| 内容 | 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特性以及进行相关计算。以下是对几种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) $ | | 两点分布(0-1分布) | $ P(X=1) = p, \quad P(X=0) = 1-p $ | $ p $ | $ p(1-p) $ | | 二项分布 $ B(n, p) $ | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ | $ np(1-p) $ | | 泊松分布 $ Poisson(\lambda) $ | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ | $ \lambda $ | | 几何分布 $ Geom(p) $ | $ P(X=k) = (1-p)^{k-1} p $ | $ \frac{1}{p} $ | $ \frac{1-p}{p^2} $ | | 超几何分布 $ Hyper(N, K, n) $ | $ 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)} $ |
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 $ U(a, b) $ | $ f(x) = \frac{1}{b-a}, \quad a \leq x \leq b $ | $ \frac{a + b}{2} $ | $ \frac{(b - a)^2}{12} $ | | 正态分布 $ N(\mu, \sigma^2) $ | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ | $ \sigma^2 $ | | 指数分布 $ Exp(\lambda) $ | $ f(x) = \lambda e^{-\lambda x}, \quad x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ | | 伽马分布 $ Gamma(\alpha, \beta) $ | $ f(x) = \frac{\beta^\alpha x^{\alpha-1} e^{-\beta x}}{\Gamma(\alpha)} $ | $ \frac{\alpha}{\beta} $ | $ \frac{\alpha}{\beta^2} $ | | 贝塔分布 $ Beta(\alpha, \beta) $ | $ f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha, \beta)} $ | $ \frac{\alpha}{\alpha + \beta} $ | $ \frac{\alpha \beta}{(\alpha + \beta)^2 (\alpha + \beta + 1)} $ |
三、小结 以上列举了常见的离散型与连续型概率分布的期望与方差,它们在实际问题中被广泛应用,如金融建模、质量控制、信号处理等领域。理解这些分布的数学特性,有助于我们在面对复杂问题时,选择合适的模型并进行有效分析。 通过表格的形式,可以更直观地比较不同分布的期望与方差,为后续的统计推断、参数估计和假设检验提供基础支持。 |