二项分布均值和方差的简单推导
2016-09-20 21:33
891 查看
前一篇文章《二项分布》中说过,伯努利分布(也称为两点分布或0-1分布)是二项分布在n=1时的特例。我们先看伯努利分布的均值和方差的推导。
根据离散型随机变量均值和方差的定义,若离散型随机变量X的分布列为:
则称E(X)=x1*p1+x2*p2+...+...xi*pi+...+xn*pn为随机变量X的均值或数学期望,称
为随机变量X的方差。
伯努利分布的分布列为:
则根据离散型随机变量的均值和方差定义:
E(X)=0*(1-p)+1*p=p
D(X)=(0-E(X))2(1-p)+(1-E(X))2p=p2(1-p)+(1-p)2p=p2-p3+p3-2p2+p=p-p2=p(1-p)
对于二项分布X~B(n,p),X表示的是n次伯努利试验中事件发生次数的随机变量。用Xi表示第i次伯努利试验中的随机变量,那么n次伯努利试验总的随机变量X可以表示成:
X=X1+X2+...+Xi+...+Xn
一直没有找到满意的随机变量和、差、积、商的物理/几何/现实意义,如果有了解的朋友不妨留言,不甚感激。
根据均值和方差的性质,如果两个随机变量X,Y相互独立,那么:
E(X+Y)=E(X)+E(Y)
D(X+Y)=D(X)+D(Y)
对于二项分布X~B(n,p),每一次伯努利试验都相互独立,因此:
E(X)=E(X1)+E(X2)+...+E(Xi)+...+E(Xn)=p+p+...+p+...p=np
D(X)=D(X1)+D(X2)+...+D(Xi)+...+D(Xn)=p(1-p)+p(1-p)+...+p(1-p)+...+p(1-p)=np(1-p)
根据离散型随机变量均值和方差的定义,若离散型随机变量X的分布列为:
X | x1 | x2 | ... | xi | ... | xn |
P | p1 | p2 | ... | pi | ... | pn |
为随机变量X的方差。
伯努利分布的分布列为:
X | 0 | 1 |
P | 1-p | p |
E(X)=0*(1-p)+1*p=p
D(X)=(0-E(X))2(1-p)+(1-E(X))2p=p2(1-p)+(1-p)2p=p2-p3+p3-2p2+p=p-p2=p(1-p)
对于二项分布X~B(n,p),X表示的是n次伯努利试验中事件发生次数的随机变量。用Xi表示第i次伯努利试验中的随机变量,那么n次伯努利试验总的随机变量X可以表示成:
X=X1+X2+...+Xi+...+Xn
一直没有找到满意的随机变量和、差、积、商的物理/几何/现实意义,如果有了解的朋友不妨留言,不甚感激。
根据均值和方差的性质,如果两个随机变量X,Y相互独立,那么:
E(X+Y)=E(X)+E(Y)
D(X+Y)=D(X)+D(Y)
对于二项分布X~B(n,p),每一次伯努利试验都相互独立,因此:
E(X)=E(X1)+E(X2)+...+E(Xi)+...+E(Xn)=p+p+...+p+...p=np
D(X)=D(X1)+D(X2)+...+D(Xi)+...+D(Xn)=p(1-p)+p(1-p)+...+p(1-p)+...+p(1-p)=np(1-p)
相关文章推荐
- 方差的期望公式推导,均值的期望公式推导
- 二项分布均值,方差推导
- 二项分布期望和方差的公式推导
- 二项分布均值和方差的推导
- 求二项分布的数学期望与方差的工式及证明过程
- 均值和方差概念
- MATLAB中均值、方差、均方差的计算方法
- 高斯分布中均值,方差,协方差的计算及matlab实现
- 均值和方差概念
- C#Random得随机数求均值、方差、正态分布
- 均值,方差,标准差
- 基于Opencv计算图像的均值和方差
- Matlab求方差,均值,均方差,协方差的函数
- K-均值和K-SVD算法—最简单最透彻的讲解,不要看其他资料了
- matlab 均值和协方差
- 均值,方差: 概率质量函数PMF
- 斯特林公式的推导(简单法则)
- codeforces 153 A. Points on Line 简单数学题 简单推导推导的事情
- 贝塞尔曲线.简单推导与用opengl实现动态画出。