7种常见分布的数学期望及其证明

这篇具有很好参考价值的文章主要介绍了7种常见分布的数学期望及其证明。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1.数学期望

(1)数学期望定义

离散型随机变量数学期望

定义1 设离散型随机变量 X X X的分布律为 P ( X = x i ) = p i , i = 1 , 2... P(X=x_i)=p_i,i=1,2... P(X=xi)=pi,i=1,2...,若级数 ∑ i = 1 + ∞ ∣ x i ∣ p i \sum^{+\infin}_{i=1}\mid x_i\mid p_i i=1+xipi收敛,则称 ∑ i = 1 + ∞ x i p i \sum^{+\infin}_{i=1} x_i p_i i=1+xipi X X X数学期望。记为 E ( X ) E(X) E(X)。即:
E X = ∑ i = 1 + ∞ x i p i 。 EX=\sum^{+\infin}_{i=1} x_i p_i。 EX=i=1+xipi
连续型随机变量数学期望

定义2 设连续型随机变量 X X X的密度函数为 p ( x ) , p(x), p(x),若积分 ∑ − ∞ + ∞ ∣ x ∣ p ( x ) d x < + ∞ \sum_{-\infin}^{+\infin}\mid x \mid p(x)dx < +\infin +xp(x)dx<+,则称 ∑ − ∞ + ∞ x p ( x ) d x \sum_{-\infin}^{+\infin}x p(x)dx +xp(x)dx X X X数学期望均值,记为 E X EX EX。即:
E X = ∑ − ∞ + ∞ x p ( x ) d x 。 EX=\sum_{-\infin}^{+\infin}x p(x)dx。 EX=+xp(x)dx

(2)常用分布的数学期望

1. 0-1分布

X X X 0 1
P P P 1 − p 1-p 1p p p p

E ( X ) = 0 ∗ ( 1 − p ) + 1 ∗ p . E(X)=0 * (1-p)+1 * p. E(X)=0(1p)+1p.

2. 二项分布

X ∼ B ( n , p ) X\sim B(n,p) XB(n,p),其中 0 < p < 1 0<p<1 0<p<1,则:
E ( X ) = n p . E(X)=np. E(X)=np.
证明:
P { x = k } = C n k p k ( 1 − p ) n − k E ( X ) = ∑ k = 0 n k P ( X = k ) = ∑ k = 1 n k n ! k ! ( n − k ) ! p k ( 1 − p ) n − k = ∑ k = 1 n n ! ( k − 1 ) ! ( n − k ) ! p k ( 1 − p ) n − k = n p ∑ k = 1 n ( n − 1 ) ! ( k − 1 ) ! ( n − k ) ! p k − 1 ( 1 − p ) n − 1 − ( k − 1 ) 令 s = k − 1 , n p ∑ s = 0 n − 1 C n − 1 s p s ( 1 − p ) n − 1 − s = n p . P\{x=k\}=C_n^{k}p^k(1-p)^{n-k} \\ E(X)=\sum_{k=0}^{n}kP(X=k)=\sum_{k=1}^{n}k\frac{n!}{k!(n-k)!}p^k(1-p)^{n-k}\\ =\sum_{k=1}^{n}\frac{n!}{(k-1)!(n-k)!}p^k(1-p)^{n-k}\\ = np\sum_{k=1}^{n}\frac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}(1-p)^{n-1-(k-1)}\\ 令s=k-1,\\ np\sum_{s=0}^{n-1}C^{s}_{n-1}p^{s}(1-p)^{n-1-s}=np. P{x=k}=Cnkpk(1p)nkE(X)=k=0nkP(X=k)=k=1nkk!(nk)!n!pk(1p)nk=k=1n(k1)!(nk)!n!pk(1p)nk=npk=1n(k1)!(nk)!(n1)!pk1(1p)n1(k1)s=k1,nps=0n1Cn1sps(1p)n1s=np.

3. 泊松分布

X ∼ P ( λ ) X\sim P(\lambda) XP(λ),其中 λ > 0 \lambda>0 λ>0,则 E ( X ) = λ E(X)=\lambda E(X)=λ

证明
P { X = k } = λ k k ! e − λ , k = 0 , 1 , 2 , . . . , ∴ E ( X ) = ∑ k = 0 ∞ k ⋅ λ k k ! e − λ = ∑ k = 1 ∞ k ⋅ λ k k ! e − λ = ∑ k = 1 ∞ λ ⋅ λ k − 1 ( k − 1 ) ! e − λ = λ ⋅ ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! e − λ m = k − 1 , ∴ λ ⋅ ∑ m = 0 ∞ λ m m ! e − λ = λ ⋅ 1 = λ P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda},k=0,1,2,...,\\ \therefore E(X)=\sum_{k=0}^{\infin}k \cdot \frac{\lambda^{k}}{k!}e^{-\lambda}=\sum_{k=1}^{\infin}k\cdot\frac{\lambda^{k}}{k!}e^{-\lambda}\\ =\sum_{k=1}^{\infin} \frac{\lambda\cdot\lambda^{k-1}}{(k-1)!}e^{-\lambda}=\lambda\cdot\sum_{k=1}^{\infin}\frac{\lambda^{k-1}}{(k-1)!}e^{-\lambda}\\ m=k-1,\therefore\lambda\cdot\sum_{m=0}^{\infin}\frac{\lambda^{m}}{m!}e^{-\lambda}=\lambda\cdot1=\lambda P{X=k}=k!λkeλ,k=0,1,2,...,E(X)=k=0kk!λkeλ=k=1kk!λkeλ=k=1(k1)!λλk1eλ=λk=1(k1)!λk1eλm=k1,λm=0m!λmeλ=λ1=λ
注意, ∑ m = 0 ∞ λ m m ! \sum_{m=0}^{\infin}\frac{\lambda^{m}}{m!} m=0m!λm e λ e^\lambda eλ的幂级数展开式。

4. 均匀分布

X ∼ U ( a , b ) X\sim U(a,b) XU(a,b),则 E ( x ) = a + b 2 E(x)=\frac{a+b}{2} E(x)=2a+b

证明

X X X的密度: p ( x ) = { 1 b − a , a<x<b 0 , 其他 p(x)=\left\{ \begin{aligned} \frac{1}{b-a},&\text{a<x<b}\\ 0,&\text{其他} \\ \end{aligned} \right. p(x)= ba1,0,a<x<b其他
E ( X ) = ∫ a b x ⋅ 1 b − a d x = a + b 2 . E(X)=\int^{b}_{a}x\cdot\frac{1}{b-a}dx=\frac{a+b}{2}. E(X)=abxba1dx=2a+b.

5. 指数分布

X ∼ E ( λ ) X\sim E(\lambda) XE(λ) λ > 0 \lambda>0 λ>0,则 E ( X ) = 1 λ E(X)=\frac{1}{\lambda} E(X)=λ1

证明

p ( x ) = { λ e − λ x , x > 0 0 , x ≤ 0 p(x)=\left\{ \begin{aligned} \lambda e^{-\lambda x},&x>0\\ 0,& x\leq 0 \\ \end{aligned} \right. p(x)={λeλx,0,x>0x0
E ( X ) = ∫ 0 ∞ x λ e − λ x d x = − ∫ 0 ∞ x d e − λ x = − x e − λ x ∣ 0 ∞ + ∫ 0 ∞ e − λ x d x = 1 λ . E(X)=\int_{0}^{\infin}x\lambda e^{-\lambda x}dx = -\int_{0}^{\infin}xde^{-\lambda x}\\ =-xe^{-\lambda x}\mid_{0}^{\infin}+\int^{\infin}_{0}e^{-\lambda x}dx = \frac{1}{\lambda}. E(X)=0xλeλxdx=0xdeλx=xeλx0+0eλxdx=λ1.

6.正态分布

X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) XN(μ,σ2),则 E ( X ) = μ E(X)=\mu E(X)=μ.

证明:
E ( X ) = ∫ − ∞ + ∞ x ⋅ 1 2 π σ e − ( x − μ ) 2 2 σ 2 d x E(X)=\int_{-\infin}^{+\infin}x\cdot \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx E(X)=+x2π σ1e2σ2(xμ)2dx
x − μ σ = u \frac{x-\mu}{\sigma}=u σxμ=u
E ( X ) = ∫ − ∞ + ∞ ( u σ + μ ) ⋅ 1 2 π e − u 2 2 = σ 2 π ∫ − ∞ + ∞ u e − u 2 2 d u + μ ∫ − ∞ + ∞ 1 2 π e − u 2 2 d u = 0 + μ ∗ 1 = μ E(X)=\int_{-\infin}^{+\infin}(u\sigma+\mu)\cdot \frac{1}{\sqrt{2\pi}}e^{-\frac{u^2}{2}}\\ =\frac{\sigma}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}ue^{-\frac{u^2}{2}}du +\mu\int^{+\infin}_{-\infin}\frac{1}{\sqrt{2\pi}}e^{-\frac{u^2}{2}}du\\ =0+\mu * 1 = \mu\\ E(X)=+(uσ+μ)2π 1e2u2=2π σ+ue2u2du+μ+2π 1e2u2du=0+μ1=μ

7. 几何分布

X ∼ 参数为p的几何分布 X\sim \text{参数为p的几何分布} X参数为p的几何分布 E ( X ) = 1 p E(X)=\frac{1}{p} E(X)=p1

证明
P { X = k } = p ( 1 − p ) k − 1 k = 1 , 2 , . . . P\{X=k\}=p(1-p)^{k-1}\qquad k=1,2,... P{X=k}=p(1p)k1k=1,2,...

E ( X ) = ∑ k = 1 ∞ k p ( 1 − p ) k − 1 = x = 1 − p p ∑ p + ∞ k x k − 1 = p ∑ k = 1 + ∞ ( x k ) ′ = p ( ∑ k = 1 + ∞ x k ) ′ = p ( x 1 − x ) ′ = p 1 ( 1 − x ) 2 = x = 1 − p 1 p E(X)=\sum_{k=1}^{\infin}kp(1-p)^{k-1}=^{x=1-p}p\sum_p^{+\infin}kx^{k-1}\\ =p\sum_{k=1}^{+\infin}(x^k)^{'}=p(\sum_{k=1}^{+\infin}x^k)^{'}\\ =p(\frac{x}{1-x})^{'}=p\frac{1}{(1-x)^2}=^{x=1-p}\frac{1}{p} E(X)=k=1kp(1p)k1=x=1ppp+kxk1=pk=1+(xk)=p(k=1+xk)=p(1xx)=p(1x)21=x=1pp1文章来源地址https://www.toymoban.com/news/detail-824326.html

到了这里,关于7种常见分布的数学期望及其证明的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【考研数学】概率论与数理统计 —— 第二章 | 一维随机变量及其分布(1,基本概念与随机变量常见类型)

    暑假接近尾声了,争取赶一点概率论部分的进度。 设随机试验 E E E 的样本空间为 Ω Omega Ω , X X X 为定义于样本空间 Ω Omega Ω 上的函数,对于任意 w ∈ Ω w in Omega w ∈ Ω ,总存在唯一确定的 X ( w ) X(w) X ( w ) 与之对应,称 X ( w ) X(w) X ( w ) 为随机变量,一般记为 X X X 。 随机

    2024年02月11日
    浏览(32)
  • 7种常见分布的数学期望及其证明

    离散型随机变量数学期望 定义1 设离散型随机变量 X X X 的分布律为 P ( X = x i ) = p i , i = 1 , 2... P(X=x_i)=p_i,i=1,2... P ( X = x i ​ ) = p i ​ , i = 1 , 2... ,若级数 ∑ i = 1 + ∞ ∣ x i ∣ p i sum^{+infin}_{i=1}mid x_imid p_i ∑ i = 1 + ∞ ​ ∣ x i ​ ∣ p i ​ 收敛,则称 ∑ i = 1 + ∞ x i p i sum^

    2024年01月25日
    浏览(29)
  • 概率论-条件数学期望(复习笔记自用)

    实际上,求条件期望就是在新的概率空间上进行计算,即 ,因此也继承了期望的所有性质 如果 ,则E(X)=Eg(Y) 使用全概率公式,可以容易得到证明 理解,找到共性 正态分布的优良性质:正态分布的条件分布仍为正态分布 公式的证明充分体现出微分法的优势 理解:对于固定的

    2024年02月08日
    浏览(29)
  • 概率论--数学期望与方差--协方差(详解)

    目录 数学期望与方差 离散型随机变量的数学期望 注意 连续型随机变量的数学期望          方差 常用随机变量服从的分布  二项分布 正态分布 随机向量与随机变量的独立性 随机向量 随机变量的独立性 协方差 协方差的定义 协方差的意义 协方差矩阵 离散型随机变量的

    2024年02月11日
    浏览(25)
  • 【考研数学】概率论与数理统计 —— 第三章 | 二维随机变量及其分布(3,二维随机变量函数的分布)

    设 ( X , Y ) (X,Y) ( X , Y ) 为二维随机变量,以 X , Y X,Y X , Y 为变量所构成的二元函数 Z = φ ( X , Y ) Z=varphi(X,Y) Z = φ ( X , Y ) ,称为随机变量 ( X , Y ) (X,Y) ( X , Y ) 的函数,其分布一般有如下几种情形: ( X , Y ) (X,Y) ( X , Y ) 为二维离散型随机变量 设 ( X , Y ) (X,Y) ( X , Y ) 联合分布律为

    2024年02月07日
    浏览(28)
  • 概率论中二项分布期望与方差的详细推导

    二项分布的期望和方差表达式非常简洁,但推导过程却很灵活,我们做如下推导: 概率论中,离散型随机变量期望的定义为 二项分布概率公式为 : 则其期望为 : 我们记   则 因为 所以 根据二项式展开定理,有 所以原式 概率论中,方差的定义为 因为上文已经得到E(X),所以

    2024年02月21日
    浏览(33)
  • 【考研数学】概率论与数理统计 —— 第三章 | 二维随机变量及其分布(1,二维连续型和离散型随机变量基本概念与性质)

    隔了好长时间没看概率论了,上一篇文章还是 8.29 ,快一个月了。主要是想着高数做到多元微分和二重积分题目,再来看这个概率论二维的来,更好理解。不过没想到内容太多了,到现在也只到二元微分的进度。 定义 1 —— 二维随机变量。设 X , Y X,Y X , Y 为定义于同一样本空

    2024年02月07日
    浏览(39)
  • 洛必达法则和分部积分的应用之计算数学期望EX--概率论浙大版填坑记

    如下图所示,概率论与数理统计浙大第四版有如下例题: 简单说就是:已知两个相互独立工作电子装置寿命的概率密度函数,将二者串联成整机,求整机寿命的数学期望。 这个题目解答中的微积分部分可谓是相当的坑爹,根本没有任何中间计算过程,任何人直接看根本看不

    2024年02月16日
    浏览(26)
  • 概率论之 证明 正态分布的上a 分位点的对称的性质

    公式(Z(a) = -Z(1-a)) 表示正态分布的上(a)分位点与下(1-a)分位点在分布曲线上关于均值的对称性。 左侧 (Z(a)): 这是分布曲线上累积概率为(a)的那个点。也就是说,这是一个使得这个点及其左侧的面积占据整个曲线下方(a)的位置。 右侧 (Z(1-a)): 这是分布曲线上累积概率为(1-a)的

    2024年01月15日
    浏览(27)
  • 概率论与数理统计————3.随机变量及其分布

    设E是一个随机试验,S为样本空间,样本空间的任意样本点e可以通过特定的对应法则X,使得每个样本点都有与之对应的数对应,则称 X=X(e)为随机变量 分布函数: 设X为随机变量,x是任意实数,则事件{Xx}为随机变量X的分布函数,记为F(x) 即: F(x)=P(Xx) (1)几何意

    2024年01月18日
    浏览(31)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包