【七个分布的期望与方差】在概率论与数理统计中，常见的概率分布有多种类型，每种分布都有其特定的数学期望和方差。这些参数不仅有助于我们理解随机变量的行为特征，还在实际问题中具有重要的应用价值。本文将对七种常见分布的期望与方差进行总结，并以表格形式呈现。
一、二项分布（Binomial Distribution）
定义：在n次独立重复试验中，成功次数X服从参数为(n, p)的二项分布，其中p表示每次试验成功的概率。
- 期望：E(X) = np
- 方差：Var(X) = np(1 - p)
二、泊松分布（Poisson Distribution）
定义：在单位时间内事件发生的次数X服从参数为λ的泊松分布，λ表示单位时间内的平均发生次数。
- 期望：E(X) = λ
- 方差：Var(X) = λ
三、正态分布（Normal Distribution）
定义：连续型随机变量X服从均值为μ、方差为σ²的正态分布。
- 期望：E(X) = μ
- 方差：Var(X) = σ²
四、均匀分布（Uniform Distribution）
定义：在区间[a, b]上均匀分布的连续型随机变量X。
- 期望：E(X) = (a + b)/2
- 方差：Var(X) = (b - a)² / 12
五、指数分布（Exponential Distribution）
定义：描述事件发生时间间隔的连续型分布，参数为λ，表示单位时间内的平均发生次数。
- 期望：E(X) = 1/λ
- 方差：Var(X) = 1/λ²
六、几何分布（Geometric Distribution）
定义：在一系列独立伯努利试验中，首次成功发生在第k次试验时，X服从参数为p的几何分布。
- 期望：E(X) = 1/p
- 方差：Var(X) = (1 - p)/p²
七、超几何分布（Hypergeometric Distribution）
定义：从有限总体中不放回抽样，成功次数X服从参数为(N, K, n)的超几何分布，其中N为总体数量，K为成功数，n为样本容量。
- 期望：E(X) = nK/N
- 方差：Var(X) = nK/N × (N - K)/N × (N - n)/(N - 1)
表格总结
| 分布名称 | 参数 | 期望 E(X) | 方差 Var(X) |
| 二项分布 | n, p | np | np(1 - p) |
| 泊松分布 | λ | λ | λ |
| 正态分布 | μ, σ² | μ | σ² |
| 均匀分布 | a, b | (a + b)/2 | (b - a)² / 12 |
| 指数分布 | λ | 1/λ | 1/λ² |
| 几何分布 | p | 1/p | (1 - p)/p² |
| 超几何分布 | N, K, n | nK/N | nK/N × (N - K)/N × (N - n)/(N - 1) |
通过以上总结可以看出，不同分布的期望和方差各有特点，适用于不同的实际问题场景。掌握这些基本统计量，有助于我们在数据分析、风险评估以及决策支持等方面做出更准确的判断。