在概率统计中,期望和方差是描述随机变量基本特征的重要指标。不同类型的概率分布具有不同的期望值和方差,掌握这些数值有助于我们更好地理解数据的分布规律和变化趋势。以下是对常见概率分布的期望与方差的总结。 一、离散型分布 | 分布名称 | 概率质量函数(PMF) | 期望 $ E(X) $ | 方差 $ Var(X) $ | | 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 $ | | 几何分布 | $ P(X = k) = (1-p)^{k-1} p $ | $ \frac{1}{p} $ | $ \frac{1-p}{p^2} $ | | 超几何分布 | $ P(X = k) = \frac{C_K^k C_{N-K}^{n-k}}{C_N^n} $ | $ \frac{nK}{N} $ | $ \frac{nK(N-K)(N-n)}{N^2(N-1)} $ | | 伯努利分布 | $ P(X = k) = p^k (1-p)^{1-k} $ | $ p $ | $ p(1-p) $ |
二、连续型分布 | 分布名称 | 概率密度函数(PDF) | 期望 $ E(X) $ | 方差 $ Var(X) $ | | 均匀分布 | $ f(x) = \frac{1}{b-a}, a \le x \le 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 $ | | 指数分布 | $ f(x) = \lambda e^{-\lambda x}, x \ge 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ | | 卡方分布 | $ f(x) = \frac{1}{2^{k/2} \Gamma(k/2)} x^{k/2 - 1} e^{-x/2} $ | $ k $ | $ 2k $ | | t 分布 | $ f(x) = \frac{\Gamma\left(\frac{k+1}{2}\right)}{\sqrt{k\pi} \Gamma\left(\frac{k}{2}\right)} \left(1 + \frac{x^2}{k}\right)^{-\frac{k+1}{2}} $ | $ 0 $(当 $ k > 1 $) | $ \frac{k}{k - 2} $(当 $ k > 2 $) |
三、小结 以上列出的分布涵盖了常见的离散与连续型概率分布,它们的期望和方差在实际问题中具有广泛应用。例如,在金融建模中,正态分布常用于描述资产收益率;在质量管理中,泊松分布可用于预测单位时间内发生缺陷的次数。 通过了解这些分布的数学特性,可以更准确地进行数据分析、风险评估以及模型构建。对于学习统计学或应用概率知识的人来说,熟悉这些基本参数是非常重要的基础内容。 |