【随机变量方差公式】在概率论与数理统计中，方差是衡量随机变量与其期望值之间偏离程度的重要指标。方差越大，表示数据越分散；方差越小，表示数据越集中。掌握随机变量的方差公式对于理解概率分布、进行统计推断具有重要意义。
以下是几种常见随机变量的方差公式总结，包括离散型和连续型随机变量，便于查阅和应用。
一、方差的基本定义
设 $ X $ 是一个随机变量，其数学期望为 $ E(X) = \mu $，则 $ X $ 的方差定义为：
$$
\text{Var}(X) = E[(X - \mu)^2
$$
也可以用另一种等价形式表示：
$$
\text{Var}(X) = E(X^2) - [E(X)]^2
$$
二、常见随机变量的方差公式汇总表
| 随机变量类型 | 分布名称 | 概率质量函数 / 密度函数 | 数学期望 $ E(X) $ | 方差 $ \text{Var}(X) $ |
| 离散型 | 伯努利分布 | $ P(X=1) = p, P(X=0) = 1-p $ | $ p $ | $ p(1-p) $ |
| 离散型 | 二项分布 | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ | $ np(1-p) $ |
| 离散型 | 泊松分布 | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ | $ \lambda $ |
| 离散型 | 几何分布 | $ P(X=k) = (1-p)^{k-1} p $ | $ \frac{1}{p} $ | $ \frac{1-p}{p^2} $ |
| 连续型 | 均匀分布 | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a+b}{2} $ | $ \frac{(b-a)^2}{12} $ |
| 连续型 | 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ | $ \sigma^2 $ |
| 连续型 | 指数分布 | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ |
三、方差的性质
1. 常数的方差为零：
若 $ c $ 为常数，则 $ \text{Var}(c) = 0 $
2. 线性变换的方差：
若 $ Y = aX + b $，其中 $ a $ 和 $ b $ 为常数，则
$$
\text{Var}(Y) = a^2 \text{Var}(X)
$$
3. 独立随机变量的方差：
若 $ X $ 和 $ Y $ 独立，则
$$
\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)
$$
4. 协方差与方差的关系：
$$
\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) + 2\text{Cov}(X,Y)
$$
四、总结
方差作为描述随机变量波动性的关键指标，在实际问题中有着广泛的应用，如风险评估、质量控制、金融建模等。通过掌握不同分布的方差公式，可以更准确地分析数据特征，并为后续统计推断提供理论支持。
了解并熟练运用这些公式，有助于提高数据分析和概率建模的能力，是学习统计学的基础内容之一。