D(X)与E(X)的关系是怎样的？
在概率论与数理统计中，D(X)方差和E(X)数学期望是描述随机变量分布特征的两个核心数字特征。
E(X)反映随机变量取值的平均水平，即“中心位置”；D(X)则衡量取值相对于E(X)的离散程度，即“波动大小”。两者并非孤立存在，而是通过严密的数学关系紧密相连。
一、D(X)的定义依赖于E(X)
方差的定义式直接以数学期望为基础：
D(X) = E[(X - E(X))²]。该式表明，方差本质上是随机变量X与其期望E(X)偏差平方的期望。这里的“偏差”(X - E(X))描述了X取值与中心位置的偏离，而平方运算既消除了正负偏差的抵消，又放大了极端偏离的影响，最后通过期望E(·)将这种偏离程度平均化，得到的D(X)便量化了整体的离散水平。
二、D(X)与E(X)的析关系公式
通过展开方差定义式中的平方项，可进一步得到D(X)与E(X)的显式关系：
D(X) = E(X²) - [E(X)]²。该公式揭示了方差的计算依赖于两个期望：X平方的期望E(X²)和期望的平方[E(X)]²。直观来看，若X的取值集中在E(X)附近，E(X²)会接近[E(X)]²，此时D(X)较小；若X取值分散，E(X²)会显著大于[E(X)]²，D(X)则较大。
三、E(X)对D(X)的“基准”作用
E(X)是计算D(X)的“基准点”。论随机变量X服从何种分布离散或连续，计算D(X)时必须先确定E(X)：
- 若X为离散型随机变量，其分布律为P(X=xᵢ)=pᵢ，则E(X)=Σxᵢpᵢ，D(X)=Σ(xᵢ - E(X))²pᵢ；
- 若X为连续型随机变量，概率密度函数为f(x)，则E(X)=∫xf(x)dx，D(X)=∫(x - E(X))²f(x)dx。
没有E(X)作为基准，D(X)便失去了衡量“偏离程度”的参照，其数值也就失去了意义。
四、特殊情形下的关系体现
当X为常数随机变量即X=C，C为常数时，E(X)=C，此时D(X)=E[(C - C)²]=0。这一极端情况清晰表明：若期望E(X)固定且X波动，方差D(X)为0；反之，D(X)为0时，X必以概率1等于E(X)。 此外，对于常见分布如正态分布N(μ,σ²)，E(X)=μ，D(X)=σ²，两者共同决定了分布的位置和形态——μ确定对称轴，σ²决定曲线“胖瘦”。
D(X)与E(X)的关系可概括为：E(X)是描述随机变量“中心趋势”的基础，D(X)则是在E(X)的基准上，通过偏差平方的期望刻画“离散程度”。两者结合，才能整反映随机变量的分布特征：期望告诉我们“平均取值在哪”，方差告诉我们“取值偏离平均多远”。这种依赖与互补的关系，使它们成为概率论中分析随机现象的核心工具。
