二项分布的方差证明

服从二项分布的随机变量ξ的方差公式的推导

在独立重复实验中，某结果发生的概率均为p （不发生的概率为q ，有1p q +=），那么在

n 次实验中该结果发生的次数ξ的概率分布为

ξ

1 2 3

1n -

n

P

0n

n C q

11n n C pq - 222n n C p q - 333

n n C p q -

11

n n n C p q --

n n

n C p

服从二项分布的随机变量ξ的期望E np ξ=.证明从略. 预备公式1.

21

()n

i i i D x E p ξξ==-?∑

2212

2

1

1

1

22222

[2()]2()2()()()n

i i i

i n

n n

i i i i i i i i x x E E p x p E x p E p E E E E E ξξξξξξξξξ=====-+?=-?+?=-+=-∑∑∑∑

22()D E E ξξξ∴=-

预备公式2.

21

1k k n n k C knC --=

1

111111212

[(1)1](1)(1)k n k k n n k k n n n k C nC n k C nC n n C ----------=-+=+-=+- 212

12(1)k k k n n n k C nC n n C ----∴=+-

求证：D npq ξ=

证明：2

20n

i i n i n

i E i C

p q ξ-==

∑ 11

121

222

1

1101

2

221

1

2

1

2

111221122(1)(1)()(1)()(1)n

n

n i i n i

i i n i

n

n n i i n n

n i i n i

n i i n i

n n n i i n n n n n n C pq nC

p q

n n C p q npq

np C

p q

npC q n n p

C

p q npq np p q npq n n p p q npq np npq n n p np n p -------==-----------==------=++-=+-+-=++-+-+=+-+-=+∑∑∑∑222222

(1)np np p n p npq n p -=-+=+

22()D E E ξξξ∴=-

222()npq n p np npq

=+-=

(完整word版)常见分布的期望和方差

常见分布的期望和方差 x n (0,1) N()

概率与数理统计重点摘要 1、正态分布的计算：()()( )X F x P X x μ σ -=≤=Φ。 2、随机变量函数的概率密度：X 是服从某种分布的随机变量，求()Y f X =的概率密度：()()[()]'()Y X f y f x h y h y =。（参见P66～72） 3、分布函数(,)(,)x y F x y f u v dudv -∞-∞ = ?? 具有以下基本性质： ⑴、是变量x ，y 的非降函数； ⑵、0(,)1F x y ≤≤，对于任意固定的x ，y 有：(,)(,)0F y F x -∞=-∞=； ⑶、(,)F x y 关于x 右连续，关于y 右连续； ⑷、对于任意的11221212(,),(,),,x y x y x x y y <<　 　，有下述不等式成立： 22122111(,)(,)(,)(,)0F x y F x y F x y F x y --+≥ 4、一个重要的分布函数：1(,)(arctan )(arctan )23 x y F x y πππ2=++22的概率密度为：2222 6(,)(,)(4)(9)f x y F x y x y x y π?==??++ 5、二维随机变量的边缘分布： 边缘概率密度： ()(,)()(,)X Y f x f x y dy f y f x y dx +∞ -∞+∞ -∞ ==?? 边缘分布函数： ()(,)[(,)]()(,)[(,)]x X y Y F x F x f u y dy du F y F y f x v dx dv +∞ -∞-∞+∞ -∞ -∞ =+∞==+∞=?? ?? 二维正态分布的边缘分布为一维正态分布。 6、随机变量的独立性：若(,)()()X Y F x y F x F y =则称随机变量X ，Y 相互独立。简称X 与Y 独立。

二项分布、数学期望与方差专题复习word有详解重点中学用

第十讲二项分布及应用随机变量的均值与方差 知识要点 1.事件的相互独立性(概率的乘法公式) 设A、B为两个事件，如果P(AB)＝P(A)P(B)，则称事件A与事件B相互独立． 2. 互斥事件概率的加法公式：如果事件A与事件B互斥，则P(A＋B)＝P(A)＋P(B)． 3.对立事件的概率：若事件A与事件B互为对立事件，则P(A)＝1－P(B)． 4.条件概率的加法公式：若B、C是两个互斥事件，则P(B∪C|A)＝P(B|A)＋P(C|A) 5.独立重复试验：在相同条件下重复做的n次试验称为n次独立重复试验，即若用A i(i＝1,2，…，n)表示第i次试验结果，则P(A1A2A3…A n)＝P(A1)P(A2)P(A3)…P(A n)． 注：判断某事件发生是否是独立重复试验，关键有两点 (1)在同样的条件下重复，相互独立进行；(2)试验结果要么发生，要么不发生． 6.二项分布：在n次独立重复试验中，设事件A发生的次数为X，在每次试验中事件A发生的概率为p，那么在n次独立重复试验中，事件A恰好发生k次的概率为P(X＝k)＝C k n p k·(1－p)n－k(k＝0,1,2，…，n)，此时称随机变量X服从二项分布，记作X～B(n，p)，并称p为成功概率． 注：判断一个随机变量是否服从二项分布，要看两点 (1)是否为n次独立重复试验．(2)随机变量是否为在这n次独立重复试验中某事件发生的次数． 7.离散型随机变量的均值与方差及其性质 定义：若离散型随机变量X的分布列为P(ξ＝x i)＝p i，i＝1,2，…，n. (1)均值：称E(X)＝x1p1＋x2p2＋…＋x i p i＋…＋x n p n为随机变量X的均值或数学期望． n (2)方差：D(X)＝∑ (x i－E(X))2p i为随机变量X的方差，其算术平方根D?X?为随机变量X的标准差．i＝1 (3)均值与方差的性质：(1)E(aX＋b)＝aE(X)＋b；(2)D(aX＋b)＝a2D(X)．(a，b为常数) 8.两点分布与二项分布的均值、方差 变量X服从两点分布：E(X)＝p，D(X)＝p(1－p)；X～B(n，p)： E(X)＝np ，D(X)＝np(1－p)典例精析 例1.【2015高考四川，理17】某市A,B两所中学的学生组队参加辩论赛，A中学推荐3名男生，2名女生，B中学推荐了3名男生，4名女生，两校推荐的学生一起参加集训，由于集训后队员的水平相当，从参加集训的男生中随机抽取3人，女生中随机抽取3人组成代表队 （1）求A中学至少有1名学生入选代表队的概率. （2）某场比赛前，从代表队的6名队员中随机抽取4人参赛，设X表示参赛的男生人数，求X得分布列和数学期望.

期望 方差公式的证明全集

期望与方差的相关公式的证明 -、数学期望的来由 早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目，题目是这样的：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，赢家可以获得100法郎的奖励。当比赛进行到第三局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？ 用概率论的知识，不难得知，甲获胜的概率为1/2+(1/2)*(1/2)=3/4，或者分析乙获胜的概率为(1/2)*(1/2)＝1/4。因此由此引出了甲的期望所得值为100*3/4=75法郎，乙的期望所得值为25法郎。 这个故事里出现了“期望”这个词，数学期望由此而来。 定义1 若离散型随机变量ξ可能取值为i a （i =1，2，3 ，…），其分布列为i p （i =1，2，3， …），则当i i i p a ∑ ∞ =1 <∞时， 则称ξ存在数学期望，并且数学期望为E ξ=∑∞ =1 i i i p a ， 如果i i i p a ∑ ∞ =1 =∞，则数学期望不存在。 [] 1 定义2 期望：若离散型随机变量ξ，当ξ=x i 的概率为P （ξ=x i ）=P i （i =1，2，…，n ，…），则称E ξ=∑x i p i 为ξ的数学期望，反映了ξ的平均值. 期望是算术平均值概念的推广，是概率意义下的平均.E ξ由ξ的分布列唯一确定. 二、数学期望的性质 （1）设C 是常数，则E(C )=C 。 （2）若k 是常数，则E (kX )=kE (X )。 （3）)E(X )E(X )X E(X 2121+=+。 三、 方差的定义 前面我们介绍了随机变量的数学期望，它体现了随机变量取值的平均水平，是随机变量一个重要的数字特征。但是在一些场合下，仅仅知道随机变量取值的

概率论与数理统计课程报告：泊松分布及其在实际中的应用

泊松分布及其在实际中的应用 摘要：本文从泊松分布的定义和基本性质出发，举例讨论了泊松分布在实际中的重要应用。 关键字：泊松分布；应用；运筹学；分子生物学；核衰变 泊松分布是法国数学家泊松于1837年引入的，是概率论中的几大重要分布之一。作为一种常见的离散型随机变量的分布，其在实际中有着非常广泛的应用。 1泊松分布的定义及基本知识 1.1定义： （1）若随机变量X 的分布列为 ）， ?=>= =-,2,1,0(0,! )(k k e k X P k λλλ 则称X 服从参数为λ的泊松分布，并用记号X~P(λ)表示。 （2）泊松流： 随机质点流：随机现象中源源不断出现的随机质点构成的序列。 若质点流具有平稳性、无后效性、普通性, 则称该质点流为泊松事件流(泊松流)。 例如某电话交换台收到的电话呼叫数; 到某机场降落的飞机数; 一个售货员接待的顾客数等这些事件都可以看作泊松流。 1.2有关泊松分布的一些性质 （1）满足分布列的两个性质：P(X=k)≥0(k=0,1,2,…）， 且有 1! ! )(0 =?====-∞ =-∞=∞ =-∑∑∑ λλλ λ λλe e k e k e k X P k k k o k k . （2）若随机变量X 服从参数为λ的泊松分布，则X 的期望和方差分别为：E （X)=λ; D(X)=λ. （3）以n ，p 为参数的二项分布，当n →∞，p →0时，使得np=λ保持为正常数，则 λλ--→ -e k p p C k k n k k n ! ) 1(对于k=0,1,2，…一致成立。 由如上定理的条件λ=np 知，当n 很大时，p 很小时，有下面的近似公式 λλ--→ -=e k p p C k P k k n k k n n ! ) 1()( 2泊松分布的应用 对于试验成功概率很小而试验次数很多的随机过程, 都可以很自然的应用于泊松分布的理论。在泊松分布中的概率表达式只含一个参数λ，减少了对参数的确定与修改工作量, 模型构建比较简单, 具有很重要的实际意义。 以下具体举例说明泊松分布在实际中的重要应用。 （1）泊松分布在经济生活中的应用： 泊松分布是经济生活中的一种非常重要的分布形式，尤其是经常被运用在运筹学研究中的一个分布模型。如物料订单的规划，道路交通信号灯的设计，生产计划的安排，海港发

二项分布概念及图表和查表方法

二项分布概念及图表 二项分布就是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。 目录 1 定义 ?统计学定义 ?医学定义 2 概念 3 性质 4 图形特点 5 应用条件 6 应用实例 定义 统计学定义 在概率论和统计学中，二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当 时，二项分布就是伯努利分布，二项分布是显著性差异的二项试验的基础。

医学定义 在医学领域中，有一些随机事件是只具有两种互斥结果的离散型随机事件，称为二项分类变量（dichotomous variable），如对病人治疗结果的有效与无效，某种化验结果的阳性与阴性，接触某传染源的感染与未感染等。二项分布（binomial distribution）就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布。 考虑只有两种可能结果的随机试验，当成功的概率（）是恒定的，且各次试验相互独立，这种试验在统计学上称为伯努利试验（Bernoulli trial）。如果进行次伯努利试验，取得成功次数为的概率可用下面的二项分布概率公式来描述：P=C(X,n)*π^X*(1-π)^(n-X) 二项分布公式 二项分布公式 P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k)，其中C(n, k) =n!/(k!(n-k)!)，注意：第二个等号后面的括号里的是上标，表示的是方幂。

二项分布概念及图表和查表方法

目录 1 定义 ?统计学定义 ?医学定义 2 概念 3 性质 4 图形特点 5 应用条件 6 应用实例 定义 统计学定义 在概率论和统计学中，二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当 时，二项分布就是伯努利分布，二项分布是显著性差异的二项试验的基础。 医学定义 在医学领域中，有一些随机事件是只具有两种互斥结果的离散型随机事件，称为二项分类变量（dichotomous variable），如对病人治疗结果的有效与无效，某种化验结果的阳性与阴性，接触某传染源的感染与未感染等。二项分布（binomial distribution）就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布。

考虑只有两种可能结果的随机试验，当成功的概率（）是恒定的，且各次试验相互独立，这种试验在统计学上称为伯努利试验（Bernoulli trial）。如果进行次伯努利试验，取得成功次数为的概率可用下面的二项分布概率公式来描述：P=C(X,n)*π^X*(1-π)^(n-X) 二项分布公式 表示随机试验的结果。 二项分布公式 如果事件发生的概率是P,则不发生的概率q=1-p，N次独立重复试验中发生K次的概率是P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k)，其中C(n, k) =n!/(k!(n-k)!)，注意：第二个等号后面的括号里的是上标，表示的是方幂。 那么就说这个属于二项分布。其中P称为成功概率。记作ξ~B(n,p) 期望：Eξ=np； 方差：Dξ=npq； 其中q=1-p 证明：由二项式分布的定义知，随机变量X是n重伯努利实验中事件A发生的次数，且在每次试验中A发生的概率为p。因此，可以将二项式分布分解成n个相互独立且以p为参数的（0-1）分布随机变量之和。 设随机变量X（k）(k=1,2,3...n)服从（0-1）分布，则X=X(1)+X(2)+X(3)....X(n). 因X(k)相互独立，所以期望：

数学分布(泊松分布、二项分布、正态分布、均匀分布、指数分布) 生存分析 贝叶斯概率公式 全概率公式讲解

数学期望：随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个，则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 也就是说，我们用数学的方法分析了这个概率性的问题，对于每一个家庭，最有可能它家的孩子为1.11个。 可以简单的理解为求一个概率性事件的平均状况。 各种数学分布的方差是： 1、一个完全符合分布的样本 2、这个样本的方差 概率密度的概念是：某种事物发生的概率占总概率(1)的比例,越大就说明密度越大。比如某地某次考试的成绩近似服从均值为80的正态分布，即平均分是80分，由正态分布的图形知x=80时的函数值最大，即随机变量在80附近取值最密集，也即考试成绩在80分左右的人最多。 下图为概率密度函数图(F(x)应为f(x)，表示概率密度)：

离散型分布：二项分布、泊松分布 连续型分布：指数分布、正态分布、X 2分布、t 分布、F 分布 抽样分布只与自由度，即样本含量（抽样样本含量）有关 二项分布（binomial distribution ）：例子抛硬币 1、 重复试验（n 个相同试验，每次试验两种结果，每种结果概率恒定————伯努利试验） 2、 抽样分布

泊松过程与泊松分布的基本知识

泊松过程与泊松分布的基本知识泊松过程是随机过程的一个经典模型，是一种累积随机事件的发生次数的独立增量过程。也就是说，每次事件的发生是相互独立的。那么泊松分布和泊松过程又什么关系呢？可以说泊松分布是描述稀有事件的统计规律，即可以描述一段时间内发生某个次数的概率。而泊松过程呢，就适合刻画“稀有事件流”的概率特性。 比较：泊松分布 泊松过程的主要公式： 其实没多少不一样对不对？不一样的是泊松过程是一个可以查看在时间t内发生次数的概率，这个t是可变的。泊松分布则是给定了时间。 泊松过程的关键在于，它的到达间隔序列Tn，即每两次发生的时间是服从的独立同指数分布的。如果每次发生的间隔时间不服从指数分布，那么这个随机过程就会更一般化，我们成为是更新过程，这也是随机过程的推广。 泊松过程分为齐次泊松过程和非齐次泊松过程，齐次的意思很简单，就是说过程并不依赖于初始时刻，强度函数是一个常数，从上面的公式也看得出来。而非齐次则是变成了,这意味着什么呢？这以为着随着与时间的改变，强度是会改变的，改变服从强度函数，说了这

么久，强度究竟是个什么概念？强度的意思就是泊松过程的该事件发生的频率，或者说快慢，泊松分布中我们知道期望就是,实际含义就是，在一段时间内，发生的次数平均水平是次。 复合泊松过程：泊松过程我们已经知道，用描述一段时间累积发生的次数，但是如果每次发生带来的后果都是不一样的，我们怎么描述这个过程呢？比如，火车站到达的乘客是服从泊松过程的，但是每个乘客携带有不同重量的行李，我们如何刻画在[0,t]时间内行李总重量呢，这个过程就是复合泊松过程。复合泊松过程的均值函数和方差函数一般可以用全期望和全方差公式进行计算，因为简单泊松过程的期望很容易求。 更新过程： 上文已经说到，更新过程作为泊松过程的推广，更具有一般性，那么在讨论更新过程时，我们更多地讨来更新函数，更新函数是更新过程的均值函数m(t)=E[N(t)]，怎么理解呢，就是说需要用t时刻的累积计数的期望特性来表达更新过程。有一条定理： 这个定理是可以证明的，Fn（t）是分布函数，就是说：在t时刻，更新函数值就是在这个时刻，n取遍所有值的分布之和。 那么是否可以这样理解，更新过程和泊松过程的区别就是更新间隔序列不同，那么如果已知了更新间隔序列的概率密度函数，就可以求解该过程的更新函数了，详细的推导就不写了。扔结论出来：对间隔序列概率密度函数做拉氏变换得到Lf(s),然后求 Lm(s)=Lf(s)/s(1-Lf(s)),再对Lm(s)进行逆变换，就得到了m(t),这就是更新函数。

二项分布期望和方差的推导过程

二项分布期望和方差推导 若随机变量),(~p n B X ，则np X E =)(，)1()(p np X D -= 二项分布数学期望的证明： 注意到11--=k n k n nC kC （证明：11)]! 1()1[()!1()!1()!()!1()!1()!(!!--=---?--?=-?--?=-??=k n k n nC k n k n n k n k n n k n k n k kC ） 所以n n p p C X E )1(0)(00-?=111)1(1--?+n n p p C Λ+-?+-222) 1(2n n p p C Λ+-?+-k n k k n p p C k )1( 111)1()1(p p C n n n n -?-+--0)1(p p C n n n n -?+ 1101)1(---?=n n p p C n Λ+-?+--2211)1(n n p p C n Λ+-+---k n k k n p p nC ) 1(11 1121)1(p p C n n n n -?+---011 )1(p p C n n n n -?+-- 101)1([---=n n p C np Λ+-+--2111)1(n n p p C Λ+-+----k n k k n p p C )1(1111221)1(p p C n n n -+---])1(0111p p C n n n -+--- np p p np n =+-=-1])1[(，故np p p C i X E n i i n i i n ∑=-=-?=0)1()(； 二项分布方差的证明：)1()(p np X D -= 证明：i n i i p X E x X D ?-= ∑-12)]([)(i n i i i p X E X E x x ∑-?+-=122)]()(2[∑-??+?-?=n i i i i i i p X E p X E x p x 122])()(2[ ∑∑∑-=-?+?-?=n i n i i n i i i i i p X E p X E x p x 11 212 )()(2)()(22X E X E -= 故任何离散随机变量的方差均满足式子：)()()(22X E X E X D -= 当随机变量),(~p n B X 时，=)(X D 20 2)()1(np p p C i i n i n i i n --?-=∑ i n i n i i n p p C i i -=-?-=∑)1()1(0 220)1(p n p p C i i n i n i i n --?+-=∑（注意np p p C i X E n i i n i i n ∑=-=-?=0)1()(） i n i n i i n p p iC i -=-?-=∑)1()1(222p n np -+i n i n i i n p p nC i -=---?-=∑)1()1(21122p n np -+ i n i n i i n p p C i n -=---?-?=∑)1()1(21122p n np -+i n i n i i n p p C n n --=---?-?=∑)1()1(22 2222p n np -+ i n i n i i n p p C n n -=---?-=∑)1()1(22222p n np -+i n i n i i n p p C p n n --=---?-=∑)1()1(22 22222p n np -+ （指数之后凑组合数下标2-n ，利用展开式i i n n i i n n b a C b a ---=--∑=+22022) (） i n i n i i n p p C p n n ---=--?-=∑22 022 )1()1(22p n np -+

二项分布中方差的计算

二项分布中方差的计算 假设ξ~B (n ,p ), 即k n k k n q p C k P -==}{ξ 考虑E [ξ(ξ-1)]=Eξ2-Eξ 而 ∑∑ ∑∑=----=-=-=--=-----?-?=--=-=-n k k n k k n n k k n k n k k n k n k k n k k n q p C p n n q p k n k n n n q p k n k n k k q p C k k E 2 222222 )1()]!2(2[)!2()!2()1()! (!! ) 1()1()]1([ξξ 令2-=k i 上式=222220 22 2 )1()1(np p n p n n q p C p n n n i i n i i n -=-=-∑-=--- 即2222np p n E E -=-ξξ, 再将E ξ=np 代入上式,得)1(222222p np p n np np p n E -+=+-=ξ 最后得npq np p np p n E E D =--+=-=22222)()1()(ξξξ 例1的分布图 例2的分布图 4.2 超几何分布 例1的图形：

例2的图形： 定义4.2 设N 个元素分为两类, 有N 1个属于第一类, N 2个属于第二类(N 1+N 2=N ). 从中不重复抽样取n 个, 令ξ表示这n 个中第一类元素的个数, 则ξ的分布称为超几何分布, ),....,1,0()(2 1n m C C C m P n N m n N m N == =-ξ 规定: 如n

泊松分布及其应用研究

泊松分布及其应用研究 Prepared on 22 November 2020

湖南科技大学 信息与电气工程学院 《课程论文》 题目：泊松分布及其应用研究 专业：通信工程 班级： 13级3班 姓名：黄夏妮 学号： 目录 一、摘要 (1) 二、泊松分布的概念 (2) 三、计数过程为广义的泊松过程 (4) 四、泊松分布及泊松分布增量 (5) 五、泊松分布的特征 (5) 六、泊松分布的应用 (6) 七、基于MATLAB的泊松过程仿真 (8) 八、参考文献 (12)

摘要 作为一种常见的离散型随机变量的分布,泊松分布日益显示其重要性,成为概率论中最重要的几个分布之一。服从泊松分布的随机变量是常见的,它常与时间单位的计数过程相联系。 在现实生活中应用更为广泛,如数学建模、管理科学、运筹学及自然科学、概率论等等。并且在某些函数关系起着一种重要作用。例如线性的、指数的、三角函数的等等。同样, 在为观察现象构造确定性模型时, 某些概率分布也经常出现。泊松分布作为大量试验中稀有事件出现的频数的概率分布的数学模型, 它具有很多性质。为此本文讲述了泊松分布的一些性质, 并讨论了这些性质在实际生活中的重要作用。

二、泊松分布的概念： 定义1 设随机变量X 的可能取值为,,2,1,0 且 {}0,,2,1,0,! >===-λλ k e k x k X P k 为常数。 则称X 服从参数为λ的泊松分布,记作X ～ D(λ) 。 定义2 设ε是任意一个随机变量,称 )t (- e t)(it +∞<<∞=Φε是ε的特征函数。 主要结论： 定理1 如果X 是一个具有以λ为参数的泊松分布,则E( X) = λ且D ( X) =λ。 证明 设X 是一随机变量,若 ] X) E( - X [ E{2}存在,则称它为X 的方差,记作D( X) ,即 ] X) E( - X [ E{ X) D(2}=。设X 服从泊松分布D ( X) ,即有: 则()()λλλλλλλλ λ=?=-==- ∞ =--∞ =-∑∑ e e k e k e k X E k k k k 11 0!1! 从而()() () λλλλλλλ λ +=-+-==-∞ =-∞ =--∞ =∑ ∑ ∑2122 2 2 !1!2! e k e k e k k X E k k k k k k 故λλλλ - X) E( - ) X E( X) D(2222=+== 定理2 设随机变量) , ,2 1 n ( x n =服从二项分布,其分布律为 {}n k p p C k x P k n n k n k n n ,,2,1,0,)1( =-==-。 又设0>=λn np 是常数,则{}λλ-∞ →==e k k x P k n n ! lim 。 证明 由λ=n np 得: 显然,当k = 0 时,故λ-n e k} x P{→=。当k ≥1 且k → ∞时,有

概率分布以及期望和方差

概率分布以及期望和方差 上课时间: 上课教师： 上课重点:掌握两点分布、超几何分布、二项分布、正态分布的概率分布及其期望和方差 上课规划：解题技巧和方法 一 两点分布 ⑴两点分布 如果随机变量X 的分布列为 X 1 0 P p q 其中01p <<，1q p =-，则称离散型随机变量X 服从参数为p 的二点分布． 二点分布举例：某次抽查活动中，一件产品合格记为1，不合格记为0，已知产品的合格率为80%，随机变量X 为任意抽取一件产品得到的结果，则X 的分布列满足二点分布． X 1 0 P 0.8 0.2 两点分布又称01-分布，由于只有两个可能结果的随机试验叫做伯努利试验，所以这种分布又称为伯努利分布． （2）典型分布的期望与方差： 二点分布：在一次二点分布试验中，离散型随机变量X 的期望取值为p ，在n 次二点分布试验中，离散型随机变量X 的期望取值为np ． 1、在抛掷一枚图钉的随机试验中，令10X ?=? ? ，针尖向上； ，针尖向下.，如果针尖向上的 概率为p ，试写出随机变量X 的概率分布． 2、从装有6只白球和4只红球的口袋中任取一只球，用X 表示“取到的 知识内容 典例分析

白球个数”，即???=，当取到红球时， ，当取到白球时， 01X ，求随机变量X 的概率分布． 3、若随机变量X 的概率分布如下： X 1 P 29C C - 38C - 试求出C ，并写出X 的分布列． 3、抛掷一颗骰子两次，定义随机变量 ?? ?=)(,1)(,0的点数数等于第二次向上一面当第一次向上一面的点 面的点数数不等于第二次向上一当第一次向上一面的点 ξ 试写出随机变量ξ的分布列． 4、篮球运动员比赛投篮，命中得1分，不中得0分，已知运动员甲投篮命中率的概率为P ． ⑴ 记投篮1次得分X ，求方差()D X 的最大值； ⑵ 当⑴中()D X 取最大值时，甲投3次篮，求所得总分Y 的分布列及Y 的期望与方差． 二 超几何分布

二项分布的数学期望和方差

4EX np ∴== 100.40.6 2.4DX npq ==??= 222() 2.4418.4EX DX EX =+=+= 12. 解：8n =，0.2p = 根据二项分布的数学期望和方差的公式 1.6EX np == (1) 1.28DX npq np p ==-= 求解得 8n =，0.2p = 13. 解： ~(1,)B p ξ 2(1)9D p p ξ∴=-= 解方程2209 p p -+=，得23p =或13p = ξ∴的概率函数为 {}1(1)(0,1)k k p k p p k ξ-==-= 将13p =或23 p =代入，得ξ的概率函数为 {}121()()33 k k p k ξ-== 或 {}112()()(0,1)33k k p k k ξ-=== 14. 解：设ξ的概率密度为 1,()0, a x b f x b a ?≤≤?=-???其他 =3E ξ，1=3D ξ ∴得方程组2+=32()1 =12 3a b b a ????-???，解得24a b =??=?

1,24()=20x f x ?≤≤?∴???其他 ξ为连续型随机变量 {}=2=0p ξ∴ {}3312111<<3=()==22 p f x dx dx ξ?? 15. 解：设ξ表示直到取到废品为止所要取的产品个数，则ξ的概率函数 {}-1 ==0.050.95(=1,2,)k p k k ξ???? 当{}-1 ==(1)(=1,2,)k p k p p k ξ-???时，由幂级数 -12=1 1= (1)n n nx x ∞-∑ 2-13 =11=(1)n n x n x x ∞+-∑ 可计算 -1=11=(1)=k k E kp p p ξ∞-∑ 2-122=1 1=(1)()= k k p D k p p E p ξξ∞---∑ 本题中=0.05p 1==200.05 E ξ∴， 210.05==19.490.05 D ξ- 16. 解：8 22[()]DX EX E x =- 222[()]428EX DX E x ∴=+=+= 17. 解：由题意X 的分布律为 {}=(0)!k p X k e k λλλ-=>

二项分布、超几何分布数学期望与方差公式的推导

二项分布、超几何分布数学期望与方差公式的推导 高中教材中对二项分布和超几何分布数学期望与方差公式没有给出推导公式，现笔者给出一推导过程仅供参考。 预备公式一 11--=k n k n nC kC （1≥n ） ，利用组合数计算公式即可证明。 预备公式二 []2 2)()()(ξξξE E D -=，证明过程可见教材。 预备公式三 2 2)1()1(---=-k n k n C n n C k k （2,2≥≥k n ） ，利用组合数计算公式即可证明。 预备公式四 ),,,,(022110n k m k N k n m C C C C C C C C C k n m m k n k m n k m n k m n ≤≤∈=++++++--Λ，利用恒等 式m n n m x x x )1()1() 1(++=++的二项展开式中k x 的系数相等可证。 一、二项分布 在n 次独立重复试验中，每次试验中事件A 发生的概率为p （10<

泊松分布的应用

泊松分布的应用

泊松分布的应用 摘要 泊松分布是指一个系统在运行中超负载造成的失效次数的分布形式。它是高等数学里的一个概念,属于概率论的范畴,是法国数学家泊松在推广伯努利形式下的大数定律时,研究得出的一种概率分布,因而命名为泊松分布。 作为一种常见的离散型随机变量的分布,泊松分布日益显示其重要性,成为概率论中最重要的几个分布之一。服从泊松分布的随机变量是常见的,它常与时间单位的计数过程相联系。 在现实生活中应用更为广泛,如数学建模、管理科学、运筹学及自然科学、概率论等等。并且在某些函数关系起着一种重要作用。例如线性的、指数的、三角函数的等等。本文对泊松分布产生的过程、定义和性质做了简单的介绍，研究了泊松分布的一些性质, 并讨论了这些性质在实际生活中的重要作用。 关键词：泊松过程；泊松分布；定义；定理；应用；

一、 计数过程为广义的泊松过程 1．计数过程 设)} 0, [ T t , t)( {N X T ∞=∈=为一随机过程, 如果 t )( N 是取非负整数值的随机变量,且满足s < t 时, t)( s) ( N ≤,则称)} 0, [ T t , t)( {N X T ∞=∈=为计数过程。 将增量 t t 0 , t), t ( N ) t ( N - t)( N 000<≤?=,它表示时间间隔 t), t [ 0内出现的质点数。“在 t), t [ 0内出现k 个质点”,即k} t), t ( {N 0=是一随机事件,其概率记为 2 0,1, k , k} t), t ( P{N t), t ( P 00K ===总之,对某种随机事件的来到数都可以得到一个计数过程,而同一时刻只能至多发生一个来到的就是简单计数过程。 2．泊松过程 计数过程0} t , t)( {N ∈称为强度为λ的泊松过程,如果满足条件: (1)在不相重叠的区间上的增量具有独立性; (2)0 (0) N =; (3)对于充分小的, t)( O t 1} t) t t,( P{N t) t t,( P 1?+?==?+=?+λ其中常数 0>λ,称为过程)(t N 的强度。 (4)对于充分小的Δt (){}()t j t t t N P t t t P j j j ?==?+=?+∑∑∞ =∞=ο2 2 ,),( 亦即对于充分小的t ?,在()t t t ?+,或2个以上质点的概率与出现一个质点的概率相对可以忽略不计。了解泊松过程,就很容易去了解泊松分布的相关性质,其实泊松分布就是在泊松过程当中每单位的时间间隔内出现质点数目的计数。 二、 泊松分布的概念： 泊松分布常用于描述单位时间、单位平面或单位空间中罕见“质点”总数的随机分布规律。 定义1 设随机变量X 的可能取值为,,2,1,0 且 {}0,,2,1,0,! >===-λλ k e k x k X P k 为常数。

方差概念及计算公式

方差概念及计算公式 一．方差的概念与计算公式 例1两人的5次测验成绩如下： X：50，100，100，60，50 E(X )=72；Y：73，70，75，72，70 E(Y )=72。 平均成绩相同，但X不稳定，对平均值的偏离大。方差描述随机变量对于数学期望的偏离程度。 单个偏离是 消除符号影响 方差即偏离平方的均值，记为D(X )： 直接计算公式分离散型和连续型，具体为： 这里是一个数。推导另一种计算公式 得到：“方差等于平方的均值减去均值的平方”，即 ， 其中

分别为离散型和连续型计算公式。称为标准差或均方差，方差描述波动程度。 二．方差的性质 1．设C为常数，则D(C) = 0（常数无波动）； 2．D(CX )=C2D(X ) （常数平方提取）； 证： 特别地D(-X ) = D(X ), D(-2X ) = 4D(X )（方差无负值） 3．若X、Y相互独立，则 证：记 则 前面两项恰为D(X )和D(Y )，第三项展开后为 当X、Y 相互独立时， ， 故第三项为零。 特别地 独立前提的逐项求和，可推广到有限项。 三．常用分布的方差 1．两点分布

2．二项分布 X ~ B( n, p ) 引入随机变量X i（第i次试验中A出现的次数，服从两点分布） ， 3．泊松分布（推导略） 4．均匀分布 另一计算过程为 5．指数分布（推导略） 6．正态分布（推导略） ~ 正态分布的后一参数反映它与均值的偏离程度，即波动程度（随机波动），这与图形的特征是相符的。 例2求上节例2的方差。 解根据上节例2给出的分布律，计算得到

求均方差。均方差的公式如下：（xi为第i个元素）。 S = ((x1-x的平均值)^2 + (x2-x的平均值)^2+(x3-x的平均值)^2+...+(xn-x的平均值)^2)/n)的平方根 大数定律表表明：事件发生的频率依概率收敛于事件的概率p，这个定理以严格的数学形式表达了频率的稳定性。就是说当n很大时，事件发生的频率于概率有较大偏差的可能性很小。由实际推断原理，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。 用matlab或c语言编写求导程序 已知电容电压uc,电容值 求电流i 公式为i=c(duc/dt) 怎样用matlab或c语言求解 函数的幂级数展开式

概率统计论 浅谈泊松分布

浅谈泊松分布 班级：XXX 姓名：XXX 学号：XXX

浅谈泊松分布当一个随机事件，以固定的平均瞬时速率λ

二项概率的泊松逼近 如果∞→n ，0→p 使得λ=np 保持为正常数，则 λλ--→-e k p p C k k n k k n !)1( 对k = 0,1,2,…一致地成立。

2.1泊松分布使用范围 泊松分布主要用于描述在单位时间(空间)中稀有事件的发生数. 即需满足以下四个条件： 1. 给定区域内的特定事件产生的次数，可以是根据时间，长度，面积来定义； 2. 各段相等区域内的特定事件产生的概率是一样的； 3. 各区域内，事件发生的概率是相互独立的；

4. 当给定区域变得非常小时，两次以上事件发生的概率趋向于0。 2.2泊松分布的性质 1. 泊松分布的均数与方差相等，即m =2σ 2．泊松分布的可加性 如果1x ，2x ，3x …k x 相互独立，且它们分别服从以1λ，2λ，3λ…k λ为参数的泊松分布，则k X X X X T ++++= 321也服从泊松分布，其参数为k λλλλ++++ 321。 3.泊松分布的应用 )0(P 是未产生二体的菌的存在概率，实际上其值的5%与采用2/05.0m J 照射时的大肠杆菌uvrA -株，recA -株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因

组有一个二体就是致死量，因此)1(P ，)2(P ……就意味着全部死亡的概率。 3.2泊松分布在医学统计上的应用 在遗传学上，计算遗传图距的基本方法是建立在重组率基础上的，根据重组率的大小作出有关基因间的距离，绘制线性基因图；可是当研究的两个基因间的距离相对较远，在它们之间可能发生双交换、三交换、四交换甚至更高数目的交换，而形成的配子总有一半是非重组型的。若简单的把重组率看作交换率，显然交换率降低了，图距也随之缩小。这里可以用泊松分布原理来描述减数分裂过程中染色体上某区段交换的分布。在图距计算中，x 表示交换数，m 表示对总样本来说每进行一次减数分裂两基因 间的平均交换数，而基因间不发生交换的概率为m m e e m P --==! 0)0(0 ，基因间至少发生一次交换的概率为m e P P --=-=1)0(1。由此可计算两基因间的交换率和重组率。进而可更科学的作出遗传图。 3.3 泊松分布在交通运输上的应用 道路是行驶各种车辆的通道。为了给编制交通建设规划提供可靠的依据和保证道路上的车能安全而有效地通行, 道路工作者必须对道路上的车流进行实地调查和统计分析以便掌握车流的变化规律。数理统计方法是对交通流分布进行研究的有效而实际可行的方法。通常把在单位时间内通过道路上某一地点的车辆叫做交通流。对于时间间隔极短,并非是高密度的交通流的分布状态, 它常常是服从“概率论” 中的“ 泊松分布” 规律的。 如用简单例子表示，取通过某一地点车辆的时间作为时间数轴, 在数轴上划出给定时间间隔和该时间间隔内通过的车辆数目,譬如, 以20秒的时间间隔的数轴为例, 在20~0秒内,一辆车也没有通过, 在40~20秒间隔内,有二辆车通过, 在60~40秒间隔内, 有一辆车通过, 等等。这样在实地进行大量观测就可以的到某一时间间隔内的随机来车数目和该时间间隔内出现该车辆数的次数, 从而按泊松分布公式求算在给定时间间隔内在某一地点通过γ辆车的概率)(γP 。 参考文献 1． 戴维 M. 莱文等.《以EXCEL 为决策工具的商务统计》.机械工业出版社，2009 2．庄军、林奇英《泊松分布在生物学中的应用》.激光生物学报.2007年第16卷第5期. 3．薛珊荣 《“泊松分布”在交通工程中的应用》.湖南大学学报.1995年第8卷第2期.