【期望的求法】在概率論與數理統計中，期望是一個非常重要的概念，它用于描述隨機變量在長期試驗中所表現出的平均值。期望不僅有助于我們理解隨機事件的“平均表現”，還能在實際問題中提供決策依據。本文將總結期望的基本定義、計算方法及常見分布的期望公式，并通過表格形式進行歸納。
一、期望的基本概念
期望（Expectation）是隨機變量在所有可能結果中按照其發生概率加權后的平均值。數學上，設隨機變量 $ X $ 的取值為 $ x_1, x_2, \dots, x_n $，對應的概率為 $ p_1, p_2, \dots, p_n $，則期望 $ E(X) $ 定義為：
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
對于連續型隨機變量，期望的計算方式為：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) dx
$$
其中 $ f(x) $ 是概率密度函數。
二、期望的求法
1. 離散型隨機變量
對于離散型隨機變量，其期望可以通過每個可能取值乘以對應概率后求和得到。例如：
- 若 $ X $ 的分布列為：
| X | 0 | 1 | 2 |
| P | 0.2 | 0.5 | 0.3 |
則期望為：
$$
E(X) = 0 \times 0.2 + 1 \times 0.5 + 2 \times 0.3 = 1.1
$$
2. 連續型隨機變量
對于連續型隨機變量，需要對概率密度函數進行積分。例如，若 $ X $ 在區間 [a, b] 上服從均勻分布，則其期望為：
$$
E(X) = \frac{a + b}{2}
$$
三、常見分布的期望公式
以下是一些常見概率分布的期望值公式，便于快速查閱和應用：
| 分布名稱 | 概率質量/密度函數 | 期望值 $ E(X) $ |
| 兩點分布 | $ P(X=1)=p, P(X=0)=1-p $ | $ p $ |
| 二項分布 | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ |
| 泊松分布 | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ |
| 均勻分布 | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a + b}{2} $ |
| 正態分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ |
| 指數分布 | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ \frac{1}{\lambda} $ |
四、期望的性質
1. 線性性：$ E(aX + bY) = aE(X) + bE(Y) $，其中 $ a, b $ 為常數。
2. 常數的期望：若 $ c $ 為常數，則 $ E(c) = c $。
3. 獨立變量的期望：若 $ X $ 與 $ Y $ 獨立，則 $ E(XY) = E(X)E(Y) $。
五、應用實例
假設某次考試中，學生成績 $ X $ 的分布如下：
| 成績 | 60 | 70 | 80 | 90 |
| 概率 | 0.1 | 0.3 | 0.4 | 0.2 |
則期望成績為：
$$
E(X) = 60 \times 0.1 + 70 \times 0.3 + 80 \times 0.4 + 90 \times 0.2 = 77
$$
這表明該班級學生的平均成績約為 77 分。
六、總結
期望是衡量隨機變量集中趨勢的重要指標，廣泛應用于金融、統計、工程等領域。掌握期望的求法不僅可以幫助我們更好地理解數據，還能為決策提供科學依據。通過上述表格與實例分析，可以更直觀地了解不同分布下期望的計算方式。
附表：常見分布的期望值匯總
| 分布類型 | 期望表達式 |
| 兩點分布 | $ p $ |
| 二項分布 | $ np $ |
| 泊松分布 | $ \lambda $ |
| 均勻分布 | $ \frac{a + b}{2} $ |
| 正態分布 | $ \mu $ |
| 指數分布 | $ \frac{1}{\lambda} $ |
如需進一步探討條件期望或期望的其他性質，可繼續深入學習相關知識。