如何理解连续型随机变量的期望公式呢？积分本质上和加和是一样的意思，加和是通常是离散情况下用，积分是连续的情况下的#28见大学数学课本#29。你把离散和连续的随机变量的期望公式对比下来看一下就能懂了。学习的时候一个窍门是compare
如何理解连续型随机变量的期望公式呢？
积分本质上和加和是一样的意思，加和是通常是离散情况下用，积分是连续的情况下的#28见大学数学课本#29。你把离散和连续的随机变量的期望公式对比下来看一下就能懂了。学（繁体：學）习的时候一个窍门是compare。一个知识点(繁体：點)定义与原来学的不一样，一定有不一样的原因。了解不一样的原因#28condition#29，你理解和用的时（繁体：時）候，都更得心应手了。
连续随机变量的期望与方差公式？
若X为离散型随机变量，其概率分布为P#28X=xk#29=pk #28k=1，2，…#29，则称和数sum#28PK#29为随机变[繁体：變]量X的数学期望，简称期望，记为E#28X#29若X为连续型随机变量，其概率密度为f#28x#29，则X的数学期望为积分（xf（x））dx期望体现了随机变量取《拼音：qǔ》值的真正的“平均”，有时也称其为均值.
什么是数学期望？
（小石头来尝试着回答这个问题！）人类在面对复杂事物时，一般不是（也很难）谈论事物的整体，而是抽出事物的某[练：mǒu]些特征来评头论足！对于随机变量 X 也是如此！数学期望，就是 从 X 中抽出 的 数字特征(繁：徵) 之一。
数学期望可以简单的理解为：随机变量的平均值。但要真【拼音：zhēn】的说清楚它，我们需要从[繁：從]头开始：
世界上，有很多可重复的实验，比如：
掷骰子、抛硬币(繁体：幣)、记录雪花在操场跑道上的落点、...
这些实验(yàn)的全部可能结果，实验前已知，比如：
抛硬币的结果 = {正，反}、雪花落点 = [0， L] （设，跑道长度 = L，宽度忽略）
但是，实验的de 具体结果却无法预估，这样的[练：de]实验称为 随机试验，实验《繁：驗》结果称为 样本，全体可能的实验结果，称为 样本空间，记为 Ω。
样本空间 Ω 其实（繁体：實）就是 普通[拼音：tōng]的 集合，可以【练：yǐ】是 有限的，如：硬币两面，也可以是无限的，如：雪花落点。
我们将 Ω 的【pinyin：de】子集 A 称为 事件，如果 随机试验的 结果 属于 A，我们则说 A 发生shēng 了，否则说 A 没有发生。又将，随机试验的事件的全体，记为 F。它是以 Ω 的子集和 为元素 的集族（我们习惯称 以集合为元素的集合 为集族），例如{rú}，抛硬币有：
F = {A₀ = ∅ = { }， A₁ = {正}， A₂ = {反}， A₃ = Ω = {正， 反《拼音：fǎn》}}
虽然，我们不能知道 在每次随机实验中，每一个事件 A 是否发生，但是，我们可以评估 A 发生的可能性。我们用 0 到 1 的 实数表示 这种可《读：kě》能性，0 表示 A 不会发生shēng ，1 表示 A 一定会发生，称这个数为 A 的 概率。也就是说，对于 F 中的每个事件 A 都有 实数区间 [0， 1] 中的一个数 和 A 对应，这相当于定义了(繁：瞭)一个 从 F 到 实数区间 [0， 1] 的函数 P: F → [0， 1]，我们称 P 为 概率测度，对[繁：對]于每个事件 A ， P#28A#29 就是 A 的概率。例如，抛硬币 的 概率测度 为：
人们通过长[繁体：長]期对随机试验的观察，发现概率测度 P 有如下特性：
- 因为 Ω 包含所有试验结果，所以 实验的结果 一定 属于 Ω，于是每次试验，Ω 事件 一定发生，即：P#28Ω#29 = 1；
- 因为 ∅ 不包含任何元素，所以 实验的结果 一定不属于 ∅，于是每次试验，∅ 事件 一定不发生，即：P#28∅#29 = 0；
- 如果 事件 A 分割为一列子事件 A₁， A₂， ... ，即，A = A₁ ∪ A₂ ∪ ...， A_i ∩ A_j = ∅ #28i ≠ j#29
则 A 概gài 率 等于（繁体：於） 所有 子事件 的 概率 之《练：zhī》和，即：P#28A₁ ∪ A₂ ∪ ...#29 = P#28A#29 = P#28A₁#29 P#28A₂#29 ...
这称为 可列可加性。例如（拼音：rú），抛硬币中，有：
P#28A₁∪ A₂#29 = P#28A₃#29 = 1 = 1/2 1/2 = P#28A₁#29 P#28A₂#29
- 事件 Ω 属于 F；
- 如果 事件 A 属于 F，则 A 的补事件，即，A 的补集 Aᶜ = Ω#30#30A 也属于 F；
由yóu 于 ∅ 是 Ω 的补事件，而 Ω ∈ F，所以 ∅ ∈ Ω，这匹配 P 的 特性 2。
- 如果 事件序列 A₁， A₂， ... 属于 F，则 这些事件的合并事件 A = A₁∪A₂∪ ... 也属于 F；
我们称，满足 以上条件的 集族 F 为 σ 域，F 中的元素 称为 可【读：kě】测集 （事件都是可测集），称 #28Ω， F#29 为 可测空间，另外，称 #28Ω， F， P#29 为 概{gài}率测度空间。
对于[繁：於]实数集 R，包含 R 中全体开（繁体：開）区间的，最小的 σ 域，称为 布莱尔集，记为 Bʀ。此定义可以扩展《练：zhǎn》为 R 的任意区间，因此，对于雪花落点，有:
F = Bʟ ， #28L = [0， L]#29
两个 可测空间 #28Ω， F#29 和 #28S， M#29 之间的映射 f: Ω → S，如果满足 条件：
- 对于任意 B ∈ M，都有 B 的原像集 f⁻¹#28B#29 ∈ F
从 #28Ω， F#29 到 #28R， Bʀ#29 的可测（繁体：測）映射 g: Ω → R，称为 g 为 可测函《练：hán》数《繁体：數》，如果，将 可测空间 #28Ω， F#29 升级为 概率空间 #28Ω， F， P#29 则 可测函数 g 就是 随机变量，记为，X = g。
为什么要这样定义（繁澳门新葡京：義）随机变量呢？
对于任（读：rèn）意实数 x，考虑 实数区间 #28-∞， x]，因为 #28x， ∞#29 是 R 的【de】开区间，因此 #28x， ∞#29 ∈ Bʀ，而 #28-∞， x] 是 #28x， ∞#29 的补集，所以 #28-∞， x] ∈ Bʀ，这样根据 上面条件，就有：
X⁻¹#28#28-∞， x]#29 = {ω ∈Ω | X#28ω#29 ≤ x } ∈ F
于《繁：於》是shì X⁻¹#28#28-∞， x]#29 是 一个事件，记为， X ≤ x， 它的概率【pinyin：lǜ】就是 P#28X ≤ x#29。
又因 x 的任意性，于是可以定义 函hán 数：
F#28x#29 = P#28X ≤ x#29
称 F 为 随机变量 X 的 概率分布函数。概率分布{练：bù}函（hán）数 F 是一个 单调递(dì)增函数，并且有：
如果存在 函数 f#28x#29 使（shǐ）得：
则称，f 是 X 的 概率密度（dù）函数。
例如，对于 投硬币，函数 X: Ω = {正，反} → R；正澳门新葡京 ↦ 1， 反(拼音：fǎn) ↦ 0，是一个 随机变量，其概率分布函数为阶梯函数：
其概率密度函数为《繁体：爲》两个冲激：
绘制成图如（拼音：rú）下：
对于，雪花落点，概率测度【拼音：dù】可以定义为：
这个种概gài 率测度称为 勒贝格测度， 函数[繁体：數] X: Ω = [0， 1] → R x ↦ x，是一个 随机变量，其概率分布函数为：
其概率密[mì]度函数为：
绘制[繁：製]成图如下：
关于集合 Ω 中的 任意 事件 A，我们可以定义 A 的指示函数 ：
这样以来，投[练：tóu]硬币 和 雪花落点 的 随机变量 分别可以表示为：
X#28x#29 = 1χᴀ₁#28x#29 0χᴀ₂#28x#29
和(pinyin：hé)
X#28x#29 = #281/L#29χ_Ω
我们称，这样的，可以用 指示函数 表示的 函数，为[繁体：爲] 简单函数。
设，概率空间(jiān) #28Ω， F， P#29 上的一个 随机变量 X 是 简（繁体：簡）单(繁体：單)函数，即，可表示为：
则【pinyin：zé】，对于任意事件 A ，称，
为 X 在 A 上（shàng）的 勒贝格积分。如果 X 不是简单函数，则定义 勒贝格积《繁体：積》分 如下：
当 Ω = R ， P为勒贝格测度 P#28[a， b]#29 = P#28#28a， b#29#29 = P#28#28a， b]#29 = P#28[a， b#29#29 = b - a，A = [a， b] 时，勒贝格积分【pinyin：fēn】 就是 我们熟悉的 黎曼积{繁：積}分，即，
我们称 随机变量 X 在 事件 Ω 上的 勒贝格积分 为 X 的 数学期望[练：wàng]，记为：
例如，对于 投硬币 和 雪花落点 随机变量 X 的数学【练：xué】期望分别是：
E#28X#29 = 1P#28ᴀ₁#29 0P#28ᴀ₂#29 = 1/2
和直播吧《读：hé》
E#28X#29 = 1/LP#28Ω#29 = 1/L
◆就离散型随机《繁：機》变量 X 来(繁：來)说{pinyin：shuō}， Ω 一定有限，不妨设 Ω = {ω₁， ω₂， ...， ω_n}，于是 X 可表示为：
X = x₁χ_{ω₁} x₂χ_{ω₂} ... x_nχ_{ω_n}
又设，概率《拼音：lǜ》测度为 :
P#28ωᵢ#29 = pᵢ
进而，X 的 数学期[练：qī]望为：
E#28X#29 = x₁P#28{ω₁}#29 x₂P#28{ω₂}#29 ... x_nP#28{ω_n}#29 = x₁p₁ x₂p₂ ... x_np_n = ∑ xᵢpᵢ
这就是 浙大版《概率论与数【shù】理统计》中关（繁体：關）于离散型随机变量的数学期望的定义。
◆而对于连续型随机变《繁体：變》量 X，上面的那个 勒贝格积分 的 数学期望的定义，并不好计算，因此我们想[拼音：xiǎng]办法将其转换为 黎曼积分：
首先，设 g: R → R 是 #28R， Bʀ#29 上的可测(繁：測)函数，考虑 随机变量 X: Ω → R 和 g 的复合函数 gX: Ω → R， #28gX#29#28x#29 = g#28X#28x#29#29，显然 gX 依然（pinyin：rán）是一个[繁：個] 随机变量，所以 其 数学期望 E#28gX#29 存在。
另一方面，观察 X 的概率分[pinyin：fēn]布函数 F#28x#29 = P#28X ≤ x#29: R → [0， 1] ，令：
F#28[a， b]#29 = F#28#28a， b#29#29 = F#28#28a， b]#29 = F#28[a， b#29#29#29 = F#28b#29 - F#28a#29；
F#28I₁ ∪ I₂ U ... #29 = F#28I₁#29 F#28I₂#29 ... （区{pinyin：qū}间序(pinyin：xù)列 Iᵢ 两（繁体：兩）两不相交）；
则有【读：yǒu】：
- F#28R#29 = F#28#28 ∞， ∞#29#29 = P#28X ≤ ∞#29 - P#28X ≤ -∞#29 = P#28Ω#29 - P#28∅#29 = 1；
- F#28∅#29 = F#28[0， 0]#29 = P#28X ≤ 0#29 - P#28X ≤ 0#29 = 0；
数学家证明了，上面的两个 澳门巴黎人数学期{qī}望相等，即，
并且，当 f#28x#29 是【练：shì】 F 的概率密度函数时，有：
再令，g#28x#29 = x，则 gX = X，于是我们最终得到，黎{练：lí}曼积分下的数学期望公(gōng)式：
这就是，浙大版《概率娱乐城论与数理统计》中关《繁体：關》于连续型随机变量的 数学期望的定义。
好了，到此我们就算将数学期望的概念彻底搞清楚了：
数学期望就是 随机变量 X 在 整个样本空间 Ω 上 关于 概率测[繁体：測]度 P 的 勒（pinyin：lēi）贝格积分，表征，随机变量 X 的平【读：píng】均值！
#28最后（繁体：後），小石（pinyin：shí）头数学水平有限，出错在所难免，关于各位《拼音：wèi》老师同学批评指正！#29
题外话：最近小石头正在回答一系列关于《范畴论》的问题！由于 ，现实世界中， 计(繁：計)算数学 中 使用 Haskell（OCaml）和 基础数学 中 学习 代数拓扑（代数几何）的人并不多， 这导致知道范《繁体：範》畴论的条友更是稀少。再加上悟空对于过期问题又不好好推荐，所以 一系列回答的阅读量极低！ 这里打打广告！
本文链接：http://21taiyang.com/Business-Operations/3408309.html
连续型随机（繁：機）变量期望的数学定义 如何理解连续型随机变量的期望公式呢？转载请注明出处来源