数学期望和方差公式有哪些？

数学期望的定义 定义1： 按照定义,离散随机变量的一切可能值工与对应的概率P(若二龙)的乘积之和称为数学期望,记为咐.如果随机变量只取得有限个值:x,、瓜、兀 源自: 挡土墙优化设计与风险决策研究——兼述黄... 《南水北调与水利科技》 2004年 劳道邦,李荣义 来源文章摘要：挡土墙作为一般土建工程的拦土建筑物常用在闸坝翼墙和渡槽、倒虹吸的进出口过渡段,它的优化设计问题常被忽视。实际上各类挡土墙间的技术和经济效益差别是相当大的。而一些工程的现实条件又使一些常用挡土墙呈现出诸多方面局限性。黄壁庄水库除险加固工程的混凝土生产系统的挡土墙建设在优化设计方面向前迈进了一步,在技术和经济效益方面取得明显效果,其经验可供同类工程建设参考。 定义2： 1 决定可靠性的因素常规的安全系数是根据经验而选取的,即取材料的强度极限均值(概率理论中称为数学期望)与工作应力均值(数学期望)之比 随机变量的数学期望值 在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。） 单独数据的数学期望值算法 对于数学期望的定义是这样的。数学期望 E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) X1,X2,X3,……,Xn为这几个数据，p(X1),p(X2),p(X3),……p(Xn)为这几个数据的概率函数。在随机出现的几个数据中p(X1),p(X2),p(X3),……p(Xn)概率函数就理解为数据X1,X2,X3,……,Xn出现的频率f(Xi).则： E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) = X1*f1(X1) + X2*f2(X2) + …… + Xn*fn(Xn) 很容易证明E(X)对于这几个数据来说就是他们的算术平均值。 我们举个例子，比如说有这么几个数： 1，1，2，5，2，6，5，8，9，4，8，1 1出现的次数为3次，占所有数据出现次数的3/12,这个3/12就是1所对应的频率。同理，可以计算出f(2) = 2/12,f(5) = 2/12 , f(6) = 1/12 , f(8) = 2/12 , f(9) = 1/12 , f(4) = 1/12 根据数学期望的定义： E(X) = 1*f(1) + 2*f(2) + 5*f(5) + 6*f(6) + 8*f(8) + 9*f(9) + 4*f(4) = 13/3 所以 E(X) = 13/3, 现在算这些数的算术平均值： Xa = (1+1+2+5+2+6+5+8+9+4+8+1)/12 = 13/3 所以E(X) = Xa = 13/3

随机变量的一切可能取值与其对应的概率P的乘积之和称为数学期望,记为E.

每个凸集是 E-凸集E-凸函数中的E（x）表示数学期望在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。扩展资料参考一下好了解离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数，因而k是离散型随机变量。如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是[0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数等，因而称这随机变量是连续型随机变量。

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

数学期望是一种重要的数字特征，它反映随机变量平均取值的大小，是试验中每次可能结果的概率乘以其结果的总和。数学期望描述的是一个随机变量取值的集中位置，也就是随机变量的概率加权平均值。只有在大量试验基础上才能体现出来的一个规律性。期望值是基础概率学的升级版，是所有管理决策的过程中，尤其是在金融领域是最实用的统计工具。某个事件（最初用来描述买彩票）的期望值即收益，实际上就是所有不同结果的和，其中每个结果都是由各自的概率和收益相乘而来。扩展资料：数学期望的故事：在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，一共进行五局，赢家可以获得100法郎的奖励。当比赛进行到第四局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？用概率论的知识，不难得知，甲获胜的可能性大，乙获胜的可能性小。因为甲输掉后两局的可能性只有(1/2)×(1/2）=1/4，也就是说甲赢得后两局的概率为1－(1/4)=3/4，甲有75%的期望获得100法郎；而乙期望赢得100法郎就得在后两局均击败甲，乙连续赢得后两局的概率为(1/2)*(1/2)=1/4，即乙有25%的期望获得100法郎奖金。可见，虽然不能再进行比赛，但依据上述可能性推断，甲乙双方最终胜利的客观期望分别为75%和25%，因此甲应分得奖金的100*75%=75(法郎)，乙应分得奖金的的100×25%=25(法郎)。这个故事里出现了“期望”这个词，数学期望由此而来。参考资料来源：百度百科-数学期望

在概率论和统计，数学期望（或预期值,或平均，或一个随机变量的第一时刻）是随机变量就其概率测度的积分。对于离散随机变量，这是等同于可能的值的概率加权总和。 数学期望 : E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) X1,X2,X3,……,Xn为数据，p(X1),p(X2),p(X3),……p(Xn)为这几个数据的概率函数.对于连续随机变量, 这是等同于概率密度函数的加权积分.数学期望 : E(X) = 积分 x p(x)dx术语“期望值”可能会引起误解。我们绝不能混淆“最可能的价值。”预期值一般不是一个典型值随机变量可以承担。它通常有助于解释为长期运行的变量的平均值超过许多独立的重复实验的一个随机变量的期望值。 预期值可直观地理解了大量数据法则：预期值，当它存在，几乎是肯定的样本限额平均为样本大小增长到无穷大。该值可能不是一般意义上的预期 - “预期价值”本身可能有2.5个儿童，预期值可以通过采取兴建的一个指标功能，是一个预期的预期值等于一事件的概率，如果事件发生，否则为0。这种关系可以用来转化成概率性质的预期值的属性，如利用大量数据定律证明的频率估计概率。

　　在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。　　换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。）　　例如，掷一枚六面骰子的期望值是3.5，计算如下：　　1*1/6+2*1/6+3*1/6+4*1/6+5*1/6+6*1/6=3.5　　3.5不属于可能结果中的任一个。

数学期望为设X是一个随机变量，若E{[X-E(X)]^2}存在，则称E{[X-E(X)]^2}为X的方差，记为D(X),Var(X)或DX。即D(X)=E{[X-E(X)]^2}称为方差，而σ(X)=D(X)^0.5（与X有相同的量纲）称为标准差（或方差）。 期望就是一种均数，可以类似理解为加权平均数，x相应的概率就是它的权，所以ex就为各个xi×pi的和。dx就是一种方差，即是x偏差的加权平均，各个(xi-ex)的平方再乘以相应的pi之总和。dx与ex之间还有一个技巧公式需要记住，就是dx=e(x的平方)-(ex)的平方。扩展资料需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。

期望意思是指人们对某样东西的提前勾画出的一种标准，达到了这个标准就是达到了期望值。数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。对于EX来说，X是单次抽出一个数据，然后求期望。对于EX拔来说，X拔是单次抽出n个数据，然后求 平均值(不是期望)，然后再对平均值求期望。至于为什么 EX=EX拔，这不是由定义显然的，而是一个定理，是要证的。需要注意的是期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律表明，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。

首先你需要知道数学期望的定义为EX=∫xf(x)dx在0到正无穷上面的定积分，其中f（x）表示的是概率密度函数（这是对连续的）。之后你要知道一个公式就是方差公式D(X)=E{[X-E(X)]^2}=E(X^2) - [ E(X)]^2根据1中的公式计算E(X^2)、[ E(X)]^2就可以求出来了。4.如果要是在统计学中呢，方差为S^2= ∑(X- ) ^2 / (n-1)

若X是离散型的，则E(X^2)=∑((xi)^2)pi。若X是连续型的，则E(X^2)=(x^2)f(x)在-∞到+∞的定积分。期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。扩展资料：设随机事件A在n次重复试验中发生的次数为nA，若当试验次数n很大时，频率nA/n稳定地在某一数值p的附近摆动，且随着试验次数n的增加，其摆动的幅度越来越小，则称数p为随机事件A的概率，记为P(A)=p。如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。参考资料来源：百度百科——数学期望

1、数学期望（mean）是最基本的数学特征之一，运用于概率论和统计学中，它是每个可能结果的概率乘以其结果的总和。它反映了随机变量的平均值。2、需要注意的是，期望并不一定等同于常识中的“期望”——“期望”未必等于每一个结果。期望值是变量输出值的平均值。期望不一定包含在变量的输出值集合中。3、大数定律规定，当重复次数接近无穷大时，数值的算术平均值几乎肯定会收敛到期望值。

离散型 　　离散型随机变量的一切可能的取值xi与对应的概率Pi(=xi)之积的和称为该离散型随机变量的数学期望（设级数绝对收敛）,记为E（x）.随机变量最基本的数学特征之一.它反映随机变量平均取值的大小.又称期望或均值.如果随机变量只取得有限个值,称之为离散型随机变量的数学期望.它是简单算术平均的一种推广,类似加权平均.例如某城市有10万个家庭,没有孩子的家庭有1000个,有一个孩子的家庭有9万个,有两个孩子的家庭有6000个,有3个孩子的家庭有3000个,则此城市中任一个家庭中孩子的数目是一个随机变量,记为X,它可取值0,1,2,3,其中取0的概率为0.01,取1的概率为0.9,取2的概率为0.06,取3的概率为0.03,它的数学期望为0×0.01+1×0.9+2×0.06+3×0.03等于1.11,即此城市一个家庭平均有小孩1.11个,用数学式子表示为：E(X)=1.11. 连续型 　　若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分,则称X为连续性随机变量,f(x)称为X的概率密度函数（分布密度函数）.　　能按一定次序一一列出,其值域为一个或若干个有限或无限区间,这样的随机变量称为离散型随机变量.　　离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定,　　变量取值只能取离散型的自然数,就是离散型随机变量,　　比如,一次掷20个硬币,k个硬币正面朝上,　　k是随机变量,　　k的取值只能是自然数0,1,2,…,20,而不能取小数3.5、无理数√20,　　因而k是离散型随机变量.　　如果变量可以在某个区间内取任一实数,即变量的取值可以是连续的,这随机变量就称为连续型随机变量, 随机变量的数学期望值 　　在概率论 数学期望 和统计学中,一个离散性随机变量的期望值（或数学期望、或均值,亦简称期望）是试验中每次可能结果的概率乘以其结果的总和.换句话说,期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值.需要注意的是,期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等.（换句话说,期望值是该变量输出值的平均数.期望值并不一定包含于变量的输出值集合里.） 单独数据的数学期望值 　　对于数学期望的定义是这样的.数学期望 　　E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) 　　X1,X2,X3,……,Xn为这几个数据,p(X1),p(X2),p(X3),……p(Xn)为这几个数据的概率函数.在随机出现的几个数据中p(X1),p(X2),p(X3),……p(Xn)概率函数就理解为数据X1,X2,X3,……,Xn出现的频率f(Xi).则：　　E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) = X1*f1(X1) + X2*f2(X2) + …… + Xn*fn(Xn) 　　很 北京大学数学教学系列丛书 容易证明E(X)对于这几个数据来说就是他们的算术平均值.　　我们举个例子,比如说有这么几个数：　　1,1,2,5,2,6,5,8,9,4,8,1 　　1出现的次数为3次,占所有数据出现次数的3/12,这个3/12就是1所对应的频率.同理,可以计算出f(2) = 2/12,f(5) = 2/12 ,f(6) = 1/12 ,f(8) = 2/12 ,f(9) = 1/12 ,f(4) = 1/12 根据数学期望的定义：　　E(X) = 1*f(1) + 2*f(2) + 5*f(5) + 6*f(6) + 8*f(8) + 9*f(9) + 4*f(4) = 13/3 　　所以 E(X) = 13/3,　　现在算这些数的算术平均值：　　Xa = (1+1+2+5+2+6+5+8+9+4+8+1)/12 = 13/3 　　所以E(X) = Xa = 13/3

E(3x^2+2)=3 E(x^2)+2在概率论和统计学中，数学期望（或均值）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。（1）离散型如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。（2）连续型若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续型随机变量，f(x)称为X的概率密度函数（分布密度函数）。扩展资料：应用在统计学中，当估算一个变量的期望值时，一个经常用到的方法是重复测量此变量的值，然后用所得数据的平均值来作为此变量的期望值的估计。在概率分布中，期望值和方差或标准差是一种分布的重要特征。在经典力学中，物体重心的算法与期望值的算法十分近似。期望值也可以通过方差计算公式来计算方差。参考资料：百度百科-期望值

数学期望的性质：1、设X是随机变量，C是常数，则E（CX）=CE（X）。2、设X，Y是任意两个随机变量，则有E（X+Y）=E（X）+E（Y）。3、设X，Y是相互独立的随机变量，则有E（XY）=E（X）E（Y）。4、设C为常数，则E（C）=C。扩展资料：期望的应用1、在统计学中，想要估算变量的期望值时，用到的方法是重复测量此变量的值，然后用所得数据的平均值来作为此变量的期望值的估计。2、在概率分布中，数学期望值和方差或标准差是一种分布的重要特征。3、在古典力学中，物体重心的算法与期望值的算法近似，期望值也可以通过方差计算公式来计算方差：4、实际生活中，赌博是数学期望值的一种常见应用。参考资料来源：百度百科-数学期望

数学期望（或期望值）是在统计意义下随机变量的一种数学术语，表示在多次随机试验中，每次试验的结果所带来的期望结果的总和。对于一个森肢离散的卜链随机变量X，它的期望值（也称为数学期望）可以表示为：E(X)=∑xP(X=x)其中x是随机变量X的取值，P(X=x)是随机变量X取值为x的概率。对于一个连续的随机变量X，它的期望值可以表示为：E(X)=∫xf(x)dx其中f(x)是随机变量X的概率密度函数。期望值是随机变量的一个此弊世有用的数学特征，在统计意义下表示随机变量的中心位置。它是随机变量的平均值，但并不是所有的随机变量都有期望值，因为期望值只有在满足一定条件时才存在。《sport.curedpl.cn/article/810476.html》《sport.lhgtec.cn/article/561847.html》《sport.usa618.cn/article/468037.html》《sport.hnboge.cn/article/504639.html》《sport.lchzggc.cn/article/296708.html》《sport.kecreate.cn/article/094832.html》

　　数学期望求解的方法是：X是离散型随机变量，其全部可能取值是a1，a2，a3等到an取这些值的相应概率是p1，p2，p3等到pn，则其数学期望E(X)=(a1)*(p1)+(a2)*(p2)+…+(an)*(pn)。在概率论和统计学中，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。也是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。

1、在概率论和统计学中，一个离散性随机变量的数学期望值，是试验中每次可能的结果乘以其结果概率的总和。换句话说，期望值像是随机试验在同样的机会下重复多次，所有那些可能状态平均的结果，便基本上等同“期望值”所期望的数。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。） 2、例如，掷一枚公平的六面骰子，其每次“点数”的期望值是3.5，计算如下：不过如上所说明的，3.5虽是“点数”的期望值，但却不属于可能结果中的任一个，没有可能掷出此点数。

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

就是用概率*数之和

对于2项分布(例子:在n次试验中有k次成功,每次成功概率为p,他的分布列求数学期望和方差)有ex=npdx=np(1-p)n为试验次数p为成功的概率对于几何分布(每次试验成功概率为p,一直试验到成功为止)有ex=1/pdx=p^2/q还有任何分布列都通用的dx=e(x)^2-(ex)^2

数学期望的性质如下： 1、设X是随机变量，C是常数，则ECX等于C乘EX。 2、设X和Y是任意两个随机变量，则有EX加Y等于EX加EY。 3、设X和Y是相互独立的随机变量，则有EXY等于EX乘EY，在统计学中，当估算一个变量的期望值时，一个经常用到的方法是重复测量此变量的值，然后用所得数据的平均值来作为此变量的期望值的估计，在概率分布中，期望值和方差或标准差是一种分布的重要特征。

数学期望的性质：1、设X是随机变量，C是常数，则E（CX）=CE（X）。2、设X，Y是任意两个随机变量，则有E（X+Y）=E（X）+E（Y）。3、设X，Y是相互独立的随机变量，则有E（XY）=E（X）E（Y）。4、设C为常数，则E（C）=C。扩展资料：数学期望的历史故事在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，一共进行五局，赢家可以获得100法郎的奖励。当比赛进行到第四局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛。用概率论的知识，不难得知，甲获胜的可能性大，乙获胜的可能性小。因为甲输掉后两局的可能性只有(1/2)×(1/2）=1/4，也就是说甲赢得后两局或后两局中任意赢一局的概率为1－(1/4)=3/4，甲有75%的期望获得100法郎；而乙期望赢得100法郎就得在后两局均击败甲，乙连续赢得后两局的概率为(1/2)*(1/2)=1/4，即乙有25%的期望获得100法郎奖金。可见，虽然不能再进行比赛，但依据上述可能性推断，甲乙双方最终胜利的客观期望分别为75%和25%，因此甲应分得奖金的100*75%=75(法郎)，乙应分得奖金的的100×25%=25(法郎)。这个故事里出现了“期望”这个词，数学期望由此而来。

如果概率密度f(x)是偶函数，则xf(x)是奇函数，它在-∞到+∞的定积分是0，即期望为0。

就是平均值，换个好听点的名字而已E（x）=x1*p1+x2*p2......+xi*pi

对于2项分布(例子:在n次试验中有k次成功,每次成功概率为p,他的分布列求数学期望和方差)有ex=npdx=np(1-p)n为试验次数p为成功的概率对于几何分布(每次试验成功概率为p,一直试验到成功为止)有ex=1/pdx=p^2/q还有任何分布列都通用的dx=e(x)^2-(ex)^2

数学期望等于0可以得出如下结论。如果数学期望为零，则表示概率函数以Y轴为对称轴对称，因为在期望为0的条件下，函数的特征服从正态分布。在概率论和统计学中，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，是最基本的数学特征之一。期望的特点：需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律表明，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。

数学期望公式是：E(X) = X1*p(X1） + X2*p(X2） + …… + Xn*p(Xn) = X1*f1(X1） + X2*f2(X2） + …… + Xn*fn(Xn)X ；1,X ；2,X ；3，……，X。n为这离散型随机变量，p(X1）,p(X2）,p(X3），……p(Xn)为这几个数据的概率函数。在随机出现的几个数据中p(X1）,p(X2）,p(X3），……p(Xn)概率函数就理解为数据X1,X2,X3，……，Xn出现的频率f(Xn).应用：1、经济决策假设超市销售某一商品，周需求x的取值范围为10-30，商品的采购量取值范围为10-30。超市每售出一件商品可获利500元。如果供过于求，就会降价，每加工一件商品就要亏损10元。0元；如果供过于求，可以从其他超市转手。此时，超市商品可获利300元。超市在计算进货量时，能得到最大的利润吗？得到最大利润的期望值。分析：由于商品的需求（销售量）x是一个随机变量，它在区间[10,30]上均匀分布，而商品的销售利润值y也是一个随机变量。它是x的函数，称为随机变量函数。问题涉及的最佳利润只能是利润的数学期望（即平均利润的最大值）。因此，求解该问题的过程是确定y与x之间的函数关系，然后求出y的期望e（y），最后用极值法求出e（y）的最大点和最大值。2、竞争问题乒乓球是我们的国球，上个世纪的军事球也给中国带来了一些外交。中国在这项运动中具有绝对优势。本文提出了一个关于乒乓球比赛安排的问题：假设德国（德国选手波尔在中国也有很多球迷）和中国打乒乓球。有两种竞赛制度，一种是每方三名优胜者，另一种是每方五名优胜者，另一种是每方五名优胜者。哪一个对中国队更有利？

1、数学期望（mean）是最基本的数学特征之一，运用于概率论和统计学中，它是每个可能结果的概率乘以其结果的总和。它反映了随机变量的平均值。 2、需要注意的是，期望并不一定等同于常识中的“期望”——“期望”未必等于每一个结果。期望值是变量输出值的平均值。期望不一定包含在变量的输出值集合中。 3、大数定律规定，当重复次数接近无穷大时，数值的算术平均值几乎肯定会收敛到期望值。

代入公式。在[a,b]上的均匀分布，期望=(a+b)/2，方差=[(b-a)^2]/2。代入直接得到结论。如果不知道均匀分布的期望和方差公式，只能按步就班的做：期望：EX=∫{从-a积到a} xf(x) dx=∫{从-a积到a} x/2a dx=x^2/4a |{上a,下-a}=0E(X^2)=∫{从-a积到a} (x^2)*f(x) dx=∫{从-a积到a} x^2/2a dx=x^3/6a |{上a,下-a}=(a^2)/3方差：DX=E(X^2)-(EX)^2=(a^2)/3扩展资料：离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数，因而k是离散型随机变量。如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是[0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数等，因而称这随机变量是连续型随机变量。由于随机变量X的取值 只取决于概率密度函数的积分，所以概率密度函数在个别点上的取值并不会影响随机变量的表现。更准确来说，如果一个函数和X的概率密度函数取值不同的点只有有限个、可数无限个或者相对于整个实数轴来说测度为0（是一个零测集），那么这个函数也可以是X的概率密度函数。连续型的随机变量取值在任意一点的概率都是0。作为推论，连续型随机变量在区间上取值的概率与这个区间是开区间还是闭区间无关。要注意的是，概率P{x=a}=0，但{X=a}并不是不可能事件参考资料来源：百度百科-数学期望

E(X) = X1*p(X1） + X2*p(X2） + …… + Xn*p(Xn) = X1*f1(X1） + X2*f2(X2） + …… + Xn*fn(Xn)X ；1,X ；2,X ；3，……，X。n为这离散型随机变量，p(X1）,p(X2）,p(X3），……p(Xn)为这几个数据的概率函数。在随机出现的几个数据中p(X1）,p(X2）,p(X3），……p(Xn)概率函数就理解为数据X1,X2,X3，……，Xn出现的频率f(Xn).扩展资料在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。参考资料：百度百科词条 数学期望

E(X)=X1*p(X1）+X2*p(X2）+……+Xn*p(Xn)=X1*f1(X1）+X2*f2(X2）+……+Xn*fn(Xn)。n为这离散型随机变量，p(X1），p(X2），p(X3），……p(Xn)为这几个数据的概率函数。在随机出现的几个数据中p(X1），p(X2），p(X3），……p(Xn)概率函数就理解为数据X1，X2，X3，……，Xn出现的频率f(Xn)。介绍在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。

对于2项分布(例子:在n次试验中有k次成功,每次成功概率为p,他的分布列求数学期望和方差)有ex=npdx=np(1-p)n为试验次数p为成功的概率对于几何分布(每次试验成功概率为p,一直试验到成功为止)有ex=1/pdx=p^2/q还有任何分布列都通用的dx=e(x)^2-(ex)^2

数学期望（或期望值）是在统计意义下随机变量的一种数学术语，表示在多次随机试验中，每次试验的结果所带来的期望结果的总和。对于一个离散的随机变量X，它的期望值（也称为数学期望）可以表示为：E(X)=∑xP(X=x)其中x是随机变量X的取值，P(X=x)是随机变量X取值为x的概率。对于一个连续的随机变量X，它的期望值可以表示为：E(X)=∫xf(x)dx其中f(x)是随机变量X的概率密度函数。期望值是随机变量的一个有用的数学特征，在统计意义下表示随机变量的中心位置。它是随机变量的平均值，但并不是所有的随机变量都有期望值，因为期望值只有在满足一定条件时才存在。

首先你需要知道数学期望的定义为EX=∫xf(x)dx在0到正无穷上面的定积分，其中f（x）表示的是概率密度函数（这是对连续的）。之后你要知道一个公式就是方差公式D(X)=E{[X-E(X)]^2}=E(X^2) - [ E(X)]^2根据1中的公式计算E(X^2)、[ E(X)]^2就可以求出来了。4.如果要是在统计学中呢，方差为S^2= ∑(X- ) ^2 / (n-1)

求解“数学期望”主要有两种方法：只要把分布列表格中的数字 每一列相乘再相加 即可。如果X是离散型随机变量，它的全部可能取值是a1,a2,…，an,…,取这些值的相应概率是p1,p2…,pn,…,则其数学期望E(X)=(a1)*(p1)+(a2)*(p2)+…+(an)*(pn)+…；如果X是连续型随机变量，其概率密度函数是p(x)，则X的数学期望E(X)等于 函数xp(x)在区间(-∞，+∞）上的积分。在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。

数学期望是一种重要的数字特征，它反映随机变量平均取值的大小，是试验中每次可能结果的概率乘以其结果的总和。这里的“期望”一词来源于赌博，大概意思是当下注时，期望赢得多少钱。以大数据眼光看问题体现了数学期望中的大量试验出规律，不能光看眼前或特例，对一种现象不能过早下结论，要多听、多看从而获得拿个隐藏在背后的规律；以大概率眼看光问题对应数学期望中的概率加权，大概率对应的取值对最后之结果影响大，所以当有了一个目标，为了实现它，就要找一条实现起来概率最大的路径。扩展资料应用：1）随机炒股随机炒股也就是闭着眼睛在股市中挑一只股票，并且假设止损和止盈线都为10%，因为是随机选股，那么胜率=败率，由于印花税、佣金和手续费的存在，胜率=败率<50%，最后的数学期望一定为负，可见随机炒股，长期的后果，必输无疑。2）趋势炒股趋势炒股是建立在惯性理论上的，胜率跟经验有很大关系，基本上平均胜率可以假定为60%，则败率为40%，一般趋势投资者本着赚点就跑，亏了套死不卖的原则，如涨10%止盈，跌50%止损，数学期望为EP=60%*10%-40%*50%=-0.14，必输无疑。只有止损线<15%时，趋势投资才有可能赢。但是止损线过低，就会形成频繁交易，一方面交易成本增加，另一方面交易者的判断力下降，也就是胜率必然下降，那么最终的下场好不到哪去。3）价值投资由于价值低估买，所以胜率比较高，且价值投资都预留安全边际，也就是向上的空间巨大，而下跌空间有限，所以数学期望值一定为正。参考资料来源：百度百科-数学期望

数学期望是一种重要的数字特征，它反映随机变量平均取值的大小，是试验中每次可能结果的概率乘以其结果的总和。这里的“期望”一词来源于赌博，大概意思是当下注时，期望赢得多少钱。数学期望按照定义，离散随机变量的一切可能取值与其对应的概率P的乘积之和称为数学期望，记为E.如果随机变量只取得有限个值:x,y,z,...则称该随机变量为离散型随机变量。应用假设某一超市出售的某种商品，每周的需求量X在10至30范围内等可能取值，该商品的进货量也在10至30范围内等可能取值（每周只进一次货）超市每销售一单位商品可获利500元，若供大于求，则削价处理，每处理一单位商品亏损100元；若供不应求，可从其他超市调拨，此时超市商品可获利300元。试计算进货量多少时，超市可获得最佳利润，并求出最大利润的期望值。以上内容参考：百度百科-数学期望

若随机变量X数学期望存在，则E(E(EX)在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。扩展资料：离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数 ，因而k是离散型随机变量。如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是[0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数等，因而称这随机变量是连续型随机变量。

若X是离散型的，则E(X^2)=∑((xi)^2)pi。若X是连续型的，则E(X^2)=(x^2)f(x)在-∞到+∞的定积分。期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。扩展资料：设随机事件A在n次重复试验中发生的次数为nA，若当试验次数n很大时，频率nA/n稳定地在某一数值p的附近摆动，且随着试验次数n的增加，其摆动的幅度越来越小，则称数p为随机事件A的概率，记为P(A)=p。如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。参考资料来源：百度百科——数学期望

离散型随机变量的一切可能的取值xi与对应的概率P(=xi)之积的和称为的数学期望（设级数绝对收敛），记为E。如果随机变量只取得有限个值。随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广，类似加权平均。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个， 则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 连续型 连续型随机变量X的概率密度函数为f(x),若积分： 绝对收敛，则称此积分值为随机变量X的数学期望，记为： [编辑本段]数学期望的来由 早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目，题目是这样的：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，赢家可以获得100法郎的奖励。录比赛进行到第三局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？ 用概率论的知识，不难得知，甲获胜的概率为1/2+(1/2)*(1/2)=3/4，或者分析乙获胜的概率为(1/2)*(1/2)＝1/4。因此由此引出了甲的期望所得值为100*3/4=75法郎，乙的期望所得值为25法郎。 这个故事里出现了“期望”这个词，数学期望由此而来。 [编辑本段]数学期望的定义定义1： 按照定义,离散随机变量的一切可能取值与其对应的概率P的乘积之和称为数学期望,记为E.如果随机变量只取得有限个值:x,、瓜、兀 源自: 挡土墙优化设计与风险决策研究——兼述黄... 《南水北调与水利科技》 2004年 劳道邦,李荣义 来源文章摘要：挡土墙作为一般土建工程的拦土建筑物常用在闸坝翼墙和渡槽、倒虹吸的进出口过渡段,它的优化设计问题常被忽视。实际上各类挡土墙间的技术和经济效益差别是相当大的。而一些工程的现实条件又使一些常用挡土墙呈现出诸多方面局限性。黄壁庄水库除险加固工程的混凝土生产系统的挡土墙建设在优化设计方面向前迈进了一步,在技术和经济效益方面取得明显效果,其经验可供同类工程建设参考。 定义2： 1 决定可靠性的因素常规的安全系数是根据经验而选取的,即取材料的强度极限均值(概率理论中称为数学期望)与工作应力均值(数学期望)之比 [编辑本段]计算随机变量的数学期望值 在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。） 单独数据的数学期望值算法 对于数学期望的定义是这样的。数学期望 E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) X1,X2,X3,……,Xn为这几个数据，p(X1),p(X2),p(X3),……p(Xn)为这几个数据的概率函数。在随机出现的几个数据中p(X1),p(X2),p(X3),……p(Xn)概率函数就理解为数据X1,X2,X3,……,Xn出现的频率f(Xi).则： E(X) = X1*p(X1) + X2*p(X2) + …… + Xn*p(Xn) = X1*f1(X1) + X2*f2(X2) + …… + Xn*fn(Xn) 很容易证明E(X)对于这几个数据来说就是他们的算术平均值。 我们举个例子，比如说有这么几个数： 1，1，2，5，2，6，5，8，9，4，8，1 1出现的次数为3次，占所有数据出现次数的3/12,这个3/12就是1所对应的频率。同理，可以计算出f(2) = 2/12,f(5) = 2/12 , f(6) = 1/12 , f(8) = 2/12 , f(9) = 1/12 , f(4) = 1/12 根据数学期望的定义： E(X) = 1*f(1) + 2*f(2) + 5*f(5) + 6*f(6) + 8*f(8) + 9*f(9) + 4*f(4) = 13/3 所以 E(X) = 13/3, 现在算这些数的算术平均值： Xa = (1+1+2+5+2+6+5+8+9+4+8+1)/12 = 13/3 所以E(X) = Xa = 13/3

一：抽球类问题数学期望E=n*E1注：E为数学期望，E1为抽一次球的数学期望，n为抽的次数例：有完全相同的黑球，白球，红球共15个，其中黑7个，白3个，黑5个则抽5次抽到黑球的个数的数学期望E=5*（5/15）=5/3衍生问题还有抽人，抽产品等二：遇红灯问题数学期望E=P1+P2+……..注：P为概率，E为相应所有P的和例：小红去学校的路上有4个红灯，遇第1个红灯的概率为0.5，第2个的为0.35，第3个的为0.65，第4个的为0.23（遇红灯是互相独立的，互不影响的）则小红在一次去学校的路上遇到的红灯的数学期望E=0.5+0.35+0.65+0.23=1.73衍生问题有很多三：三局两胜制问题的局数期望E=2（1+P1*P2）注：E为局数期望，P1，P2为两队或两人的获胜的概率（P1+P2=1）例：甲和乙下棋，甲赢的概率为0.45，乙赢的概率为0.55则他们三局两胜的局数期望E=2（1+0.45*0.55）=2.495衍生问题多见于比赛中

1、在概率论和统计学中，一个离散性随机变量的数学期望值，是试验中每次可能的结果乘以其结果概率的总和。换句话说，期望值像是随机试验在同样的机会下重复多次，所有那些可能状态平均的结果，便基本上等同“期望值”所期望的数。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。）2、例如，掷一枚公平的六面骰子，其每次“点数”的期望值是3.5，计算如下：不过如上所说明的，3.5虽是“点数”的期望值，但却不属于可能结果中的任一个，没有可能掷出此点数。

数学期望的性质：1、设X是随机变量，C是常数，则E（CX）=CE（X）。2、设X，Y是任意两个随机变量，则有E（X+Y）=E（X）+E（Y）。3、设X，Y是相互独立的随机变量，则有E（XY）=E（X）E（Y）。4、设C为常数，则E（C）=C。扩展资料：期望的应用1、在统计学中，想要估算变量的期望值时，用到的方法是重复测量此变量的值，然后用所得数据的平均值来作为此变量的期望值的估计。2、在概率分布中，数学期望值和方差或标准差是一种分布的重要特征。3、在古典力学中，物体重心的算法与期望值的算法近似，期望值也可以通过方差计算公式来计算方差：4、实际生活中，赌博是数学期望值的一种常见应用。参考资料来源：百度百科-数学期望

数学期望是一个"加权平均值"。数学期望的数学期望就是“加权平均值”的“加权平均值”————即方差。

把分布列表格中的数字 每一列相乘再相加即可。在概率论和统计学中，数学期望（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。经济决策：假设某一超市出售的某种商品，每周的需求量X在10至30范围内等可能取值，该商品的进货量也在10至30范围内等可能取值（每周只进一次货）超市每销售一单位商品可获利500元，若供大于求，则削价处理，每处理一单位商品亏损100元。若供不应求，可从其他超市调拨，此时超市商品可获利300元。试计算进货量多少时，超市可获得最佳利润并求出最大利润的期望值。分析：由于该商品的需求量（销售量）X是一个随机变量，它在区间[10,30]上均匀分布，而销售该商品的利润值Y也是随机变量，它是X的函数，称为随机变量的函数。题中所涉及的最佳利润只能是利润的数学期望（即平均利润的最大值）。因此，本问题的解算过程是先确定Y与X的函数关系，再求出Y的期望E(Y)。最后利用极值法求出E(Y)的极大值点及最大值。以上内容参考：百度百科-数学期望

E(x)指数学期望。数学期望是一种重要的数字特征，它反映随机变量平均取值的大小，是试验中每次可能结果的概率乘以其结果的总和。这里的“期望”一词来源于赌博，大概意思是当你下注时，期望赢得多少钱。期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。扩展资料应用：1、随机炒股随机炒股也就是闭着眼睛在股市中挑一只股票，并且假设止损和止盈线都为10%，因为是随机选股，那么胜率=败率，由于印花税、佣金和手续费的存在，胜率=败率<50%，最后的数学期望一定为负，可见随机炒股，长期的后果，必输无疑。3、价值投资由于价值低估买，所以胜率比较高，且价值投资都预留安全边际，也就是向上的空间巨大，而下跌空间有限，所以数学期望值一定为正。参考资料来源：百度百科-数学期望

设u=x+y.p（u）为随机事件发生的概率，p(u)的可能取值为P（2），P（3），P（4）则发布列为期望为2×1/6+3×2/3+4×1/6=3

若X是离散型的，则E(X^2)=∑((xi)^2)pi。若X是连续型的，则E(X^2)=(x^2)f(x)在-∞到+∞的定积分。期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。扩展资料：设随机事件A在n次重复试验中发生的次数为nA，若当试验次数n很大时，频率nA/n稳定地在某一数值p的附近摆动，且随着试验次数n的增加，其摆动的幅度越来越小，则称数p为随机事件A的概率，记为P(A)=p。如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。事件的概率是衡量该事件发生的可能性的量度。虽然在一次随机试验中某个事件的发生是带有偶然性的，但那些可在相同条件下大量重复的随机试验却往往呈现出明显的数量规律。参考资料来源：百度百科——数学期望

　　数学期望的性质如下： 　　1、设X是随机变量，C是常数，则ECX等于C乘EX。 　　2、设X和Y是任意两个随机变量，则有EX加Y等于EX加EY。 　　3、设X和Y是相互独立的随机变量，则有EXY等于EX乘EY，在统计学中，当估算一个变量的期望值时，一个经常用到的方法是重复测量此变量的值，然后用所得数据的平均值来作为此变量的期望值的估计，在概率分布中，期望值和方差或标准差是一种分布的重要特征。