期望与方差：统计学的双翼与核心公式全解
在概率论与数理统计的浩瀚海洋中，期望（Expectation）与方差（Variance）无疑是两座最耀眼的灯塔。它们分别刻画了随机变量的“中心位置”与“离散程度”，是理解数据分布、推进科学决策以及构建复杂模型。
这篇文章将系统梳理与期望和方差相关公式，从定义到性质，再到常见分布的具体计算，辅以数据表格说明，帮助读者建立清晰的知识框架。
核心概念定义
数学期望（Mean / Expectation）
数学期望反映了随机变量取值的加权平均，代表了随机变量的“平均水平”。离散型随机变量 ：
其中， 是随机变量的取值， 是对应的概率。
连续型随机变量 ：
其中， 是概率密度函数（PDF）。
方差（Variance）
方差衡量了随机变量取值偏离其期望值的程度，即数据的波动性或稳定性。定义式：
常用计算式（简化公式）：
> 注意：在实际计算中，使用简化公式比直接计算定义式更简便，因为它避免了展开平方项的繁琐步骤。
期望与方差运算性质
掌握以下性质，能够极大地简化复杂随机变量运算过程。设 为随机变量， 为常数。
期望的性质（线性性质）
期望算子 是线性的，无论变量是否独立均成立： 1. （常数的期望是常数本身） 2. 3. 4.方差的性质
方差具有非负性，且对线性变换敏感： 1. （常数的方差为0） 2. （注意系数平方） 3. （平移不改变离散程度） 4. 一般情况：5. 特殊情况（当 相互独立时）：
> 重要提示：只有当变量独立时，和的方差才等于方差的和。这是初学者最容易犯的错误。
协方差与相关系数
为了衡量两个变量的联合波动，引入协方差： 协方差：相关系数（标准化后的协方差）：
常见分布的期望与方差公式表
下表汇总了概率论中几种最重要分布的期望与方差公式，是应用中的“字典”。
| 分布名称 | 符号表示 | 参数说明 | 期望 | 方差 | 备注 |
|---|---|---|---|---|---|
| 0-1分布 | : 成功概率 | 伯努利试验 | |||
| 二项分布 | : 试验次数 | 次独立重复试验 | |||
| 泊松分布 | : 平均发生率 | 期望等于方差 | |||
| 几何分布 | : 成功概率 | 首次成功所需的试验次数 | |||
| 均匀分布 | : 区间端点 | 区间长度平方除以12 | |||
| 指数分布 | : 速率参数 | 常用于寿命模型 | |||
| 正态分布 | : 均值, : 方差 | 统计学中最核心的分布 |
深度解析：为什么 ？
这个公式是计算方差的利器，其推导过程体现了期望的线性性质：
应用示例：
假设随机变量 的取值为 ，概率均为 。
1. 计算
2. 计算
3. 计算
实际应用中的注意事项
1. 量纲问题：
期望 的量纲与 相同。
方差 的量纲是 的平方。
因此，标准差 的量纲才与 相同，在描述数据离散程度时，标准差比方差更直观。
2. 切比雪夫不等式（Chebyshev's Inequality）：
当分布未知时，方差提供了关于数据分布范围的通用界限：
，至少有 的概率，数据落在距离均值 个标准差的范围内。，至少有75%的数据落在2个标准差内。
3. 独立性 vs 不相关性：
若 独立，则 。
若 不相关（即协方差为0），结论依然成立。
但反之不成立：不相关不一定独立（除非是联合正态分布）。
期望与方差不仅是数学公式，更是我们量化不确定性、理解世界运行规律的思维工具。从简单的抛硬币到复杂的金融风险评估，这些公式构成了数据分析的基石。
期望告诉我们“平均来说会发生什么”；
方差告诉我们“结果会偏离平均值多远”。
熟练掌握这些公式及其背后的逻辑，将使你在面对纷繁复杂的数据时，能够透过现象看清本质，做出更精准的判断。
