分布函数的数学期望与方差计算

一、期望的定义与计算方法

在概率论中，数学期望是描述随机变量中心趋势的指标，其核心定义为：对于离散型随机变量 $ X $，其期望 $ \mathbb{E}[X] $ 为所有可能取值与对应概率的乘积之和；对于连续型随机变量 $ X $，其期望 $ \mathbb{E}[X] $ 为概率密度函数 $ f(x) $ 与 $ x $ 的积分。数学表达式为：
$$ \mathbb{E}[X] = \sum_{i=1}^n x_i p_i \quad \text{(离散型)} $$
$$ \mathbb{E}[X] = \int_{-\infty}^{\infty} x f(x) , dx \quad \text{(连续型)} $$
期望的计算方法依赖于随机变量的分布特性。例如，对于二项分布 $ X \sim \text{Bin}(n, p) $，其期望可简化为 $ np $；而正态分布 $ X \sim N(\mu, \sigma^2) $ 的期望为 $ \mu $，方差为 $ \sigma^2 $。这些结果体现了期望的线性性质：
$$ \mathbb{E}[aX + b] = a\mathbb{E}[X] + b $$
其中 $ a $、$ b $ 为常数。

二、方差的定义与计算方法

方差 $ \text{Var}(X) $ 量化了随机变量偏离其期望的程度，其定义为期望的平方差：
$$ \text{Var}(X) = \mathbb{E}[X^2] - (\mathbb{E}[X])^2 $$
计算方差的核心在于求 $ \mathbb{E}[X^2] $。对于离散型随机变量，公式为：
$$ \mathbb{E}[X^2] = \sum_{i=1}^n x_i^2 p_i $$
而连续型随机变量则需通过积分计算：
$$ \mathbb{E}[X^2] = \int_{-\infty}^{\infty} x^2 f(x) , dx $$
方差的计算方法因分布不同而异。例如，泊松分布 $ X \sim \text{Poi}(\lambda) $ 的方差为 $ \lambda $，而均匀分布 $ X \sim U(a, b) $ 的方差为 $ \frac{(b - a)^2}{12} $。此外，协方差关系 $ \text{Cov}(X, Y) = \mathbb{E}[XY] - \mathbb{E}[X]\mathbb{E}[Y] $ 也常用于简化复杂分布的方差计算。

三、期望与方差的性质

期望和方差在概率论中具有重要性质：

1. 线性性质：期望和方差均满足线性性质，如 $ \mathbb{E}[X + Y] = \mathbb{E}[X] + \mathbb{E}[Y] $，$ \text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) + 2\text{Cov}(X, Y) $。
2. 非负性：方差 $ \text{Var}(X) \geq 0 $，且当且仅当 $ X $ 为常数时，方差为零。
3. 期望与方差的关联：通过概率密度函数的积分，可以推导出期望与方差的计算公式，例如对称分布（如正态分布）的期望与方差直接对应其参数。

四、典型分布的期望与方差计算

以常见分布为例，验证期望与方差的计算方法：

1. 正态分布：设 $ X \sim N(\mu, \sigma^2) $，则 $ \mathbb{E}[X] = \mu $，$ \text{Var}(X)