在线词典

期望与方差公式

更新日期:2026-11-11 20:46:22

标题期望与方差公式
内容

在概率论与统计学中,期望与方差是描述随机变量基本特征的两个重要指标。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,即数据的离散程度。以下是对期望与方差公式的总结,并通过表格形式进行清晰展示。

一、期望(Expected Value)

期望是一个随机变量在所有可能结果中的加权平均值,权重为各个结果发生的概率。

1. 离散型随机变量的期望公式:

$$

E(X) = \sum_{i=1}^{n} x_i \cdot P(x_i)

$$

其中:

- $ x_i $:第 $ i $ 个可能的取值;

- $ P(x_i) $:$ x_i $ 对应的概率;

- $ n $:可能的取值数量。

2. 连续型随机变量的期望公式:

$$

E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx

$$

其中:

- $ f(x) $:概率密度函数;

- 积分范围为整个实数轴。

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。它等于随机变量与期望的平方的期望。

1. 方差的一般公式:

$$

Var(X) = E[(X - E(X))^2

$$

也可以简化为:

$$

Var(X) = E(X^2) - [E(X)]^2

$$

2. 离散型随机变量的方差公式:

$$

Var(X) = \sum_{i=1}^{n} (x_i - E(X))^2 \cdot P(x_i)

$$

3. 连续型随机变量的方差公式:

$$

Var(X) = \int_{-\infty}^{\infty} (x - E(X))^2 \cdot f(x) \, dx

$$

三、期望与方差的性质

性质 表达式
常数的期望 $ E(c) = c $
常数乘以随机变量的期望 $ E(cX) = cE(X) $
随机变量和的期望 $ E(X + Y) = E(X) + E(Y) $
常数的方差 $ Var(c) = 0 $
随机变量乘以常数的方差 $ Var(cX) = c^2 Var(X) $
独立随机变量和的方差 $ Var(X + Y) = Var(X) + Var(Y) $

四、常见分布的期望与方差

分布类型 期望 $ E(X) $ 方差 $ Var(X) $
伯努利分布 $ p $ $ p(1-p) $
二项分布 $ B(n, p) $ $ np $ $ np(1-p) $
泊松分布 $ Poisson(\lambda) $ $ \lambda $ $ \lambda $
正态分布 $ N(\mu, \sigma^2) $ $ \mu $ $ \sigma^2 $
均匀分布 $ U(a, b) $ $ \frac{a + b}{2} $ $ \frac{(b - a)^2}{12} $

五、小结

期望与方差是分析随机现象的重要工具,它们分别反映了数据的集中趋势和离散程度。掌握这些公式的应用,有助于我们在实际问题中更好地理解数据行为并做出合理推断。

表:期望与方差公式总结表

项目 公式
离散型期望 $ E(X) = \sum x_i P(x_i) $
连续型期望 $ E(X) = \int x f(x) dx $
方差(一般) $ Var(X) = E[(X - E(X))^2] $
方差(简化) $ Var(X) = E(X^2) - [E(X)]^2 $
离散型方差 $ Var(X) = \sum (x_i - E(X))^2 P(x_i) $
连续型方差 $ Var(X) = \int (x - E(X))^2 f(x) dx $

通过以上内容,我们可以系统地理解期望与方差的基本概念及其计算方法,为后续的概率分析打下坚实基础。

随便看