【期望与方差公式】在概率论和统计学中，期望和方差是描述随机变量基本特征的两个重要概念。期望反映了随机变量的平均值，而方差则衡量了随机变量与其期望之间的偏离程度。以下是对期望与方差公式的总结，并通过表格形式进行展示。
一、期望（Expectation）
期望是随机变量在所有可能取值上的加权平均，权重为各个取值的概率。它表示的是随机变量的“中心位置”或“平均水平”。
1. 离散型随机变量的期望
对于离散型随机变量 $ X $，其可能取值为 $ x_1, x_2, \ldots, x_n $，对应的概率为 $ P(X = x_i) $，则期望公式为：
$$
E(X) = \sum_{i=1}^{n} x_i \cdot P(X = x_i)
$$
2. 连续型随机变量的期望
对于连续型随机变量 $ X $，其概率密度函数为 $ f(x) $，则期望公式为：
$$
E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx
$$
二、方差（Variance）
方差用于衡量随机变量与其期望之间的偏离程度，即数据的波动性大小。方差越大，说明数据越分散；方差越小，说明数据越集中。
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：
$$
Var(X) = E[(X - E(X))^2
$$
也可以展开为：
$$
Var(X) = E(X^2) - [E(X)]^2
$$
2. 离散型随机变量的方差
对于离散型随机变量 $ X $，其方差公式为：
$$
Var(X) = \sum_{i=1}^{n} (x_i - E(X))^2 \cdot P(X = x_i)
$$
3. 连续型随机变量的方差
对于连续型随机变量 $ X $，其方差公式为：
$$
Var(X) = \int_{-\infty}^{\infty} (x - E(X))^2 \cdot f(x) \, dx
$$
三、期望与方差的性质
| 性质 | 描述 |
| 期望线性性 | $ E(aX + b) = aE(X) + b $，其中 $ a, b $ 为常数 |
| 方差的线性性 | $ Var(aX + b) = a^2 Var(X) $，其中 $ a, b $ 为常数 |
| 独立变量的期望 | 若 $ X $ 与 $ Y $ 独立，则 $ E(XY) = E(X)E(Y) $ |
| 独立变量的方差 | 若 $ X $ 与 $ Y $ 独立，则 $ Var(X + Y) = Var(X) + Var(Y) $ |
四、常见分布的期望与方差表
| 分布名称 | 期望 $ E(X) $ | 方差 $ Var(X) $ |
| 伯努利分布（参数 p） | $ p $ | $ p(1-p) $ |
| 二项分布（参数 n, p） | $ np $ | $ np(1-p) $ |
| 泊松分布（参数 λ） | $ λ $ | $ λ $ |
| 均匀分布（区间 [a, b]） | $ \frac{a + b}{2} $ | $ \frac{(b - a)^2}{12} $ |
| 正态分布（参数 μ, σ²） | $ μ $ | $ σ^2 $ |
| 指数分布（参数 λ） | $ \frac{1}{λ} $ | $ \frac{1}{λ^2} $ |
五、总结
期望与方差是概率统计中不可或缺的工具，它们帮助我们理解随机变量的分布特性。无论是理论分析还是实际应用，掌握这些基本公式都具有重要意义。通过合理使用期望与方差，可以更好地预测事件结果、评估风险以及进行数据分析。
如需进一步了解具体分布的推导过程或应用场景，可参考相关概率论教材或在线资源。
