怎么用python算数学期望

在Python中计算数学期望通常有以下几种方法：

1. 对于等概率的随机变量，可以直接使用`mean`函数。

2. 对于不等概率的随机变量，可以使用`numpy`库中的`dot`函数进行矩阵点乘计算。

3. 对于离散型随机变量，可以使用`scipy.stats`库中的`rv_discrete`子类自定义分布，并调用其`expect`方法计算数学期望。

4. 对于连续型随机变量，可以使用`scipy.stats`库中的`rv_continuous`子类自定义分布，并调用其`expect`方法计算数学期望。

下面是一些示例代码：

等概率随机变量

 import numpy as np 假设随机变量X是等概率的[0,1]区间上的均匀分布 X = np.random.rand（1000） 计算数学期望 mean_X = np.mean（X） print（f"数学期望：{mean_X}"） 

不等概率随机变量

 import numpy as np 假设随机变量X的概率分布如下 probabilities = [0.1, 0.2, 0.3, 0.4] values = [1, 2, 3, 4]  创建概率分布矩阵 P = np.array（probabilities）.reshape（-1, 1） V = np.array（values）.reshape（1, -1） 计算数学期望 mean_X = np.dot（P, V）.flatten（） print（f"数学期望：{mean_X}"） 

离散型随机变量

 from scipy.stats import rv_discrete 定义离散型随机变量的取值和概率 values = [1, 2, 3, 4] probs = [0.25, 0.25, 0.25, 0.25] 创建离散分布对象 my_dist = rv_discrete（values=values, probs=probs） 计算数学期望 mean_X = my_dist.expect（） print（f"数学期望：{mean_X}"） 

连续型随机变量

 from scipy.stats import rv_continuous 定义连续型随机变量的概率密度函数（PDF） def pdf（x）: return np.exp（-x2 / 2） 创建连续分布对象 my_dist = rv_continuous（a=0, b=np.inf, pdf=pdf） 计算数学期望 mean_X = my_dist.expect（） print（f"数学期望：{mean_X}"） 

以上代码展示了如何在Python中计算等概率、不等概率、离散型和连续型随机变量的数学期望。请根据具体情况选择合适的方法