各种分布的方差与期望是概率论与数理统计中的核心概念，不同分布对应不同的参数公式，掌握这些公式能帮助快速计算随机变量的数字特征。 以下列举常见离散分布和连续分布的方差与期望：离散分布中，伯努利分布的期望为 p，方差为 p(1-p)；二项分布的期望为 np，方差为 np(1-p)；泊松分布的期望与方差均为 λ；几何分布的期望为 1/p，方差为 (1-p)/p²。连续分布中，均匀分布 U(a,b) 的期望为 (a+b)/2，方差为 (b-a)²/12；正态分布 N(μ,σ²) 的期望为 μ，方差为 σ²；指数分布 Exp(λ) 的期望为 1/λ，方差为 1/λ²；伽马分布 Ga(α,β) 的期望为 α/β，方差为 α/β²。实际应用中，这些公式是假设检验、置信区间估计和贝叶斯推断的基础，正确理解分布的方差与期望有助于数据建模与决策分析。

【常见问题】

问题1：如何计算二项分布的方差与期望？

回答1：二项分布的方差与期望公式为：期望 E(X)=np，方差 Var(X)=np(1-p)，其中 n 为试验次数，p 为单次成功概率。

问题2：正态分布的方差与期望在数据分析中有什么意义？

回答2：正态分布的方差与期望分别对应数据的分散程度和中心位置，期望 μ 决定分布位置，方差 σ² 决定数据波动大小，常用于标准化和异常值检测。

问题3：泊松分布的方差与期望相等，这一特性有什么实际应用？

回答3：泊松分布的方差与期望相等（均为 λ），适用于单位时间内随机事件发生次数的建模，如电话呼叫量、网页访问量等，可用该性质检验数据是否符合泊松分布。

问题4：指数分布的方差与期望有什么关联？

回答4：指数分布的方差与期望的平方相等，即期望为 1/λ，方差为 1/λ²，因此标准差等于期望，常用于描述无记忆性的等待时间分布。

问题5：均匀分布的方差与期望公式如何推导？

回答5：均匀分布 U(a,b) 的期望为 (a+b)/2，方差为 (b-a)²/12，推导基于概率密度函数 f(x)=1/(b-a) 在区间上的积分计算一阶矩和二阶矩得到。