证明 正态分布 的期望和方差

正态分布

正态分布（Normal Distribution）是连续型概率分布中最重要和最常见的一种。假设随机变量 ( X ) 服从均值为 ( \mu )、方差为 ( \sigma^2 ) 的正态分布，记作

正态分布的概率密度函数（PDF）为：

$$f(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

期望值

期望值（Expectation）表示随机变量的平均值。对于正态分布 ( X )，其期望值 ( \mathbb{E}(X) ) 定义为：

$$\mathbb{E}(X)={\int }_{-\infty }^{\infty }xf(x)dx$$

代入正态分布的概率密度函数：

$$\mathbb{E}(X)={\int }_{-\infty }^{\infty }x\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx$$

$$\mathbb{E}(X)={\int }_{-\infty }^{\infty }(\sigma z+\mu )\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{z^2}{2}}\sigma dz$$

简化后为：

$$\mathbb{E}(X)={\int }_{-\infty }^{\infty }(\sigma z+\mu )\frac{\sigma }{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{z^2}{2}}dz$$

将积分拆分为两部分：

$$\mathbb{E}(X)={\int }_{-\infty }^{\infty }\sigma z\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz+{\int }_{-\infty }^{\infty }\mu \frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz$$

$${\int }_{-\infty }^{\infty }z{e}^{-\frac{z^2}{2}}dz=0$$

第二个积分为 ( \mu ) 乘以正态分布的积分，结果为 1：

$${\int }_{-\infty }^{\infty }\mu \frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz=\mu \cdot 1=\mu$$

因此，

$$\mathbb{E}(X)=\mu$$

方差

方差（Variance）表示随机变量与其期望值之间的离散程度。方差的定义为：

$$\text{Var}(X)=\mathbb{E}[(X-\mathbb{E}(X){)}^2]=\mathbb{E}[(X-\mu {)}^2]$$

我们首先计算 ( \mathbb{E}(X^2) )：

$$\mathbb{E}(X^2)={\int }_{-\infty }^{\infty }{x}^{2}f(x)dx$$

代入正态分布的概率密度函数：

$$\mathbb{E}(X^2)={\int }_{-\infty }^{\infty }{x}^2\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx$$

$$\mathbb{E}(X^2)={\int }_{-\infty }^{\infty }(\sigma z+\mu {)}^2\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{z^2}{2}}\sigma dz$$

简化后为：

$$\mathbb{E}(X^2)={\int }_{-\infty }^{\infty }({\sigma }^2{z}^2+2\sigma \mu z+{\mu }^2)\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz$$

将积分拆分为三部分：

$$\mathbb{E}(X^2)={\sigma }^2{\int }_{-\infty }^{\infty }{z}^2\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz+2\sigma \mu {\int }_{-\infty }^{\infty }z\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz+{\mu }^2{\int }_{-\infty }^{\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz$$

第二个积分为零，因为 ( z ) 是奇函数，而 ( e^{-\frac{z2}{2}} ) 是偶函数：（奇*偶=奇函数）

$${\int }_{-\infty }^{\infty }z{e}^{-\frac{z^2}{2}}dz=0$$

第一个积分的结果是正态分布的二阶矩，已知：

$${\int }_{-\infty }^{\infty }{z}^2\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz=1$$

第三个积分为 1：

$${\int }_{-\infty }^{\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz=1$$

因此，

$$\mathbb{E}(X^2)={\sigma }^2\cdot 1+0+{\mu }^2\cdot 1={\sigma }^2+{\mu }^2$$

现在我们可以计算方差：

$$\text{Var}(X)=\mathbb{E}(X^2)-(\mathbb{E}(X){)}^2={\sigma }^2+{\mu }^2-{\mu }^2={\sigma }^2$$

结论

对于正态分布
其期望值和方差分别为：

$$\mathbb{E}(X)=\mu$$

$$\text{Var}(X)={\sigma }^2$$

这些结果表明，正态分布的均值是 ( \mu )，方差是 ( \sigma^2 )，反映了数据的集中趋势和离散程度。