期望与方差的相关公式 · 从求和基石到波动度量
在统计学中，期望与方差是描述随机变量核心特征的两大支柱。本攻略深入拆解期望公式 (E[X]) 与方差公式 (sigma^2 = E[(X-mu)^2])，结合离散型、连续型及伯努利分布示例，助你彻底理解“平均水平”与“离散程度”。
? 期望 · 加权平均
期望本质是概率加权下的求和公式：(E[X] = sum x_i p(x_i))。对于等概率样本，即 (frac{1}{n}sum X_i)。
- 反映随机变量的中心位置
- 离散型直接求和，连续型用积分
- 伯努利分布期望为 (p)
? 方差 · 平方偏离
方差衡量数据围绕均值(mu)的波动幅度：(sigma^2 = E[(X-mu)^2])。
- 先计算偏差 ((x_i - mu))
- 平方消除正负，放大差异
- 总体方差与样本方差分母不同
? 计算口诀
“期望加权求和，方差平方再平均”。注意二阶中心矩即方差，标准差(sigma)是方差的平方根。
示例：数据[20,25,20,30]均值23，方差10.8。
伯努利分布 · 期望与方差
假设正面价值1，反面0，概率各0.5。期望 (E[X]=0.5times1+0.5times0=0.5)。这代表长期平均正面次数。
方差计算：均值(mu=0.5)，偏差平方：正面((1-0.5)^2=0.25)，反面((0-0.5)^2=0.25)。按概率加权：(sigma^2 = 0.5times0.25 + 0.5times0.25 = 0.25)。公式(p(1-p))直接给出0.25。
⚠️ 注意区分样本方差（除以n-1）与总体方差。此处为总体方差。
名学生作业时间 · 详细步骤
数据：20,25,20,30,25,20,25,20,25,20分钟。期望（均值）(mu=23)分钟。
偏差平方和：((20-23)^2=9) 出现6次，((25-23)^2=4) 出现3次，((30-23)^2=49)。总和= (6times9 + 3times4 + 49 = 54+12+49=115)？重新精确计算：原数据共10个，20(6次),25(3次),30(1次)。平方和=69 +34 +49 =54+12+49=115。样本方差=115/10=11.5。之前示例中108为笔误，实际应为115。但核心逻辑不变：方差量化了离散程度。
若方差接近0，所有人时间一致；11.5表明存在明显波动。
连续型随机变量 · 积分形式
当变量连续（如身高、温度），期望定义为 (E[X]=int x f(x)dx)，方差为 (int (x-mu)^2 f(x)dx)。
例如均匀分布U(0,1)，期望0.5，方差1/12。平方操作依然用于消除符号并突出偏离。
网友们还关心：标准差与方差的关系，以及为什么使用平方而不是绝对值——因为平方可导，数学性质优良。
⏳ 期望与方差公式 · 逻辑时间轴
收集数据 / 确定分布
无论是离散型随机变量还是连续型，首先明确概率质量函数或概率密度。
计算期望 (mu)
使用求和公式 (sum x_i p_i) 或积分。这是后续方差的基础。
计算偏差并平方
每个观测值减去期望，得到 ((x_i - mu))，再平方。平方消除负号并放大离群值影响。
加权平均得方差
(sigma^2 = E[(X-mu)^2])。对于样本，常使用样本方差 (s^2 = frac{1}{n-1}sum (x_i-bar{x})^2)。
? 深入理解：从求和到中心矩
许多初学者混淆期望与算术平均。实际上算术平均是等概率期望的特例。当概率不等时，必须用加权求和公式。例如抽奖：中奖概率0.1奖金100元，不中奖0.9得0元，期望收益10元。
方差的平方操作不仅消除符号，还使得方差对极端值敏感。在作业时间例子中，30分钟的学生贡献了49的平方偏离，远大于其他人。
关于样本方差分母n-1：这是为了得到总体方差的无偏估计。而总体方差直接使用N。在概率论题目中，通常给定分布求总体方差。
另外，期望与方差的相关公式可推广到高阶矩：偏度（三阶）和峰度（四阶）。但二阶中心矩（方差）已足够描述离散程度。
? 实用技巧：计算方差常用简化公式 (sigma^2 = E[X^2] - (E[X])^2)。先计算平方的期望，再减去期望的平方，可避免多次减法运算。