两个独立随机变量的期望乘积推导
期望的运算规律？
期望的运算规律？
数学期望（或均值）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。随机变量包括离散型和连续型，数学期望的计算也分离散型和连续型。
①离散型如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。
②连续型若随机变量X的分布函数F(X)可表示成一个非负可积函数F(X)的积分，则称X为连续型随机变量，F(X)称为X的概率密度函数（分布密度函数）。
二维密度函数怎么求期望？
如果两随机变量相互独立，则联合密度函数等来于边缘密度函数的乘积，即f(x,y)f(x)f(y)。
如果两随机变量是不独立的，那是无法求的。
相同的边缘分布可构成不同的联合分布，这反映出两个分量的结合方式不同，相依程度不同。这种差自异在各自的边缘分布中没有表现，因而必须考察其联合分布。
数学期望exy等于什么？
数学期望中E(XY)表示xy相乘的数学期望。
首先x，y都是随便变量，E（x）表示x的“平均”，即数学期望，而现在相当于把xy看成一个数（x，y各自随机取值），然后求（不妨设zxy），也就是E(Z)E(XY)。
概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。
E是什么随机变量？
E(X) 为随机变量X的期望,也就是传统意义上的平均值
|X-E(X)| 随机变量与其平均值之间的距离,也就是差的绝对值
E{|X-E(X)|}随机变量X与其平均值之间的距离的平均值
E是期望值，expectation，
xi指离散型随机变量的所有可能取的值，n就是这个所有可能取的值得个数是n，那么i可以从1取到n，（i1,2，...，n-1，n）
因此E就是离散型随机变量的所有可能取的值xi与这个值出现的概率Pi的乘积的和，也可以说是加权平均吧。
就像我们平时算考核分，考核项A、B 分别是 60分和40分，但二者的贡献率（此处可以理解为出出现概率）分别为20%和80%,那么E60x20% 40x80D.当然这是两个不同的概念，但计算方法可以借鉴。