期望与方差：分布的中心与散布

02-随机变量与分布核心约 25 分钟 #期望#方差#线性性#标准差更新 2026-10-02

当前状态：未学

本文基于模型知识整理（生成时未联网核对），性质与反例建议对照 Blitzstein & Hwang 第 4 章复核。

一句话定义

期望 $E[X]$ 是"概率加权的平均值"（$\sum xp_p$ 或 $\int xf\,dx$）——分布的重心；方差 $\text{Var}(X)=E[(X-E[X])^2]$ 度量围绕重心的散布（平方消除正负、再开方得标准差还原量纲）——两个数字概括分布的"在哪"与"多散"。

期望是决策的货币（期望效用/期望损失——一切"平均而言"的判断），方差是风险的度量（投资组合、估计误差 kp-019、模型的偏差-方差分解）。两者加上线性性，让"不必知道完整分布也能推理"成为可能——这是统计与机器学习大量只用一二阶矩的深层原因。

kp-006（PMF/PDF）；级数/积分的基本收敛概念（连续版要绝对收敛，kp-030 柯西反例）。

定义：离散 $E[X]=\sum_k x_kp_k$；连续 $E[X]=\int xf(x)dx$（存在性要求绝对收敛）。
方差的两种算式：$\text{Var}(X)=E[X^2]-(E[X])^2$（计算式）＝$E[(X-\mu)^2]$（定义式）；标准差 $\sigma=\sqrt{\text{Var}}$。
期望线性性（无独立性要求！）：$E[aX+bY+c]=aE[X]+bE[Y]+c$——全概率论最实用的性质。
方差的性质：$\text{Var}(aX+b)=a^2\text{Var}(X)$；独立时 $\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)$（不独立要加 2Cov，kp-011）。
其他矩：k 阶原点矩 $E[X^k]$；标准化的三阶=偏度（不对称度）、四阶=峰度（尾部厚度）——高阶矩 kp-013 展开。
条件期望预告：$E[X|Y=y]$ 与全期望公式 $E[X]=E[E[X|Y]]$（kp-010）。

期望为什么是"重心"：把概率质量摆在数轴上，E[X] 是让杠杆平衡的支点——两侧质量矩相消。由此"期望可以不在取值集合里"（骰子期望 3.5）与"右偏分布均值被长尾拖大"（收入分布）都一目了然。

线性性为什么不需要独立：求和的期望=期望的和，来自加法的逐项分配（Σ/∫ 的线性）——不涉及任何联合结构；这正是 kp-030 概率中"线性性免独立性、乘积要独立性"的不对称出处。方差不同：$(X+Y)^2$ 展开会多出 $2XY$ 交叉项，必须知道协方差（独立时为零）才能拆。

方差为什么用平方：直接 $E[X-\mu]$ 恒为 0（正负抵消）；平方保证偏差非负且对大偏差加权（风险厌恶的数学形态）。代价是量纲平方——标准差开方还原；这也是"为什么报告里常说 ±σ 而不是 ±Var"。

期望线性：$E[\sum a_iX_i]=\sum a_iE[X_i]$
方差：$\text{Var}(X)=E[X^2]-\mu^2\ge0$；独立可加：$\text{Var}(\sum X_i)=\sum\text{Var}(X_i)$
均匀 U(a,b)：$E=\frac{a+b}2$，$\text{Var}=\frac{(b-a)^2}{12}$
指数（率 λ）：$E=\frac1\lambda$，$\text{Var}=\frac1{\lambda^2}$

期望是"跷跷板支点"：概率是各座位上的小孩体重。方差是"孩子们离支点的平均 squared 距离"——都坐在支点附近（方差小）vs 两端稀稀拉拉（方差大）。标准差把"平方距离"翻译回"米"这种能理解的单位。

答：E=1；Var=4/12=1/3。

答：$E[(aX+b-aE[X]-b)^2]=a^2E[(X-\mu)^2]$——平移消失、缩放平方。

答：E=1；Var=1/12+1/12=1/6（独立可加）。