期望和方差的计算公式
【期望和方差的计算公式】在概率论与统计学中,期望和方差是描述随机变量分布特征的重要指标。期望反映了随机变量的平均值或中心位置,而方差则衡量了随机变量与其期望之间的偏离程度。以下是关于期望和方差的计算公式的总结。
一、期望(Expected Value)
期望是随机变量在长期试验中取值的平均趋势,表示随机变量的“平均值”。
1. 离散型随机变量的期望
设离散型随机变量 $ X $ 的可能取值为 $ x_1, x_2, \dots, x_n $,对应的概率分别为 $ p_1, p_2, \dots, p_n $,则期望为:
$$
E(X) = \sum_{i=1}^{n} x_i \cdot p_i
$$
2. 连续型随机变量的期望
设连续型随机变量 $ X $ 的概率密度函数为 $ f(x) $,则期望为:
$$
E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx
$$
二、方差(Variance)
方差衡量的是随机变量与其期望之间的偏离程度,即数据的波动性。
1. 方差的定义
方差可以表示为:
$$
\text{Var}(X) = E[(X - E(X))^2
$$
也可以通过展开公式简化为:
$$
\text{Var}(X) = E(X^2) - [E(X)]^2
$$
2. 离散型随机变量的方差
对于离散型随机变量 $ X $,其方差为:
$$
\text{Var}(X) = \sum_{i=1}^{n} (x_i - E(X))^2 \cdot p_i
$$
3. 连续型随机变量的方差
对于连续型随机变量 $ X $,其方差为:
$$
\text{Var}(X) = \int_{-\infty}^{\infty} (x - E(X))^2 \cdot f(x) \, dx
$$
三、常见分布的期望与方差表
| 分布名称 | 概率质量/密度函数 | 期望 $ E(X) $ | 方差 $ \text{Var}(X) $ |
| 伯努利分布 | $ P(X = x) = p^x(1-p)^{1-x} $ | $ p $ | $ p(1-p) $ |
| 二项分布 | $ P(X = k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ | $ np(1-p) $ |
| 泊松分布 | $ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ | $ \lambda $ |
| 均匀分布 | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a+b}{2} $ | $ \frac{(b-a)^2}{12} $ |
| 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ | $ \sigma^2 $ |
四、总结
期望和方差是统计分析中不可或缺的两个基本概念,它们帮助我们理解随机变量的集中趋势和离散程度。掌握这些计算公式有助于我们在实际问题中进行更准确的概率分析和决策判断。无论是理论研究还是实际应用,期望和方差都具有广泛的用途。








期望和方差的计算公式