在概率论与数理统计中，常见的概率分布具有重要的理论和实际意义。每种分布都有其特定的数学期望（均值）和方差，用于描述随机变量的集中趋势和离散程度。以下是对几种常见分布的数学期望和方差的总结。 一、离散型分布 | 分布名称 | 概率质量函数（PMF） | 数学期望 $ E(X) $ | 方差 $ Var(X) $ | | 0-1分布（伯努利分布） | $ P(X=1)=p, 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 $ P(\lambda) $ | $ P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} $ | $ \lambda $ | $ \lambda $ | | 几何分布 $ Ge(p) $ | $ P(X=k) = (1-p)^{k-1} p $ | $ \frac{1}{p} $ | $ \frac{1-p}{p^2} $ |
二、连续型分布 | 分布名称 | 概率密度函数（PDF） | 数学期望 $ E(X) $ | 方差 $ Var(X) $ | | 均匀分布 $ U(a,b) $ | $ f(x) = \frac{1}{b-a}, 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}, x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ | | 卡方分布 $ \chi^2(n) $ | $ f(x) = \frac{1}{2^{n/2} \Gamma(n/2)} x^{n/2 -1} e^{-x/2} $ | $ n $ | $ 2n $ |
三、总结 以上表格列出了几种常见的离散型和连续型概率分布的数学期望和方差。这些数值在实际应用中非常关键，例如在统计推断、风险评估、金融建模等领域，可以用来预测和分析数据的平均表现及波动性。 掌握这些基础分布的性质，有助于更深入地理解随机现象背后的规律，并为后续的统计建模打下坚实的基础。 |