期望值

如果${\displaystyle X}$ 是在概率空间${\displaystyle (\Omega ,F,P)}$ 中的随机变量，那么它的期望值${\displaystyle \operatorname {E} (X)}$ 的定义是：

${\displaystyle \operatorname {E} (X)=\int _{\Omega }X\,\mathrm {d} P}$ 

并不是每一个随机变量都有期望值的，因为有的时候上述积分不存在。

如果两个随机变量的分布相同，则它们的期望值也相同。

如果${\displaystyle X}$ 是离散的随机变量，输出值为${\displaystyle x_{1},x_{2},\ldots }$ ，和输出值相应的概率为${\displaystyle p_{1},p_{2},\ldots }$ （概率和为1）。

若级数${\displaystyle \sum _{i}p_{i}x_{i}}$ 绝对收敛，那么期望值${\displaystyle \operatorname {E} (X)}$ 是一个无限数列的和。

${\displaystyle \operatorname {E} (X)=\sum _{i}p_{i}x_{i}}$ 

如果${\displaystyle X}$ 是连续的随机变量，存在一个相应的概率密度函数${\displaystyle f(x)}$ ，若积分${\displaystyle \int _{-\infty }^{\infty }xf(x)\,\mathrm {d} x}$ 绝对收敛，那么${\displaystyle X}$ 的期望值可以计算为：

${\displaystyle \operatorname {E} (X)=\int _{-\infty }^{\infty }xf(x)\,\mathrm {d} x}$ 。

是针对于连续的随机变量的，与离散随机变量的期望值的算法同出一辙，由于输出值是连续的，所以把求和改成了积分。

• 期望值${\displaystyle E}$ 是线性函数。

  ${\displaystyle \operatorname {E} (aX+bY)=a\operatorname {E} (X)+b\operatorname {E} (Y)}$ 

  ${\displaystyle X}$ 和${\displaystyle Y}$ 为在同一概率空间的两个随机变量（可以独立或者非独立），${\displaystyle a}$ 和${\displaystyle b}$ 为任意实数。

• 一般的说，一个随机变量的函数的期望值并不等于这个随机变量的期望值的函数。

  ${\displaystyle \operatorname {E} (g(X))=\int _{\Omega }g(x)f(x)\,\mathrm {d} x\neq g(\operatorname {E} (X))}$ 

• 在一般情况下，两个随机变量的积的期望值不等于这两个随机变量的期望值的积。

  当${\displaystyle \operatorname {E} (XY)=\operatorname {E} (X)\operatorname {E} (Y)}$ 成立时，随机变量${\displaystyle X}$ 和${\displaystyle Y}$ 的协方差为0，又称它们不相关。特别的，当两个随机变量独立时，它们协方差（若存在）为0。

在统计学中，估算变量的期望值时，经常用到的方法是重复测量此变量的值，再用所得数据的平均值来估计此变量的期望值。

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。

在古典力学中，物体重心的算法与期望值的算法十分近似。

在赌博中，期望值又称预期值、长期效果值、合理价值、期待值，都能完全贴和，而其计算的方式为：

${\displaystyle \mathrm {EV} }$ （期望值）${\displaystyle =}$ 胜的概率${\displaystyle \times }$ 获胜的筹码${\displaystyle -}$ 输的概率${\displaystyle \times }$ 输掉的筹码

期望值也可以通过方差计算公式来计算方差：

${\displaystyle \operatorname {Var} (X)=\operatorname {E} (X^{2})-\operatorname {E} (X)^{2}}$ 

（平方期望值减的期望值平方）