标题

连续随机变量的期望与方差公式

内容

在概率论与数理统计中，连续随机变量是描述具有无限多个可能取值的随机现象的重要工具。为了更深入地理解这些变量的特性，我们通常需要计算其期望（均值）和方差。下面将对这两个关键指标进行总结，并通过表格形式清晰展示其数学表达式。

一、连续随机变量的期望

定义：

设 $ X $ 是一个连续随机变量，其概率密度函数为 $ f(x) $，则 $ X $ 的期望（或称数学期望）定义为：

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

说明：

期望表示的是随机变量在长期试验中“平均”所取的值，是衡量随机变量中心位置的重要指标。

二、连续随机变量的方差

定义：

方差用于衡量随机变量与其期望之间的偏离程度。其定义如下：

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

也可以通过以下等价公式计算：

\text{Var}(X) = E(X^2) - [E(X)]^2

其中：

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

- $ E(X) $ 是前面求得的期望值

说明：

方差越大，表示随机变量的取值越分散；反之，方差越小，表示取值越集中。

三、常见分布的期望与方差公式

分布名称	概率密度函数 $ f(x) $	期望 $ E(X) $	方差 $ \text{Var}(X) $
均匀分布 $ U(a,b) $	$ \frac{1}{b-a} $, $ a \leq x \leq b $	$ \frac{a+b}{2} $	$ \frac{(b-a)^2}{12} $
正态分布 $ N(\mu,\sigma^2) $	$ \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $	$ \mu $	$ \sigma^2 $
指数分布 $ \text{Exp}(\lambda) $	$ \lambda e^{-\lambda x} $, $ x \geq 0 $	$ \frac{1}{\lambda} $	$ \frac{1}{\lambda^2} $
伽马分布 $ \Gamma(k,\theta) $	$ \frac{x^{k-1}e^{-x/\theta}}{\theta^k \Gamma(k)} $	$ k\theta $	$ k\theta^2 $

四、总结

连续随机变量的期望与方差是分析其统计特性的核心工具。通过积分运算，我们可以从概率密度函数出发，推导出其期望值和方差。对于不同的分布类型，它们的期望与方差也各有特点，掌握这些公式有助于在实际问题中进行概率建模和数据分析。

以上内容以简洁明了的方式整理了连续随机变量的基本概念及其重要公式，便于理解和应用。

随便看