宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

一、期望的概念

期望是概率论中的一个重要概念，用于描述随机变量的中心位置，即其均值。通过对样本数据的处理，可以得到随机变量的期望值，以便进一步分析数据分布、数据统计特征等。

二、Matlab 常用函数求期望

在 Matlab 中，可以使用 mean() 和 sum() 函数对一组数据进行平均值或总和的计算，以得到期望值。

data = [1,2,3,4,5];
expectation = mean(data); %求期望
sprintf('数据组的期望值为：%.2f', expectation);

上述代码中，mean() 函数用于求数据组 data 的平均值，从而得到其期望值。

data = [1,2,3,4,5];
expectation = sum(data) / length(data); %求期望
sprintf('数据组的期望值为：%.2f', expectation);

上述代码中，sum() 函数用于求数据组 data 的总和，除以数据组长度 length(data)得到期望值。

三、利用公式推导求期望

在 Matlab 中，也可以通过利用期望的定义公式推导求解随机变量的期望值。例如，对于离散型随机变量，其期望公式为：

其中，Xi 为随机变量的取值，P(Xi) 为这个取值出现的概率。可以根据这个公式，自己写出求解期望的程序。

x = [1,2,3,4,5];
p = [0.1,0.2,0.3,0.2,0.2];
expectation = sum(x.*p);
sprintf('离散型随机变量的期望值为：%.2f', expectation);

上述代码中，数组 x 存储随机变量的取值（这里假设 Xi=i+1），数组 p 存储对应 xi 出现的概率（如 P(X2) = 0.2）。

四、矩阵求期望

在 Matlab 中，也可以对矩阵的每一列或每一行进行期望值计算，以研究矩阵中随机变量的分布特征。

M = [1 2 3; 4 5 6; 7 8 9];
expectation_col = mean(M); %对每一列求期望
expectation_row = mean(M,2); %对每一行求期望

上述代码中，mean() 函数对于矩阵 M，参数 1 表示对每列求期望，参数 2 表示对每行求期望。

五、利用 Monte Carlo 方法求期望

Monte Carlo 方法是一种统计模拟方法，通过随机采样来进行近似计算。利用 Monte Carlo 方法，可以在 Matlab 中求解复杂的高维概率积分，从而得到相应的期望值。

fun = @(x,y) x^2 + y^2;
N = 10000; %采样次数
a = 0;
b = 1;
expectation = MonteCarlo2D(fun, a, b, N);
sprintf('函数 f(x,y)=x^2+y^2 在单位正方形上的期望值为：%.2f',expectation);

上述代码中，利用 MonteCarlo2D() 函数对函数 f(x,y)=x^2+y^2 在单位正方形上进行 Monte Carlo 模拟，通过多次采样得到该二元函数的期望值。

六、结语

Matlab 权威启示录上常说“你可以做成很多东西，但全部的东西都是以矩阵计算为核心”。期望是概率论中的重要概念，而 Matlab 在矩阵计算方面具有出色的优势。结合 Matlab 矩阵计算能力和多种求期望的方法，可以对随机变量进行深入研究，实现多种数据的分析和处理。