【期望与方差公式】在概率论与统计学中，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或长期趋势，而方差则衡量了随机变量与其期望之间的偏离程度。以下是关于期望与方差的一些基本公式及其应用总结。
一、期望（Expected Value）
期望是随机变量在所有可能取值上的加权平均，权重为相应的概率。对于离散型和连续型随机变量，期望的计算方式有所不同。
1. 离散型随机变量的期望
设随机变量 $ X $ 的取值为 $ x_1, x_2, ..., x_n $，对应的概率分别为 $ p_1, p_2, ..., p_n $，则：
$$
E(X) = \sum_{i=1}^{n} x_i \cdot p_i
$$
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：
$$
E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx
$$
二、方差（Variance）
方差表示随机变量与其期望之间的偏离程度，数值越大，说明数据越分散；数值越小，说明数据越集中。
1. 方差的定义
$$
\text{Var}(X) = E[(X - E(X))^2
$$
也可以通过以下公式进行计算：
$$
\text{Var}(X) = E(X^2) - [E(X)]^2
$$
三、常见分布的期望与方差公式
| 分布类型 | 概率质量函数 / 密度函数 | 期望 $ E(X) $ | 方差 $ \text{Var}(X) $ |
| 伯努利分布 | $ P(X = k) = p^k (1-p)^{1-k} $ | $ 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、期望与方差的性质
1. 线性性：对任意常数 $ a $ 和 $ b $，有
$$
E(aX + b) = aE(X) + b
$$
2. 方差的线性性（仅对独立变量）：若 $ X $ 与 $ Y $ 相互独立，则
$$
\text{Var}(aX + bY) = a^2 \text{Var}(X) + b^2 \text{Var}(Y)
$$
3. 协方差关系：对于任意两个随机变量 $ X $ 和 $ Y $，
$$
\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) + 2\text{Cov}(X,Y)
$$
五、应用举例
- 在金融投资中，期望用于评估收益的平均水平，方差用于衡量风险大小。
- 在质量控制中，期望可以反映产品平均性能，方差可用于判断生产过程的稳定性。
- 在机器学习中，期望和方差常用于模型评估和参数优化。
六、总结
期望和方差是概率统计中的基础工具，广泛应用于数据分析、风险管理、科学实验等多个领域。掌握它们的计算方法和性质，有助于更深入地理解随机现象的本质，并为实际问题提供有效的分析手段。