期望和方差计算公式
【期望和方差计算公式】在概率论与统计学中,期望和方差是描述随机变量分布特性的两个重要指标。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。以下是对期望和方差计算公式的总结,并通过表格形式进行对比说明。
一、期望(Expectation)
期望是一个随机变量在长期重复实验中所取值的平均结果。它表示的是随机变量的“中心趋势”。
1. 离散型随机变量的期望
设随机变量 $ X $ 的可能取值为 $ x_1, x_2, \ldots, x_n $,对应的概率分别为 $ p_1, p_2, \ldots, p_n $,则其期望为:
$$
E(X) = \sum_{i=1}^{n} x_i p_i
$$
2. 连续型随机变量的期望
设随机变量 $ X $ 的概率密度函数为 $ f(x) $,则其期望为:
$$
E(X) = \int_{-\infty}^{\infty} x f(x) \, dx
$$
二、方差(Variance)
方差用于衡量随机变量与其期望之间的离散程度。方差越大,表示数据越分散;方差越小,表示数据越集中。
1. 方差的定义
方差可以表示为随机变量与其期望的平方差的期望,即:
$$
\text{Var}(X) = E[(X - E(X))^2
$$
也可以展开为:
$$
\text{Var}(X) = E(X^2) - [E(X)]^2
$$
2. 离散型随机变量的方差
$$
\text{Var}(X) = \sum_{i=1}^{n} (x_i - E(X))^2 p_i
$$
或者使用展开式:
$$
\text{Var}(X) = \sum_{i=1}^{n} x_i^2 p_i - [E(X)]^2
$$
3. 连续型随机变量的方差
$$
\text{Var}(X) = \int_{-\infty}^{\infty} (x - E(X))^2 f(x) \, dx
$$
或:
$$
\text{Var}(X) = \int_{-\infty}^{\infty} x^2 f(x) \, dx - [E(X)]^2
$$
三、常见分布的期望与方差表
| 分布名称 | 期望 $ E(X) $ | 方差 $ \text{Var}(X) $ |
| 两点分布 | $ p $ | $ p(1-p) $ |
| 二项分布 | $ np $ | $ np(1-p) $ |
| 泊松分布 | $ \lambda $ | $ \lambda $ |
| 正态分布 | $ \mu $ | $ \sigma^2 $ |
| 均匀分布 | $ \frac{a+b}{2} $ | $ \frac{(b-a)^2}{12} $ |
| 指数分布 | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ |
四、总结
期望和方差是统计分析中不可或缺的工具,它们分别描述了随机变量的“平均水平”和“波动程度”。无论是离散型还是连续型随机变量,都可以通过相应的公式进行计算。对于不同的概率分布,也有固定的期望和方差表达式,便于快速应用和分析。
掌握这些基本概念和计算方法,有助于更好地理解数据特征,为后续的统计推断和数据分析打下坚实基础。








期望和方差计算公式