求数学期望和方差公式：从基础定义到深度实战
在概率论与数理统计的学习中，求数学期望和方差公式是衡量随机变量分布特征的两个最核心指标。无论是高中阶段的概率统计初步，还是大学阶段的数学专业必修课，亦或是考研数学中的高频考点，掌握这一知识点都至关重要。许多同学在面对复杂的分布列或连续型概率密度函数时，往往容易混淆公式或计算失误。本文将为您提供一份详尽的攻略，不仅涵盖标准公式，更深入解析其背后的统计意义及常见陷阱。
数学期望（Expectation）代表了随机变量的“中心位置”，而方差（Variance）则刻画了数据的“稳定性”。理解并熟练运用求数学期望和方差公式，不仅能帮助您在考试中快速解题，更能培养您用数据思维分析现实世界不确定性的能力。
基本概念解析：期望与方差的统计意义
⚡ 数学期望 E(X)
数学期望并非字面意义上的“期待”，而是加权平均值。它反映了随机变量在长期重复试验中取值的平均水平。如果将概率看作权重，期望就是所有可能取值的加权平均。
直观理解： 如果你玩一个游戏，赢了10元概率0.3，输了5元概率0.7，那么你的“平均每次收益”就是期望。它告诉你长期玩下去，平均每局能赚或赔多少钱。
⚙️ 方差 D(X)
方差描述了随机变量取值与其数学期望之间的偏离程度。方差越大，说明数据分布越分散，波动越大；方差越小，说明数据越集中在期望附近，越稳定。
直观理解： 两名射手甲和乙，平均环数（期望）都是9环。但甲的环数忽高忽低（9, 5, 10, 8），乙的环数非常稳定（9, 9, 9, 9）。甲的方差大，乙的方差小。在竞技体育中，我们通常希望方差越小越好。
核心公式大全：离散型与连续型
为了清晰展示，我们将随机变量分为离散型和连续型两种情况。请务必区分这两种情况的求和符号（Σ）与积分符号（∫）的使用场景。
1. 离散型随机变量分布列
设离散型随机变量 X 的分布列为：
| X | x₁ | x₂ | ... | xₙ |
|---|---|---|---|---|
| P | p₁ | p₂ | ... | pₙ |
其中 pᵢ ≥ 0 且 Σ pᵢ = 1。
或简化公式：D(X) = E(X²) - [E(X)]² = Σ xᵢ²pᵢ - [E(X)]²
2. 连续型随机变量概率密度
设连续型随机变量 X 的概率密度函数为 f(x)。
或简化公式：D(X) = ∫ x²·f(x) dx - [E(X)]²
注意： 在计算积分时，务必注意概率密度函数 f(x) 的非零区间，积分限应由 f(x) > 0 的范围决定，而非盲目使用 (-∞, +∞)。
3. 多维随机变量（拓展知识）
对于二维离散型随机变量 (X, Y)，其联合分布列为 P(X=xᵢ, Y=yⱼ) = pᵢⱼ。
E(Y) = Σᵢ Σⱼ yⱼ pᵢⱼ
注：计算 E(X) 时，也可以先求 X 的边缘分布列 P(X=xᵢ) = Σⱼ pᵢⱼ，再按一维公式计算，结果一致。
经典例题详解：一步步教你算
理论结合实践是掌握求数学期望和方差公式的关键。以下通过两个典型例题，分别展示离散型和连续型的计算流程。
例1：离散型——抽奖游戏的收益分析
题目： 某商场举行抽奖活动，中奖规则如下：中奖概率为 0.1，奖金 100 元；中奖概率为 0.3，奖金 50 元；不中奖概率为 0.6，奖金 0 元。求参与一次抽奖的期望收益和方差。
解析：
- 确定分布列：
- X=100, P=0.1
- X=50, P=0.3
- X=0, P=0.6
- 计算期望 E(X)：
E(X) = 100×0.1 + 50×0.3 + 0×0.6 = 10 + 15 + 0 = 25 (元)
这意味着，长期参与该抽奖，平均每次可获 25 元。
- 计算方差 D(X)：
D(X) = (100-25)²×0.1 + (50-25)²×0.3 + (0-25)²×0.6
= 75²×0.1 + 25²×0.3 + (-25)²×0.6
= 5625×0.1 + 625×0.3 + 625×0.6
= 562.5 + 187.5 + 375
= 1125
结论： 期望收益为 25 元，方差为 1125。标准差 σ = √1125 ≈ 33.54 元。
例2：连续型——均匀分布的期望与方差
题目： 设随机变量 X 服从区间 [2, 8] 上的均匀分布，即 X ~ U(2, 8)，求 E(X) 和 D(X)。
解析：
首先写出概率密度函数 f(x)：
0, 其他 }
- 计算期望 E(X)：
E(X) = ∫₂⁸ x · (1/6) dx = (1/6) · [x²/2]₂⁸
= (1/12) · (64 - 4) = 60/12 = 5注：对于均匀分布 U(a,b)，期望 E(X) = (a+b)/2 = (2+8)/2 = 5，结果一致。
- 计算方差 D(X)：
方法一（定义法）： D(X) = ∫₂⁸ (x-5)² · (1/6) dx
令 t = x-5, dt=dx, 区间变为 [-3, 3]
= (1/6) ∫₋₃³ t² dt = (1/6) · [t³/3]₋₃³
= (1/18) · (27 - (-27)) = 54/18 = 3方法二（公式法）：对于均匀分布 U(a,b)，D(X) = (b-a)²/12 = (8-2)²/12 = 36/12 = 3。
方差性质与常用结论：提速解题利器
在考试或实际应用中，直接套用定义计算往往繁琐。掌握求数学期望和方差公式的线性性质和相关分布的结论，能极大提高解题效率。
1. 期望与方差的线性性质
- 期望的线性性： E(aX + bY) = aE(X) + bE(Y)。注意：无论 X 和 Y 是否独立，此性质均成立！这是期望最强大的性质之一。
- 方差的线性性（仅限独立）： D(aX + bY) = a²D(X) + b²D(Y) （当 X, Y 独立时）。
特别注意：常数项 b 在方差中消失，即 D(X+b) = D(X)；系数 a 要平方，即 D(aX) = a²D(X)。 - 常见错误： D(X+Y) ≠ D(X) + D(Y) （除非 X, Y 独立或不相关）。若相关，需协方差项。
2. 常见分布的期望与方差速查表
| 分布名称 | 记号 | 参数 | 期望 E(X) | 方差 D(X) |
|---|---|---|---|---|
| 0-1分布 (伯努利) | B(1, p) | p | p | p(1-p) |
| 二项分布 | B(n, p) | n, p | np | np(1-p) |
| 泊松分布 | P(λ) | λ | λ | λ |
| 均匀分布 | U(a, b) | a, b | (a+b)/2 | (b-a)²/12 |
| 指数分布 | E(λ) | λ | 1/λ | 1/λ² |
| 正态分布 | N(μ, σ²) | μ, σ² | μ | σ² |
网民还关心： 为什么泊松分布的期望和方差相等？
这是一个有趣的统计特性。泊松分布通常用于描述单位时间内随机事件发生的次数。当 λ 较大时，泊松分布近似于正态分布 N(λ, λ)。期望和方差相等意味着数据的波动幅度与平均水平同步增长。
网友们还关心：常见问题深度解答
在搜索求数学期望和方差公式的过程中，我们整理了用户最常遇到的困惑，以下是针对性解答。
期望可以是负数。 例如，在赌博游戏中，如果输的概率大且输的金额多，期望收益就是负的。期望代表平均水平，可以是任意实数。
方差不可以是负数。 方差是平方和的加权平均（或积分），平方项非负，概率非负，因此 D(X) ≥ 0。如果算出负数，通常是计算错误。
两者都可以，但标准差在实际应用中更常见。因为方差的单位是原变量单位的平方（如“元的平方”），这在物理意义或经济意义上难以直接解释。标准差的单位与原变量一致（如“元”），更直观。
1. 利用线性性质： 将复杂随机变量拆解为简单随机变量的线性组合。
2. 利用对称性： 如果分布关于某点对称，期望往往就在对称轴上。
3. 利用生成函数： 对于高阶矩或复杂分布，可使用矩母函数或特征函数，但这属于高阶技巧。
因为在计算 E(X²) 时，不需要先算出 E(X) 再代入减法，而是直接对 x² 求期望。对于离散型，直接算 Σ x²pᵢ 通常比算 Σ (xᵢ - μ)²pᵢ 更简单，避免了括号展开和平方差的计算，减少了出错概率。