数学期望怎么算？分布列的 E(X) 公式是什么？

离散型随机变量的数学期望就是「取值按概率加权求和」：E(X) = x₁p₁ + x₂p₂ + … + xₙpₙ = Σxᵢpᵢ。以掷一颗均匀骰子为例，取值 1~6 各占 1/6，E(X) = (1+2+3+4+5+6)×(1/6) = 21/6 = 3.5。要注意两点：① 权重必须是概率，Σpᵢ 必须等于 1，公式里没有再除以 n 或除以 Σp 的步骤；② 只有分布列列全了（每个可能取值都有一行）算出来的 E(X) 才是这个随机变量真正的期望，漏项可能使概率和校验不通过，但通过校验不代表取值与概率对应无误，仍需核对原题。

数学期望计算器的方差 D(X) 用 Σp(x−μ)² 还是 E(X²)−[E(X)]²？

两个是同一个量的两种写法，数学上恒等：D(X) = Σpᵢ(xᵢ−E(X))² = E(X²) − [E(X)]²。手算时后者往往更快（骰子：E(X²) = 91/6，E(X) = 3.5，D(X) = 91/6 − 12.25 = 35/12 ≈ 2.916667）。但在计算机里，当取值很大而波动很小的时候，E(X²) 与 [E(X)]² 是两个几乎相等的大数，相减会发生「灾难性抵消」——比如取值 1000000 与 1000001 各占一半，E(X²) ≈ 1.000001×10¹²，[E(X)]² 也是同一量级，两者相减只剩下 0.25，有效位几乎被吃光。所以本页的 D(X) 一律走偏差平方形式 Σpᵢ(xᵢ−E(X))²，E(X²) 只作交叉校验用。你自己用两种写法各算一遍，若在小数末几位对不上，通常就是这个原因，而不是哪一边算错了。

计算数学期望时概率之和不等于 1 怎么办？可以直接填频数吗？

不能。分布列的定义要求 Σp = 1，本工具在算 E(X) 之前先校验这一条，偏差超过 1e-9 就直接报错并把实际的 Σp 显示给你看，既不会代为归一化，也不会自动把差额补到最后一行——那会把「概率填错」和「填的其实是频数」两种完全不同的问题，静默地算成同一个看起来正确的数。常见原因有三个：① 用 0.333 代替 1/3，三项相加只有 0.999，改填分数 1/3 即可；② 漏掉了某个取值那一行；③ 手上根本不是概率而是频数或权重（比如 3 人、5 人、2 人），这种情况请改用加权平均计算器，它会显式地按 Σx·w / Σw 归一化。另外，Σp 与 1 相差在 1e-9 以内时会按 p̂ᵢ = pᵢ / Σp 校正到恰好 1，那一步只是消除 1/3、1/6 这类分数在有限精度下的表示残差，救不活任何真正写错的分布列。

数学期望计算器的分布列方差和样本方差有什么区别？为什么没有 n−1？

两者的输入就不是一回事。本工具的输入是一张已知的分布列（取值 + 概率），算的是这个随机变量的理论方差 D(X) = Σpᵢ(xᵢ−E(X))²，权重是概率，加起来正好是 1，公式里根本没有「除以个数」这一步，自然也就没有 n 与 n−1 的选择。而统计里的样本方差处理的是一组实测数据（如 2, 4, 4, 4, 5, 5, 7, 9），每个数等权，要先算出样本均值再除以 n（总体口径）或 n−1（样本口径，贝塞尔校正），n−1 存在的理由是「用样本均值代替未知的总体均值会低估波动，需要校正」。手上是一列原始数据而不是分布列，请用方差计算器；手上是分布列，就用本页，别去找 n−1。

算出来的数学期望不是分布列里的任何一个取值，是不是算错了？

没有算错，这是正常的。数学期望是长期重复大量试验后取值的平均水平，它是一个加权平均数，不必等于任何一个具体取值。掷一颗均匀骰子的 E(X) = 3.5，而骰子永远掷不出 3.5；抛硬币记正面为 1、反面为 0，E(X) = 0.5 同样不是可能出现的结果。要判断「单次结果大概会离期望多远」，看的不是 E(X) 本身而是标准差 σ(X)——它与取值同单位，骰子的 σ(X) ≈ 1.707825，意味着单次点数与 3.5 的偏离大致在 1.7 这个量级。期望应位于取值范围内，但概率和校验不能发现取值与概率填反等对应错误，仍需逐行检查输入。

数学期望计算器能计算二项分布、泊松分布的期望和方差吗？

本工具接收有限行的「取值 + 概率」，适合已列全的有限分布列。二项分布可在行数限制内列出全部取值；泊松分布有无限多个可能取值，截取部分不能当作完整分布列，即使概率和通过容差校验也不代表尾部影响可忽略。常见的具名分布有现成的闭式：二项分布 B(n, p) 的 E(X) = np、D(X) = np(1−p)；泊松分布 P(λ) 的 E(X) = D(X) = λ；两点分布（只有 a、b 两个取值，概率 p 与 1−p）的 D(X) = p(1−p)(b−a)²，本页在只填两个取值时会自动用这条闭式复核一遍。要按参数直接求概率与累积概率，用二项分布计算器或泊松分布计算器更合适；本页的定位是「手上已经有一张具体的分布列」。

数学期望计算器

数学期望是取值按概率加权得到的平均数；输入离散型随机变量的分布列，本计算器可求期望、方差与标准差，并列出逐项明细供手算核对。

取值 x（分布列第一行）

用逗号、空格或换行分隔，可填负数与小数，也接受 1/6、25% 两种简写。重复取值不会被合并。共识别 6 个取值。

概率 p（分布列第二行，与取值一一对应）

个数必须与取值相同、顺序一一对应，每个 0 ≤ p ≤ 1 且 Σp = 1。1/3 这类除不尽的概率请直接填分数，别填 0.333。共识别 6 个概率。

数学期望 E(X) = Σxᵢpᵢ

3.5

这张分布列共 6 个取值，概率之和 Σp = 1。把每个取值按它的概率加权求和，得数学期望 E(X) = 3.5；再按 D(X) = Σpᵢ(xᵢ−E(X))² 得方差 2.916667，开平方得标准差 σ(X) = 1.707825。E(X) 是长期重复试验下取值的平均水平，它本身不一定是分布列里的某个取值（掷骰子的 E(X) = 3.5 就掷不出来）。

方差 D(X) = Σpᵢ(xᵢ−E(X))²（概率加权，无 n−1）2.916667

标准差 σ(X) = √D(X)1.707825

平方的期望 E(X²) = Σxᵢ²pᵢ15.166667

概率之和 Σp（应为 1）1

取值个数 n6

10.1666670.166667-2.51.041667

20.1666670.333333-1.50.375

30.1666670.5-0.50.041667

40.1666670.6666670.50.041667

50.1666670.8333331.50.375

60.16666712.51.041667

明细为展示值，逐行相加可能与合计差最后一位——每一格都各自独立舍入到 6 位小数，内部计算全程高精度、中途不舍入，所以差异出在展示层而不是计算。表中的 pᵢ 是校正后的 p̂ᵢ；D(X) 的单位是 x 单位的平方，E(X) 与 σ(X) 与 x 同单位。

读结果前先看这六条口径：① 这里的 D(X) = Σpᵢ(xᵢ−E(X))² 是概率加权的口径，没有 n−1——它算的是一个已知分布列的方差，不是从一组样本数据里估计总体的样本方差；手上是一列原始数据而不是分布列，请改用方差计算器； ② D(X) 的单位是 x 单位的平方，E(X) 与 σ(X) 与 x 同单位——x 是「元」时， E(X)、σ(X) 的单位是元，D(X) 的单位是「元²」，所以比较离散程度时用 σ(X) 更好解释； ③ Σp 必须等于 1：偏差超过 1e-9 一律报错，本工具不归一化、也不替你补上差额；偏差在 1e-9 以内则按 p̂ᵢ = pᵢ / Σp 比例校正到恰好 1，这一步只用来消除 1/3、1/6 这类分数在有限精度下的表示残差。结果区展示的 Σp 始终是你填的原始和；手上是频数或权重而不是概率，请用加权平均计算器； ④ 逐项明细里的每个数都是各自独立舍入到 6 位小数的展示值，逐行相加可能与合计差最后一位，这是展示层舍入的必然结果，不是算错； ⑤ 概率由你给定，本工具只校验 Σp = 1 与 0 ≤ p ≤ 1，不判断这些概率在现实中是否合理； ⑥ 大数量级下 E(X²) − [E(X)]² 会发生灾难性抵消（取值 1000000 与 1000001 时它的有效位几乎被吃光），所以本页 D(X) 一律走偏差平方形式， E(X²) 只作交叉校验用。

怎么用

把分布列的第一行填进「取值 x」：分布列上下两行，上面一行是随机变量的所有取值。按顺序填进「取值 x」框，用逗号、空格或换行分隔，例如掷骰子填 1, 2, 3, 4, 5, 6。可以填负数与小数；同一个取值出现两次不会被合并，两行会各自计入。
把第二行的概率填进「概率 p」：下面一行是每个取值对应的概率，个数必须与取值相同、顺序一一对应。除不尽的概率请直接填分数写法，例如 1/6、1/3；也接受百分号写法如 25%。填 0.333 代替 1/3 会让概率之和变成 0.999 而被拒绝。
确认 Σp = 1 再读结果：结果区的「概率之和 Σp」显示的是你填的原始和，必须等于 1。偏差超过 1e-9 会直接报错并把出错的那一栏标红——本工具不会替你归一化，也不会自动补上最后一个概率。
读 E(X)、D(X)、σ(X) 与逐项明细：顶部大字是数学期望 E(X)＝Σxᵢpᵢ；下方依次给出方差 D(X)＝Σpᵢ(xᵢ−E(X))²（概率加权，无 n−1）、标准差 σ(X)＝√D(X)、用于交叉校验的 E(X²) 与取值个数 n。再往下的五列明细逐行列出 xᵢ、pᵢ、xᵢpᵢ、xᵢ−E(X) 与 pᵢ(xᵢ−E(X))²，照着核对手算即可。

数学期望怎么算：核心要点

数学期望就是把每个取值按它的概率加权求和，描述重复试验的平均水平。掷一颗均匀骰子，取值 1–6 各占 1/6，数学期望 E(X) = 3.5，方差 D(X) = 35/12 ≈ 2.916667，标准差 σ ≈ 1.707825。期望不代表单次会出现的点数。

E(X) = Σxᵢpᵢ；D(X) = Σpᵢ(xᵢ−E(X))²；σ(X) = √D(X)。
Σp 必须等于 1，超出容差会报错，容差内仅作表示残差校正，不补遗漏项。1/3 这类概率请填分数写法。
这里的 D(X) 是概率加权口径，没有 n−1；一列原始数据求方差请用方差计算器。
D(X) 的单位是 x 单位的平方，E(X) 与 σ(X) 与 x 同单位，比较离散程度用 σ(X) 更好解释。
微小非零方差不等于没有波动：结果解读可能受舍入影响，请结合数值与原始取值核对，不能仅凭“无波动”提示判断。

原理与公式

离散型随机变量 X 的取值只有有限（或可列）个，把所有取值 xᵢ 与它们的概率 pᵢ 上下两行列出来，就是一张分布列。分布列必须满足两个条件：0 ≤ pᵢ ≤ 1 且 Σpᵢ = 1。本页所有结果都建立在这张分布列上。

三个公式

数学期望（均值）：E(X) = Σxᵢpᵢ——每个取值按概率加权求和，衡量长期重复试验下的平均水平。
方差：D(X) = Σpᵢ(xᵢ − E(X))²——偏离期望的平方按概率加权，衡量取值围绕 E(X) 的波动大小。这是概率加权口径，没有 n−1。
标准差：σ(X) = √D(X)——与 x 同单位，比 D(X) 好解释。
交叉校验：E(X²) = Σxᵢ²pᵢ，理论上 D(X) = E(X²) − [E(X)]²。

算例 G1：均匀骰子（分数写法）

取值 1, 2, 3, 4, 5, 6，概率均为 1/6：
E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3.5
E(X²) = (1+4+9+16+25+36)/6 = 91/6 ≈ 15.166667
D(X) = Σ(1/6)(xᵢ−3.5)² = 35/12 ≈ 2.916667
σ(X) = √(35/12) ≈ 1.707825
交叉校验：E(X²) − [E(X)]² = 91/6 − 12.25 = 35/12，一致。

算例 G2：两点分布（百分号写法 + 负取值）

取值 -2, 6，概率 25%, 75%：
E(X) = (−2)(0.25) + 6(0.75) = −0.5 + 4.5 = 4
D(X) = 0.25(−2−4)² + 0.75(6−4)² = 0.25×36 + 0.75×4 = 12
σ(X) = √12 ≈ 3.464102
两点分布的闭式 D(X) = p(1−p)(b−a)² = 0.25×0.75×8² = 12，独立复核一致。只填两个取值时，本页会自动把这条闭式复核显示出来。

算例 G3：为什么 D(X) 不用 E(X²)−[E(X)]²

取值 1000000, 1000001，概率各 0.5：
E(X) = 1000000.5，D(X) = 0.5×0.25 + 0.5×0.25 = 0.25，σ(X) = 0.5，而 E(X²) = 1000001000000.5。
用 E(X²) − [E(X)]² 来算，就是两个 10¹² 量级的数相减求出 0.25，浮点运算下有效位几乎被吃光（这叫灾难性抵消）。所以本页始终走偏差平方形式，并且全程用高精度十进制运算，中途不做任何舍入。

Σp 校验与 1e-9 内的表示残差校正

本工具先校验 |Σp − 1| ≤ 1e-9，不通过直接报错并展示实际的 Σp，不会归一化、不会自动补上最后一个概率。通过校验后，会统一按 p̂ᵢ = pᵢ / Σp 把概率校正到和恰好为 1，再参与所有计算。这一步只用来消除 1/3、1/6 这类分数在有限精度下必然留下的残差（1/6 六项相加会得到 1 加上 10⁻⁴⁰ 量级的尾巴）；没有它，一个落在容差内的输入会让 E(X) 越出取值范围、让单点分布出现虚假的微小方差。结果区展示的 Σp 始终是你填的原始和，好让你看清自己填了什么。

精度与取值范围

计算全程使用 40 位有效数字的十进制运算，只在输出时一次性四舍五入到 6 位小数并去掉多余的零；不会用已经舍入的 E(X) 去反算 D(X)。逐项明细的每一格各自独立舍入，因此逐行相加可能与合计差最后一位，这是展示层的必然结果。取值绝对值上限 10¹⁵，最多 1000 行，明细表最多渲染前 200 行（统计量仍按全部行计算）。所有计算都在你的浏览器本地完成，不联网、不上传数据。

常见问题

数学期望怎么算？分布列的 E(X) 公式是什么？: 离散型随机变量的数学期望就是「取值按概率加权求和」：E(X) = x₁p₁ + x₂p₂ + … + xₙpₙ = Σxᵢpᵢ。以掷一颗均匀骰子为例，取值 1~6 各占 1/6，E(X) = (1+2+3+4+5+6)×(1/6) = 21/6 = 3.5。要注意两点：① 权重必须是概率，Σpᵢ 必须等于 1，公式里没有再除以 n 或除以 Σp 的步骤；② 只有分布列列全了（每个可能取值都有一行）算出来的 E(X) 才是这个随机变量真正的期望，漏项可能使概率和校验不通过，但通过校验不代表取值与概率对应无误，仍需核对原题。
数学期望计算器的方差 D(X) 用 Σp(x−μ)² 还是 E(X²)−[E(X)]²？: 两个是同一个量的两种写法，数学上恒等：D(X) = Σpᵢ(xᵢ−E(X))² = E(X²) − [E(X)]²。手算时后者往往更快（骰子：E(X²) = 91/6，E(X) = 3.5，D(X) = 91/6 − 12.25 = 35/12 ≈ 2.916667）。但在计算机里，当取值很大而波动很小的时候，E(X²) 与 [E(X)]² 是两个几乎相等的大数，相减会发生「灾难性抵消」——比如取值 1000000 与 1000001 各占一半，E(X²) ≈ 1.000001×10¹²，[E(X)]² 也是同一量级，两者相减只剩下 0.25，有效位几乎被吃光。所以本页的 D(X) 一律走偏差平方形式 Σpᵢ(xᵢ−E(X))²，E(X²) 只作交叉校验用。你自己用两种写法各算一遍，若在小数末几位对不上，通常就是这个原因，而不是哪一边算错了。
计算数学期望时概率之和不等于 1 怎么办？可以直接填频数吗？: 不能。分布列的定义要求 Σp = 1，本工具在算 E(X) 之前先校验这一条，偏差超过 1e-9 就直接报错并把实际的 Σp 显示给你看，既不会代为归一化，也不会自动把差额补到最后一行——那会把「概率填错」和「填的其实是频数」两种完全不同的问题，静默地算成同一个看起来正确的数。常见原因有三个：① 用 0.333 代替 1/3，三项相加只有 0.999，改填分数 1/3 即可；② 漏掉了某个取值那一行；③ 手上根本不是概率而是频数或权重（比如 3 人、5 人、2 人），这种情况请改用加权平均计算器，它会显式地按 Σx·w / Σw 归一化。另外，Σp 与 1 相差在 1e-9 以内时会按 p̂ᵢ = pᵢ / Σp 校正到恰好 1，那一步只是消除 1/3、1/6 这类分数在有限精度下的表示残差，救不活任何真正写错的分布列。
数学期望计算器的分布列方差和样本方差有什么区别？为什么没有 n−1？: 两者的输入就不是一回事。本工具的输入是一张已知的分布列（取值 + 概率），算的是这个随机变量的理论方差 D(X) = Σpᵢ(xᵢ−E(X))²，权重是概率，加起来正好是 1，公式里根本没有「除以个数」这一步，自然也就没有 n 与 n−1 的选择。而统计里的样本方差处理的是一组实测数据（如 2, 4, 4, 4, 5, 5, 7, 9），每个数等权，要先算出样本均值再除以 n（总体口径）或 n−1（样本口径，贝塞尔校正），n−1 存在的理由是「用样本均值代替未知的总体均值会低估波动，需要校正」。手上是一列原始数据而不是分布列，请用方差计算器；手上是分布列，就用本页，别去找 n−1。
算出来的数学期望不是分布列里的任何一个取值，是不是算错了？: 没有算错，这是正常的。数学期望是长期重复大量试验后取值的平均水平，它是一个加权平均数，不必等于任何一个具体取值。掷一颗均匀骰子的 E(X) = 3.5，而骰子永远掷不出 3.5；抛硬币记正面为 1、反面为 0，E(X) = 0.5 同样不是可能出现的结果。要判断「单次结果大概会离期望多远」，看的不是 E(X) 本身而是标准差 σ(X)——它与取值同单位，骰子的 σ(X) ≈ 1.707825，意味着单次点数与 3.5 的偏离大致在 1.7 这个量级。期望应位于取值范围内，但概率和校验不能发现取值与概率填反等对应错误，仍需逐行检查输入。
数学期望计算器能计算二项分布、泊松分布的期望和方差吗？: 本工具接收有限行的「取值 + 概率」，适合已列全的有限分布列。二项分布可在行数限制内列出全部取值；泊松分布有无限多个可能取值，截取部分不能当作完整分布列，即使概率和通过容差校验也不代表尾部影响可忽略。常见的具名分布有现成的闭式：二项分布 B(n, p) 的 E(X) = np、D(X) = np(1−p)；泊松分布 P(λ) 的 E(X) = D(X) = λ；两点分布（只有 a、b 两个取值，概率 p 与 1−p）的 D(X) = p(1−p)(b−a)²，本页在只填两个取值时会自动用这条闭式复核一遍。要按参数直接求概率与累积概率，用二项分布计算器或泊松分布计算器更合适；本页的定位是「手上已经有一张具体的分布列」。

怎么用