【连续随机变量的期望与方差公式】在概率论中，连续随机变量是相对于离散随机变量而言的一种变量类型，其取值范围是连续的。对于连续随机变量，我们通常通过概率密度函数（PDF）来描述其分布特性，并利用积分计算其期望和方差等重要指标。
以下是对连续随机变量的期望与方差公式的总结，结合具体例子进行说明，便于理解和应用。
一、期望（数学期望）
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（或称数学期望）定义为：
$$
E(X) = \int_{-\infty}^{+\infty} x \cdot f(x) \, dx
$$
意义：
期望是随机变量在所有可能取值上的加权平均，权重由概率密度函数决定。
二、方差
定义：
方差衡量的是随机变量与其期望之间的偏离程度。其定义为：
$$
\text{Var}(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2
$$
其中，$ E(X^2) $ 可以通过如下公式计算：
$$
E(X^2) = \int_{-\infty}^{+\infty} x^2 \cdot f(x) \, dx
$$
因此，方差也可以写成：
$$
\text{Var}(X) = \int_{-\infty}^{+\infty} x^2 \cdot f(x) \, dx - \left( \int_{-\infty}^{+\infty} x \cdot f(x) \, dx \right)^2
$$
三、常见连续分布的期望与方差公式表
| 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) $ | $ \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) $ | $ \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ | $ \sigma^2 $ |
| 指数分布 $ \text{Exp}(\lambda) $ | $ \lambda e^{-\lambda x} $, $ x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ |
| 伽马分布 $ \text{Gamma}(\alpha, \beta) $ | $ \frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1} e^{-\beta x} $, $ x \geq 0 $ | $ \frac{\alpha}{\beta} $ | $ \frac{\alpha}{\beta^2} $ |
四、小结
连续随机变量的期望与方差是描述其分布特性的两个核心参数，它们分别反映了变量的“中心位置”和“离散程度”。通过概率密度函数，我们可以对这些参数进行精确计算。
在实际应用中，了解不同分布的期望与方差有助于更好地理解数据的特征，并为统计推断、风险评估等提供理论支持。
如需进一步探讨特定分布的性质或应用场景，欢迎继续提问。