常见分布的期望与方差的计算期望和方差是描述概率分布特征的重要统计量。
在统计学中，期望是对一个随机变量的全体取值的加权平均，而方差则是每个随机变量观察值与期望之间差异的平方的平均。
在本文中，我们将讨论几个常见分布的期望和方差的计算方法。
1.二项分布：二项分布用于描述多次独立的二元试验中成功次数的概率分布。
假设随机变量X服从二项分布B(n,p)，其中n为试验次数，p为每次试验成功的概率。
那么其期望和方差分别为：期望：E(X) = np方差：Var(X) = np(1-p)2.泊松分布：期望：E(X)=λ方差：Var(X) = λ3.正态分布：正态分布是最为常见的连续型概率分布，许多自然现象都可以近似地用正态分布来描述。
假设随机变量X服从正态分布N(μ,σ^2)，其中μ为均值，σ^2为方差。
那么其期望和方差分别为：期望：E(X)=μ方差：Var(X) = σ^24.均匀分布：均匀分布用于描述在一个区间内取值概率相等的随机变量。
假设随机变量X服从均匀分布U(a,b)，其中a为最小值，b为最大值。
那么其期望和方差分别为：期望：E(X)=(a+b)/2方差：Var(X) = (b-a)^2/125.几何分布：几何分布用于描述独立重复进行的同一事件中首次成功所需的次数的概率分布，例如投掷硬币直到出现正面的次数。
假设随机变量X服从几何分布Geo(p)，其中p为每次试验成功的概率。
那么其期望和方差分别为：期望：E(X)=1/p方差：Var(X) = (1-p)/(p^2)以上是几个常见分布的期望和方差的计算方法。
通过了解和计算概率分布的期望和方差，我们可以更好地理解和描述随机变量的特点，从而进行更准确的统计分析和推断。
变量类型与统计分析对应表如下：条件期望与条件方差在正式进入计量经济学的学习之前，需要对条件期望以及条件方差熟练掌握，它们将在以后的学习中经常遇到。
一、条件期望 1、条件均值的定义 条件均值的定义为：[]()()||||yY X yyf y x dyY E Y X yP y x Y ⎧⎪=⎨⎪⎩⎰∑若是连续的若是离散的应当指出的是，条件期望是谁的函数？2、条件期望的性质条件均值有几个简单而有用的性质：（1）迭代期望律 ( Law of Iterated expectations, LIE) 条件期望的期望等于无条件期望：[][]|X E Y E E Y X ⎡⎤=⎣⎦其中，记号[]x E ⋅表示关于 x 值的期望。
Proof: 离散情形： We need to show:()[]()|X xE Y E Y X x P X x ===∑Where []()|||Y X yE Y X x yP y x ==∑.We have[]()()()()()|||XxY X X yxY yE Y X x P Xx y P y x P x yP Y y E Y ======∑∑∑∑连续情形:and()()X xE g gf x dx=⎰()()||yE Y X yf y x dy=⎰()()()()()()()()()()()()|||||,X xx y x yx yx yyE E Y X x E Y X x fx dx yfy x dy f x dxyf y x dy f x dx yf y x f x dxdyyf x y dxdyyf y dyE Y ∴=⎡⎤⎣⎦==⎡⎤⎣⎦⎛⎫= ⎪ ⎪⎝⎭=====⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰迭代期望律的一般表述方式()()()|||E y E E y =x w x其中，()g =x w ，x 是w 的子集，()g ⋅为非随机函数。
特例： ()()()||,|E y E E y =x x z x 另外，()()()|||E y E E y =x x w 也成立。
二元随机变量的样本方差二元随机变量的样本方差是统计学中常用的一个概念，它用来衡量二元随机变量样本的离散程度。
在统计学中，样本方差是一个重要的统计指标，它可以帮助我们了解数据的分布情况，从而对数据进行合理的分析和推断。
我们来了解一下什么是二元随机变量。
简单来说，二元随机变量是由两个随机变量组成的一种随机变量。
它可以取两个值中的一个，比如掷硬币的结果可以是正面或者反面，这就是一个二元随机变量。
在实际应用中，二元随机变量有很多种，比如信号的传输结果可以是正确或者错误，药物的疗效可以是有效或者无效等等。
对于一个二元随机变量，我们通常会进行多次观测，得到一组样本数据。
样本方差就是用来衡量这组样本数据的离散程度的。
它的计算方法是将每个观测值与样本均值的差求平方，然后求平均值。
这个平均值就是样本方差。
样本方差的计算公式如下所示：样本方差= Σ(xi - x̄)² / (n - 1)其中，xi表示观测值，x̄表示样本均值，n表示样本容量。
通过计算样本方差，我们可以得到一个数值，这个数值越大，说明样本数据的离散程度越大，反之亦然。
样本方差可以帮助我们判断数据的集中程度和分散程度，从而对数据进行更加准确的分析和解释。
除了样本方差，还有一个相关的概念是总体方差。
总体方差是用来衡量总体数据的离散程度的，它的计算方法与样本方差类似，只是除以的是总体容量而不是样本容量。
总体方差是样本方差的一个无偏估计量，它可以帮助我们对总体数据的离散程度进行估计。
在实际应用中，样本方差经常用来评估数据的可靠性和稳定性。
比如在医学研究中，我们经常需要评估某种药物的疗效，如果一组样本数据的样本方差较小，说明这组数据的离散程度较小，数据比较稳定，我们可以更加有信心地认为这种药物是有效的。
而如果样本方差较大，说明数据的离散程度较大，我们就需要更加小心地进行分析和判断。
样本方差还可以用来比较不同样本数据之间的差异。
比如在市场调研中，我们可以对不同品牌的产品进行样本调查，计算各自的样本方差，通过比较样本方差的大小来评估产品的市场竞争力。
期望和期望的性质1. 若E[X]和E[Y]均有限，在(X,Y)连续的情况下：E[X+Y]=E[X]+E[Y]E[X1+X2+...X n]=E[X1]+E[X2]+...+E[X n](上式不要求X,Y独⽴)2. 若X,Y具有⼆元分布列p(x,y)，那么：E[g(X,Y)]=∑∑g(x,y)p(x,y)若X,Y具有联合分布密度，那么：E[g(X,Y)]=∫∫g(x,y)f(x,y)dxdy3. 若X,Y独⽴，那么：E[X1X2...X n]=E[X1]E[X2]...E[X n]4. 样本均值的期望等于其分布的均值。
5. 若X,Y独⽴，那么：E[g(X)h(Y)]＝E[g(X)]E[h(Y)]6. 协⽅差Cov(X,Y)=E[(X-E[X])(Y-E[Y])]=E[XY]-E[X]E[Y]7. 若X1,...X n两两独⽴，那么Var(∑X i)=∑Var(X i)即，独⽴随机变量和的⽅差等于他们⽅差的和。
8. 两个随机变量X,Y的相关系数ρ=Cov(X,Y)/sqrt(Var(X)·Var(Y))相关系数是两个随机变量间线性依赖程度的⼀种度量。
-1≤ρ≤1ρ接近0，表⽰两者缺乏线性依赖性。
ρ=0，X,Y不相关。
ρ取正值，X增加时Y趋于增加；ρ取负值，X增加时Y趋于下降。
9. 浙江⼤学，概率论与数理统计，数学期望，产品产量、销售量与利润期望的问题：销售量Y是个随机变量，产品产量x是⼀个待求的⾮随机变量。
如果把这两者画在数轴上，Y的位置是随机游动的。
根据Y与x的相对位置，利润有不同的表达式（Y在x左侧，产品有积压；Y在x右侧，产品⽆积压）。
这样将期望表达式的积分区间分为[0,x]和[y,+∞]。
