鍊兼垨鏈熸湜鍊硷紝鏄闅忔満鍙橀噺鍙栧肩殑骞冲潎缁撴灉鐨勫害閲忋傝繖涓叕寮忎腑鐨凟浠ｈ〃闅忔満鍙橀噺X鐨勬暟瀛︽湡鏈涖偽ｈ〃绀烘眰鍜岀鍙凤紝鍗冲闅忔満鍙橀噺X鎵鏈夊彲鑳藉彇鍊...
绛旓細棣栧厛璁＄畻鏁板鏈熸湜E(X)锛歕(E(X) = 1 \times 0.2 + 2 \times 0.5 + 3 \times 0.3 = 0.2 + 1 + 0.9 = 2.1\)銆傜劧鍚庤绠楁柟宸瓺(X)锛歕(D(X) = (1 - 2.1)^2 \times 0.2 + (2 - 2.1)^2 \times 0.5 + (3 - 2.1)^2 \times 0.3 = 0.243\)銆傝繖涓緥瀛...
绛旓細璁癉(x)涓鸿鏁版嵁鐨勬柟宸紝E(x)涓烘湡鏈涳紝鍒橠(x)=E(x^2)-[E(x)]^2锛岃繖鏍峰氨鍙互鎶奅(X²)姹傚嚭鏉,鎴栬呯洿鎺ョ敤瀹氫箟娉曟眰涔熷彲浠ャ鏁板鏈熸湜鏄瘯楠屼腑姣忔鍙兘缁撴灉鐨勬鐜囦箻浠ュ叾缁撴灉鐨勬诲拰锛屾槸鏈鍩烘湰鐨勬暟瀛︾壒寰佷箣涓銆傚畠鍙嶆槧闅忔満鍙橀噺骞冲潎鍙栧肩殑澶у皬銆傛湡鏈涘兼槸鍩虹姒傜巼瀛︾殑鍗囩骇鐗堬紝鏄墍鏈夌鐞嗗喅绛栫殑杩囩▼...
绛旓細鏁板鏈熸湜鍏紡鏄細E(X) = X1*p(X1锛 + X2*p(X2锛 + 鈥︹ + Xn*p(Xn) = X1*f1(X1锛 + X2*f2(X2锛 + 鈥︹ + Xn*fn(Xn)X 锛1,X 锛2,X 锛3锛屸︹︼紝X銆俷涓鸿繖绂绘暎鍨嬮殢鏈哄彉閲忥紝p(X1锛,p(X2锛,p(X3锛夛紝鈥︹(Xn)涓鸿繖鍑犱釜鏁版嵁鐨勬鐜囧嚱鏁般傚湪闅忔満鍑虹幇鐨勫嚑涓暟鎹腑p(X1...
