期望、均值

均值：

定义：
实验结果得出了$x_1,x_2,x_3,\dots ,x_n$，这n个样本的均值：$$\bar{x}=\sum _{i=1}^n{x}_i$$实验观察到的样本而言，是一个 统计学 的概念。

期望：

定义：

1.离散随机变量$X$的分布律为$$P(X=x_k)=p_k,k=1,2,\dots$$如果级数${\sum }_{k=1}^{\infty }{x}_k{p}_k$绝对收敛，则离散随机变量$X$期望：$$E(X)=\sum _{k=1}^{\infty }{x}_k{p}_k$$2.连续性随机变量$X$的概率密度函数为$$f(x)$$若积分${\int }_{-\infty }^{+\infty }xf(x)dx$绝对收敛，则连续性随机变量$X$数学期望：$$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx$$
以上可以看出，期望是针对于 随机变量 而言的一个量，是从 概率论 角度出发的。
期望就是平均数随 样本趋于无穷 的极限。所以，期望是针对 总体 而言的，研究总体是 上帝 的事情。

大数定理：

定义：
设 $X_1,X_2,\dots ,X_n$是独立同分布的随机变量，数学期望分别是$E(X_k)$,则对于任意小的正数$ϵ$有：$$\underset{n\to \infty }{\lim }P(\mid \frac{1}{n}\sum _{k=1}^n{X}_k-\frac{1}{n}\sum _{k=1}^{n}E(X_k)\mid <ϵ)=1$$记 $\mu =\frac{1}{n}{\sum }_{k=1}^n{X}_k,{\bar{X}}_n=\frac{1}{n}{\sum }_{k=1}^{n}E(X_k)$，这样在概率论中叫做 “${\bar{X}}_n$依概率收敛于$\mu$”。

随机事件的大量重复出现中，往往呈现几乎必然的规律。在试验不变的条件下，重复试验多次，随机事件的概率 近似于 它出现的频率。
也就是说，随机事件的大量重复出现（$n\to \infty$），均值具有稳定性！
这样，均值和期望的联系依靠大数定理联系起来。