7种常见分布的数学期望及其证明
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+∞∣xi∣pi收敛,则称 ∑ i = 1 + ∞ x i p i \sum^{+\infin}_{i=1} x_i p_i ∑i=1+∞xipi为 X X X的数学期望。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 ∑−∞+∞∣x∣p(x)dx<+∞,则称 ∑ − ∞ + ∞ x p ( x ) d x \sum_{-\infin}^{+\infin}x p(x)dx ∑−∞+∞xp(x)dx为 X X X的数学期望或均值,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 1−p | p p p |
E ( X ) = 0 ∗ ( 1 − p ) + 1 ∗ p . E(X)=0 * (1-p)+1 * p. E(X)=0∗(1−p)+1∗p.
2. 二项分布
X ∼ B ( n , p ) X\sim B(n,p) X∼B(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(1−p)n−kE(X)=k=0∑nkP(X=k)=k=1∑nkk!(n−k)!n!pk(1−p)n−k=k=1∑n(k−1)!(n−k)!n!pk(1−p)n−k=npk=1∑n(k−1)!(n−k)!(n−1)!pk−1(1−p)n−1−(k−1)令s=k−1,nps=0∑n−1Cn−1sps(1−p)n−1−s=np.
3. 泊松分布
X ∼ P ( λ ) X\sim P(\lambda) X∼P(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!λke−λ,k=0,1,2,...,∴E(X)=k=0∑∞k⋅k!λke−λ=k=1∑∞k⋅k!λke−λ=k=1∑∞(k−1)!λ⋅λk−1e−λ=λ⋅k=1∑∞(k−1)!λk−1e−λm=k−1,∴λ⋅m=0∑∞m!λme−λ=λ⋅1=λ
注意, ∑ m = 0 ∞ λ m m ! \sum_{m=0}^{\infin}\frac{\lambda^{m}}{m!} ∑m=0∞m!λm为 e λ e^\lambda eλ的幂级数展开式。
4. 均匀分布
若 X ∼ U ( a , b ) X\sim U(a,b) X∼U(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)=⎩ ⎨ ⎧b−a1,0,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)=∫abx⋅b−a1dx=2a+b.
5. 指数分布
X ∼ E ( λ ) X\sim E(\lambda) X∼E(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)={λe−λx,0,x>0x≤0
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)=∫0∞xλe−λxdx=−∫0∞xde−λx=−xe−λx∣0∞+∫0∞e−λxdx=λ1.
6.正态分布
X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(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)=∫−∞+∞x⋅2π σ1e−2σ2(x−μ)2dx
令 x − μ σ = u \frac{x-\mu}{\sigma}=u σx−μ=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 1e−2u2=2π σ∫−∞+∞ue−2u2du+μ∫−∞+∞2π 1e−2u2du=0+μ∗1=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(1−p)k−1k=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=1∑∞kp(1−p)k−1=x=1−ppp∑+∞kxk−1=pk=1∑+∞(xk)′=p(k=1∑+∞xk)′=p(1−xx)′=p(1−x)21=x=1−pp1
7种常见分布的数学期望及其证明相关推荐
- 随机变量及其分布和几种常见分布
符号 (I)(I)(I)(0-1)分布(离散型) X∼B(1,p)X∼B(1,p) X\sim B(1,p) (II)(II)(II)伯努利试验,二项分布(离散型) X∼B(n,p)X∼B(n,p) ...
- 常见随机分布的数学期望及方差
- python 数学期望_python机器学习笔记:EM算法
完整代码及其数据,请移步小编的GitHub 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/MachineLearningNote EM算法也称期望最大化 ...
- 概率论由相关性求数学期望和方差的公式_2020.3.30 | 考研数学—概率论与数理统计:各章节考试重点...
考研数学有两大重点,基础要打好,练习要多做,错题要巩固.下面来看下有关概率论与数理统计相关复习内容,一起来学习吧! 一.概率与数理统计学科的特点(1)研究对象是随机现象高数是研究确定的现象,而概率研究 ...
- 分段函数的期望和方差_概率论中数学期望什么时候不存在?
很多考生对数学的复习不是有很清晰的认识,其实现在可以真正的开始了第一轮的复习.在第一轮的复习中有以下四大框架可以推荐给广大考生. 1. 注意基本概念.基本方法和基本定理的复习掌握 结合考研辅导书和大纲 ...
- HDU - 4586 数学期望
题意 有一个骰子有n个面,掷到每一个面的概率是相等的,每一个面上都有相应的钱数.其中当你掷到某些面 一共m个面之一时,你有多掷一次的机会.问最后所得钱数的期望. 分析 数学期望是什么 数学期望就是一种 ...
- 几何分布的期望和方差公式推导_数学期望、方差、协方差
概论: 一维随机变量期望与方差 二维随机变量期望与方差 协方差 1.一维随机变量期望与方差: 公式: 离散型: E(X)=∑i=1->nXiPi Y=g(x) E(Y)=∑i=1->ng( ...
- 数学期望及常见分布的期望计算与推导
文章目录 1. 数据期望定义 2. 随机变量函数的数学期望 3. 二维随机变量函数的期望 4. 数学期望性质 5. 常见随机变量分布的期望 5.1 (0−1)(0-1)(0−1)分布 5.2 二项分布 ...
- 区分两种题目类型中的数学期望
在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和(百度百科) 一种类型的题目:小明抽中彩票的概率为 p,小明重复进行抽奖,则其能抽中彩票所需的抽 ...
最新文章
- 浅谈ADO.NET中的五个主要对象
- CANopen | 对象字典OD 02 - 修改CANopen节点的心跳报文发送间隔
- 用Intellij Idea创建一个普通的Java工程并用JDBC连接数据库
- 极客大学架构师训练营 JVM虚拟机原理 JVM垃圾回收原理 Java编程优化 第17课 听课总结
- 查看java/jdk版本
- php探针作用,X 探针(刘海探针)一款开源又好用的PHP探针
- 使用python对bin文件进行操作
- 专利申请过程中的重要文件总结
- 软件测试oracle怎么学,怎么自学软件测试?
- VS2010扩展VAX的安装使用
- 开户功能遭入侵攻击,银行 App 数据安全如何保护?
- 网校系统开发如何做才能保证系统稳定发展
- 使用EDAS投稿系统进行论文投稿时常遇到的问题及解决方法
- android:exported、enabled属性
- 假定在使用CSMA/CD协议的10Mb/s以太网中某个站在发送数据时检测到碰撞,执行碰撞算法是选择了随机数R=100 试问这个站需要等待多长时间后才能再次发送数据,如果是100Mb/s的以太网呢?
- 如何在Python中用集合实现随机的1~100的20个数字
- nvidia显卡Tesla查看GPU使用情况
- java 语言的简介
- 2021.07.13 B站是这样崩的
- 信息技术 安全技术 信息安全管理体系 要求