定义 随机变量所有可能取值与其对应概率乘积之和，反映随机变量取值的平均水平。
从哪来 基于5.1 独立事件的定义理解概率乘积逻辑，并依赖3.2 组合数计算离散型随机变量各取值的概率分布。
为什么 数学期望本质是“加权平均”。
1. 权重的来源：概率 $P(X=x_i)$ 代表了取值 $x_i$ 出现的“频率”或“重要性”。
2. 加权的逻辑：如果某个值出现的概率大，它对整体平均水平的贡献就大；概率小，贡献就小。
3. 极限思想：当试验次数 $n$ 趋向无穷大时，样本均值会收敛于数学期望。因此，期望是长期重复试验下结果的平均趋势，而非单次试验的必然结果。
生活类比法：加权平均分**
**适合学生
抽象思维较弱，习惯从具体生活经验出发的学生。
讲解：
想象你的一门课总分由平时作业（占40%）和期末考（占60%）组成。
如果平时作业考了90分，期末考了80分，你的总分不是 $(90+80)/2=85$，而是 $90 \times 0.4 + 80 \times 0.6 = 84$。
这里的 0.4 和 0.6 就是“概率”（权重）。数学期望就是给随机变量的每个可能取值赋予一个“权重”（概率），然后求加权平均。它回答的问题是：“如果我做很多次这件事，平均每次能得多少分？”
频率极限法：大数定律直观**
**适合学生
喜欢实验、对统计概念有直觉的学生。
讲解：
抛一枚不均匀硬币，正面概率 0.7，反面 0.3。规定正面得 1 元，反面得 0 元。
如果你抛 10 次，可能得 7 元，也可能得 6 元，结果波动很大。
但如果你抛 1000 次，正面大约出现 700 次，总收益约为 700 元，平均每次 $700/1000 = 0.7$ 元。
如果你抛 10000 次，平均每次会更接近 0.7 元。
数学期望 $E(X) = 1 \times 0.7 + 0 \times 0.3 = 0.7$。
它不是某一次的结果，而是“长期平均”的理论值。
线性性质推导法：代数结构**
**适合学生
逻辑严密、偏好代数推导和公式结构的学生。
讲解：
设离散型随机变量 $X$ 的分布列为 $P(X=x_i)=p_i$。
定义 $E(X) = \sum_{i} x_i p_i$。
重点强调其
线性性质：$E(aX+b) = aE(X)+b$。
这个性质是期望最强大的工具。它意味着我们可以把复杂的随机变量拆解成简单变量的线性组合来求期望，而不需要重新列出分布列。
例如，若 $X$ 是 $n$ 次伯努利试验的成功次数，$X = X_1 + X_2 + ... + X_n$，其中 $X_i$ 是第 $i$ 次是否成功（1或0）。
则 $E(X) = E(X_1) + ... + E(X_n) = n \times E(X_1) = n \times 1 \times p = np$。
这种方法避开了复杂的组合数计算，直接利用结构求值。