【數(shù)學期望常用公式】學概率統(tǒng)計的時候，大家最容易犯的一個毛病就是死記硬背符號，卻忘了這些符號背后代表什么。數(shù)學期望（Expectation），說白了就是隨機變量在大量重復試驗下的“長期平均值”。它不是某個具體的取值，而是整個分布的“重心”。
在復習或者備考的過程中，與其把厚厚一本教材啃完，不如先把這幾個核心公式摸透。畢竟不管是考研、還是做數(shù)據(jù)分析，絕大多數(shù)計算題其實都是圍繞著線性性質和特殊分布展開的。下面我整理了一份比較實用的總結，包含了定義、性質以及常見模型的公式，重點部分我都標注了易錯點，盡量讓內(nèi)容看起來不那么像教科書，更像是一份實戰(zhàn)筆記。
核心邏輯梳理
數(shù)學期望的計算主要分兩條路：一條是通用的，不管什么分布都能用，那就是基于定義；另一條是捷徑，針對特定分布直接套公式。
通用方法就是累加（離散）或積分（連續(xù)），這相當于自己重新推導一遍均值。但考試或應用中，更多時候我們會利用運算法則。最核心的法則就是線性性質，即 $E(aX+bY)=aE(X)+bE(Y)$。這個公式強大就強在它不需要 X 和 Y 獨立，只要它們各自的期望存在就行。這點很多人容易搞混，總覺得要有獨立性才能拆項。
對于具體模型，比如二項分布、泊松分布，它們的期望往往只跟一兩個參數(shù)有關。記住這些可以直接省掉算式步驟。另外，處理復合函數(shù) $g(X)$ 時，不要先求分布再求期望，直接用期望的性質代入更高效。
數(shù)學期望常用公式速查表
為了直觀對比，我把最常見的幾類情況列在了一起，特別增加了“避坑指南”一欄，這些都是平時刷題容易丟分的地方。
| 場景 / 分布類型 | 隨機變量特征 | 期望計算公式 | 關鍵備注 & 避坑指南 |
| : | : | : | : |
| 一般離散型 | $P(X=x_i)=p_i$ | $E(X)=\sum x_i p_i$ | 無窮級數(shù)求和時注意收斂性，別算到一半停了。 |
| 一般連續(xù)型 | 概率密度 $f(x)$ | $E(X)=\int_{-\infty}^{+\infty} x f(x) dx$ | 積分區(qū)間要看支撐集，別把定義域外的也算進去。 |
| 線性組合 | $Y=aX+b$ | $E(Y)=aE(X)+b$ | 萬能公式，無論 X 與誰獨立都成立，千萬別漏加 b。 |
| 相互獨立乘積 | $X, Y$ 獨立 | $E(XY)=E(X)E(Y)$ | 必須有獨立性！如果不獨立，這個等式不成立。 |
| 二項分布 | $B(n, p)$ | $E(X)=np$ | n 次試驗，單次成功概率 p，記住這是 n 個成功次數(shù)之和。 |
| 泊松分布 | $P(\lambda)$ | $E(X)=\lambda$ | 參數(shù) λ 本身就是期望值，也是方差，常考關聯(lián)點。 |
| 均勻分布 | $U(a, b)$ | $E(X)=\frac{a+b}{2}$ | 幾何直觀上就是區(qū)間的中點。 |
| 正態(tài)分布 | $N(\mu, \sigma^2)$ | $E(X)=\mu$ | μ 決定了中心位置，σ 決定胖瘦，與期望無關。 |
| 指數(shù)分布 | $Exp(\lambda)$ | $E(X)=\frac{1}{\lambda}$ | 參數(shù)是倒數(shù)關系，有時候題目給的是率，要注意單位。 |
| 全期望公式 | 條件劃分 $B_k$ | $E(X)=\sum E(X\mid B_k)P(B_k)$ | 適合復雜事件，通過分類討論降低難度。 |
幾個必須警惕的細節(jié)
除了表格里的內(nèi)容，實際做題時還有兩個概念特別容易混淆，值得單獨提一下。
第一，平方的期望不等于期望的平方。即 $E(X^2) \neq [E(X)]^2$。這是計算方差時的基礎陷阱，因為 $D(X)=E(X^2)-[E(X)]^2$，如果弄反了，后面所有結果都廢了。
第二，函數(shù)形式的期望。如果你需要求 $E(g(X))$，且不知道 $g(X)$ 的具體分布，直接用定義式 $E(g(X))=\sum g(x)p$ 或 $\int g(x)f(x)dx$。千萬不要試圖先求出 $g(X)$ 的概率分布再算，通常那一步比直接算期望還要難十倍。
希望這份總結能幫你理清思路。數(shù)學期望本質上是在尋找一種“確定性”，盡管隨機性是不可控的，但它的平均水平卻是可以把握的。多理解背后的物理意義，公式自然就記住了。