【连续随机变量的期望与方差公式】在概率论与数理统计中，连续随机变量是描述现实中许多自然现象和实验结果的重要工具。与离散型随机变量不同，连续型随机变量的取值范围是无限的，因此其概率分布通常用概率密度函数（PDF）来描述。本文将总结连续随机变量的期望与方差的基本公式，并以表格形式进行清晰展示。
一、期望（数学期望）
期望是描述一个随机变量长期平均表现的数值特征。对于连续随机变量 $ X $，其期望值 $ E(X) $ 表示在大量重复试验中，$ X $ 的平均取值。
定义：
设 $ X $ 是一个连续随机变量，其概率密度函数为 $ f(x) $，则 $ X $ 的期望为：
$$
E(X) = \int_{-\infty}^{\infty} x f(x) \, dx
$$
这个积分必须收敛，否则期望不存在。
二、方差
方差是衡量随机变量与其期望之间偏离程度的指标。它反映了数据的波动性。
定义：
连续随机变量 $ X $ 的方差为：
$$
\text{Var}(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2
$$
其中，$ E(X^2) $ 可以通过如下公式计算：
$$
E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) \, dx
$$
三、常见连续分布的期望与方差公式
以下是一些常见的连续分布及其对应的期望与方差公式：
| 分布名称 | 概率密度函数 $ f(x) $ | 期望 $ E(X) $ | 方差 $ \text{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} $ |
| 指数分布 $ \text{Exp}(\lambda) $ | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ |
| 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 $ |
| 伽玛分布 $ \text{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 $ \text{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)} $ |
四、总结
连续随机变量的期望和方差是理解其概率分布特性的重要工具。它们分别描述了随机变量的中心位置和离散程度。通过对这些公式的掌握，可以更好地分析和应用各种实际问题中的连续型随机变量模型。
在实际应用中，选择合适的分布并计算其期望和方差，有助于进行风险评估、预测建模以及统计推断等工作。