概率论中常见分布的数学期望、方差及特征函数推导 (一)离散型随机变量

常见分布的数学期望、方差与特征函数推导 (一)离散型分布

  • 1.单点分布
  • 2.两点分布
  • 3.二项分布
  • 4.泊松分布
  • 5.超几何分布
  • 6.几何分布
  • 6.负二项分布

1.单点分布

随机变量的取值,X=a(常数)
分布律:P(X=a)=1
X只取一个值,可以看成确定变量。

2.两点分布

随机变量的取值,X=k,k=0,1
E(X)=p
V a r ( X ) = E ( X 2 ) − ( E X ) 2 = p − p 2 = p q Var(X)=E(X^2)-(EX)^2=p-p^2=pq Var(X)=E(X2)(EX)2=pp2=pq
φ ( t ) = E e i t X = q + e i t p \varphi(t)=Ee^{itX}=q+e^{it}p φ(t)=EeitX=q+eitp

3.二项分布

X ∼ b ( n , p ) X\thicksim b(n,p) Xb(n,p)

随机变量的取值,X=k,k=0,1,……,n
分 布 律 : P ( X = k ) = C n k p k ( 1 − p ) n − k 分布律:P(X=k)=C_n^k p^k(1-p)^{n-k} P(X=k)=Cnkpk(1p)nk
E ( X ) = ∑ k = 0 n k C n k p k ( 1 − p ) n − k E(X)=\sum_{k=0}^{n}{kC_n^kp^k(1-p)^{n-k} } E(X)=k=0nkCnkpk(1p)nk
= ∑ k = 1 n n ! ( k − 1 ) ! ( n − k ) ! p k ( 1 − p ) n − k =\sum_{k=1}^{n} \frac{n!}{(k-1)!(n-k)!} p^k (1-p)^{n-k} =k=1n(k1)!(nk)!n!pk(1p)nk
= n p ∑ k = 1 n ( n − 1 ) ! ( k − 1 ) ! ( n − k ) ! p k − 1 ( 1 − p ) ( n − 1 ) − ( k − 1 ) =np \sum_{k=1}^{n} \frac{(n-1)!}{(k-1)!(n-k)!} p^{k-1}(1-p)^{(n-1)-(k-1)} =npk=1n(k1)!(nk)!(n1)!pk1(1p)(n1)(k1)
= n p ∑ k = 0 n − 1 ( n − 1 ) ! k ! ( n − k − 1 ) ! p k ( 1 − p ) ( n − 1 ) − k , ( 变 量 平 移 ) =np \sum_{k=0}^{n-1} \frac{(n-1)!}{k!(n-k-1)!} p^{k}(1-p)^{(n-1)-k},(变量平移) =npk=0n1k!(nk1)!(n1)!pk(1p)(n1)k,()
= n p ∑ k = 0 n − 1 C n − 1 k p k ( 1 − p ) ( n − 1 ) − k =np \sum_{k=0}^{n-1}C_{n-1}^kp^{k}(1-p)^{(n-1)-k} =npk=0n1Cn1kpk(1p)(n1)k
= n p ( p + 1 − p ) n − 1 = n p =np(p+1-p)^{n-1} =np =np(p+1p)n1=np
E ( X 2 ) = ∑ k = 0 n k 2 C n k p k ( 1 − p ) n − k , ( k 与 组 合 数 约 去 一 个 ) E(X^2)=\sum_{k=0}^{n} k^2 C_n^kp^k(1-p)^{n-k},( k与组合数约去一个) E(X2)=k=0nk2Cnkpk(1p)nk(k)
= ∑ k = 1 n ( k − 1 + 1 ) n ! ( k − 1 ) ! ( n − k ) ! p k ( 1 − p ) n − k , ( 把 剩 下 的 另 一 个 k 拆 分 ) =\sum_{k=1}^{n}(k-1+1) \frac{n!}{(k-1)!(n-k)!}p^k(1-p)^{n-k},(把剩下的另一个k拆分) =k=1n(k1+1)(k1)!(nk)!n!pk(1p)nkk
= ∑ k = 1 n n ! ( k − 2 ) ! ( n − k ) ! p k ( 1 − p ) n − k + E ( X ) =\sum_{k=1}^{n} \frac{n!}{(k-2)!(n-k)!}p^k(1-p)^{n-k}+E(X) =k=1n(k2)!(nk)!n!pk(1p)nk+E(X)
= n ( n − 1 ) p 2 ∑ k = 1 n n ! ( k − 2 ) ! ( n − k ) ! p k − 2 ( 1 − p ) ( n − 2 ) − ( k − 2 ) + n p =n(n-1)p^2 \sum_{k=1}^{n}\frac{n!}{(k-2)!(n-k)!}p^{k-2}(1-p)^{(n-2)-(k-2)}+np =n(n1)p2k=1n(k2)!(nk)!n!pk2(1p)(n2)(k2)+np
= n ( n − 1 ) p 2 ( p + ( 1 − p ) ) n − 2 + n p =n(n-1)p^2(p+(1-p))^{n-2}+np =n(n1)p2(p+(1p))n2+np
= n ( n − 1 ) p 2 + n p =n(n-1)p^2+np =n(n1)p2+np
故, V a r ( X ) = E ( X 2 ) − ( E X ) 2 Var(X)=E(X^2)-(EX)^2 Var(X)=E(X2)(EX)2
= n ( n − 1 ) p 2 + n p − ( n p ) 2 =n(n-1)p^2+np-(np)^2 =n(n1)p2+np(np)2
= n p q =npq =npq
φ ( t ) = E e i t X = ∑ k = 0 n e i t k C n k p k ( 1 − p ) n − k \varphi(t)=Ee^{itX}=\sum_{k=0}^{n} e^{itk} C_n^kp^k(1-p)^{n-k} φ(t)=EeitX=k=0neitkCnkpk(1p)nk
= ∑ k = 0 n C n k ( e i t p ) k ( 1 − p ) n − k =\sum_{k=0}^{n} C_n^k(e^{it}p)^{k}(1-p)^{n-k} =k=0nCnk(eitp)k(1p)nk
= ( 1 − p + p e i t ) n =(1-p+pe^{it})^n =(1p+peit)n
= ( q + p e i t ) n =(q+pe^{it})^n =(q+peit)n

4.泊松分布

X ∼ P ( λ ) X\thicksim P(\lambda) XP(λ)

随机变量的取值,X=k,k=0,1,2,……

分 布 律 : P ( X = k ) = λ k k ! e − λ 分布律:P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda} P(X=k)=k!λkeλ
E X = ∑ k = 0 ∞ k λ k k ! e − λ EX=\sum_{k=0}^{\infty} k\frac{\lambda^k}{k!}e^{-\lambda} EX=k=0kk!λkeλ
= ∑ k = 1 ∞ λ k ( k − 1 ) ! e − λ = λ ∑ k = 0 ∞ λ k k ! e − λ , ( 变 量 作 平 移 改 变 积 分 项 的 起 始 项 , 再 由 正 则 性 ∑ k = 0 ∞ λ k k ! e − λ = 1 ) =\sum_{k=1}^{\infty} \frac{\lambda^k}{(k-1)!}e^{-\lambda}=\lambda\sum_{k=0}^{\infty} \frac{\lambda^k}{k!}e^{-\lambda},(变量作平移改变积分项的起始项,再由正则性\sum_{k=0}^{\infty} \frac{\lambda^k}{k!}e^{-\lambda}=1) =k=1(k1)!λkeλ=λk=0k!λkeλ,(k=0k!λkeλ=1)
= λ =\lambda =λ
E X 2 = ∑ k = 0 ∞ k 2 λ k k ! e − λ EX^2=\sum_{k=0}^{\infty} k^2\frac{\lambda^k}{k!}e^{-\lambda} EX2=k=0k2k!λkeλ
= ∑ k = 1 ∞ ( k − 1 + 1 ) λ k ( k − 1 ) ! e − λ , ( 处 理 方 法 同 二 项 分 布 , 约 去 一 个 k , 另 一 个 k 拆 分 ) =\sum_{k=1}^{\infty} (k-1+1)\frac{\lambda^k}{(k-1)!}e^{-\lambda},(处理方法同二项分布,约去一个k,另一个k拆分) =k=1(k1+1)(k1)!λkeλ,(kk)
= ∑ k = 2 ∞ λ k ( k − 2 ) ! e − λ + E X =\sum_{k=2}^{\infty} \frac{\lambda^k}{(k-2)!}e^{-\lambda}+EX =k=2(k2)!λkeλ+EX
= λ 2 ∑ k = 0 ∞ λ k k ! e − λ + λ , ( 变 量 平 移 , 正 则 性 ) =\lambda^2\sum_{k=0}^{\infty}\frac{\lambda^k}{k!}e^{-\lambda} +\lambda,(变量平移,正则性) =λ2k=0k!λkeλ+λ,()
= λ 2 + λ =\lambda^2+\lambda =λ2+λ
故, V a r ( X ) = E ( X 2 ) − ( E X ) 2 Var(X)=E(X^2)-(EX)^2 Var(X)=E(X2)(EX)2
= λ 2 + λ − λ 2 = λ =\lambda^2+\lambda-\lambda^2=\lambda =λ2+λλ2=λ
φ ( t ) = E e i t X = ∑ k = 0 ∞ e i t k λ k k ! e − λ \varphi(t)=Ee^{itX}=\sum_{k=0}^{\infty} e^{itk}\frac{\lambda^k}{k!}e^{-\lambda} φ(t)=EeitX=k=0eitkk!λkeλ
= ∑ k = 0 ∞ ( e i t λ ) k k ! e − λ =\sum_{k=0}^{\infty} \frac{(e^{it}\lambda)^k}{k!}e^{-\lambda} =k=0k!(eitλ)keλ
= e − λ ∑ k = 0 ∞ ( e i t λ ) k k ! , ( 利 用 幂 级 数 展 开 式 e x = ∑ k = 0 ∞ x k k ! ) =e^{-\lambda}\sum_{k=0}^{\infty} \frac{(e^{it}\lambda)^k}{k!},(利用幂级数展开式e^x=\sum_{k=0}^{\infty}\frac{x^k}{k!}) =eλk=0k!(eitλ)k,(ex=k=0k!xk)
= e − λ e λ e i t = e λ ( e i t − 1 ) =e^{-\lambda}e^{\lambda e^{it}}=e^{\lambda(e^{it}-1)} =eλeλeit=eλ(eit1)

5.超几何分布

X ∼ h ( n , N , M ) X\thicksim h(n,N,M) Xh(n,N,M)
N件产品,其中M件不合格品,从中抽取n件,则抽到不合格品的个数服从超几何分布

随机变量的取值X=k,k=0,1,2,……r,(其中r=min{n,M})
P ( X = k ) = ( M k ) ( N − M n − k ) ( N n ) P(X=k)=\frac{{M\choose k}{N-M \choose n-k}}{{N\choose n}} P(X=k)=(nN)(kM)(nkNM)
n ≪ N n \ll N nN时,可用二项分布近似,故数字特征用二项分布近似(待更新其精确的数字特征)

6.几何分布

X ∼ G e ( p ) X\thicksim Ge(p) XGe(p)

随机变量的取值:X=k,k=1,2,……

分布律: P ( X = k ) = p ( 1 − p ) k − 1 P(X=k)=p(1-p)^{k-1} P(X=k)=p(1p)k1

E X = ∑ k = 1 ∞ k p q k − 1 = p ∑ k = 1 ∞ k q k − 1 EX=\sum_{k=1}^{\infty}kpq^{k-1}=p \sum_{k=1}^{\infty}kq^{k-1} EX=k=1kpqk1=pk=1kqk1

= p ∑ k = 1 ∞ d q k d q ( 凑 微 分 ) =p \sum_{k=1}^{\infty}\frac{dq^k}{dq}(凑微分) =pk=1dqdqk()

= p d d q ( ∑ k = 0 ∞ q k ) , ( 幂 级 数 逐 项 微 分 , 积 分 限 从 0 开 始 ) =p\frac{d}{dq}(\sum_{k=0}^{\infty}q^k),(幂级数逐项微分,积分限从0开始) =pdqd(k=0qk)(,0)

= p d d q ( 1 1 − q ) , ( 收 敛 的 等 比 级 数 求 和 , 首 项 1 − 公 比 ) =p\frac{d}{dq}(\frac{1}{1-q}),(收敛的等比级数求和,\frac{首项}{1-公比}) =pdqd(1q1),(1)

= p ( 1 − q ) 2 = 1 p =\frac{p}{(1-q)^2}=\frac{1}{p} =(1q)2p=p1

E X 2 = ∑ k = 1 ∞ k 2 p q k − 1 EX^2 = \sum_{k=1}^{\infty}k^2pq^{k-1} EX2=k=1k2pqk1

= p ∑ k = 1 ∞ k ( k − 1 + 1 ) q k − 1 =p \sum_{k=1}^{\infty}k(k-1+1)q^{k-1} =pk=1k(k1+1)qk1
= p ∑ k = 1 ∞ k ( k − 1 ) q k − 1 + E X =p\sum_{k=1}^{\infty}k(k-1)q^{k-1}+EX =pk=1k(k1)qk1+EX
= p q ∑ k = 2 ∞ k ( k − 1 ) q k − 2 + 1 p =pq\sum_{k=2}^{\infty}k(k-1)q^{k-2}+\frac{1}{p} =pqk=2k(k1)qk2+p1
= p q ∑ k = 2 ∞ d 2 q k d q 2 + 1 p =pq\sum_{k=2}^{\infty} \frac{d^2q^k}{dq^2}+\frac{1}{p} =pqk=2dq2d2qk+p1
= p q d 2 d q 2 ( ∑ k = 0 ∞ q k ) + 1 p =pq \frac{d^2}{dq^2}(\sum_{k=0}^{\infty} q^k)+\frac{1}{p} =pqdq2d2k=0qk+p1
= p q d 2 d q 2 ( 1 1 − q ) + 1 p =pq \frac{d^2}{dq^2}(\frac{1}{1-q})+\frac{1}{p} =pqdq2d2(1q1)+p1
= p q 2 ( 1 − q ) 3 + 1 p =pq\frac{2}{(1-q)^3}+\frac{1}{p} =pq(1q)32+p1
= 2 q + p p 2 =\frac{2q+p}{p^2} =p22q+p

故, V a r ( X ) = E ( X 2 ) − ( E X ) 2 Var(X)=E(X^2)-(EX)^2 Var(X)=E(X2)(EX)2
= 2 q + p p 2 − 1 p 2 = q p 2 =\frac{2q+p}{p^2}-\frac{1}{p^2}=\frac{q}{p^2} =p22q+pp21=p2q

φ ( t ) = E e i t X = ∑ k = 1 ∞ e i t k p ( 1 − p ) k − 1 \varphi(t)=Ee^{itX}=\sum_{k=1}^{\infty} e^{itk}p(1-p)^{k-1} φ(t)=EeitX=k=1eitkp(1p)k1
= p 1 − p ∑ k = 1 ∞ ( e i t ( 1 − p ) ) k = \frac{p}{1-p}\sum_{k=1}^{\infty}(e^{it}(1-p))^k =1ppk=1(eit(1p))k
= p 1 − p { ∑ k = 0 ∞ ( e i t ( 1 − p ) ) k − 1 } =\frac{p}{1-p} \{\sum_{k=0}^{\infty}(e^{it}(1-p))^k-1 \} =1pp{k=0(eit(1p))k1}
= p 1 − p ( 1 1 − e i t ( 1 − p ) − 1 ) =\frac{p}{1-p} (\frac{1}{1-e^{it}(1-p)}-1) =1pp(1eit(1p)11)
= p e i t 1 − q e i t =\frac{pe^{it}}{1-qe^{it}} =1qeitpeit

6.负二项分布

X ∼ N b ( r , p ) X\thicksim Nb(r,p) XNb(r,p)
定义1:在一系列伯努利独立重复试验中,记每次试验中事件A发生的概率为p,如果X表示事件A第r次(r为事先给定的常数)出现时所需要的试验总次数,则X服从负二项分布。

随机变量X的取值,X=k,k=r,r+1,r+2,…… ∞ \infty

此时X可表示为r个独立同为几何分布的独立和。
X = X 1 + X 2 + … … + X r ∼ N b ( r , p ) , X=X_1+X_2+……+X_r \thicksim Nb(r,p), X=X1+X2++XrNb(r,p),
其中 X i ∼ G e ( p ) , 且 X i 独 立 。 X_i \thicksim Ge(p),且X_i独立。 XiGe(p),Xi
则由数学期望的性质:

E X = E ( X 1 + X 2 + … … + X r ) EX=E(X_1+X_2+……+X_r) EX=E(X1+X2++Xr)
= r E X 1 = r p =rEX_1=\frac{r}{p} =rEX1=pr
V a r ( X ) = V a r ( X 1 + X 2 + … … + X r ) Var(X)=Var(X_1+X_2+……+X_r) Var(X)=Var(X1+X2++Xr)
= r V a r ( X 1 ) = r q p 2 =rVar(X_1)=\frac{rq}{p^2} =rVar(X1)=p2rq
有特征函数的性质, φ ( t ) = E e i t X \varphi(t)=Ee^{itX} φ(t)=EeitX
= E e i t ( X 1 + X 2 + … … + X r ) =Ee^{it(X_1+X_2+……+X_r)} =EeitX1+X2++Xr
= ( E e i t X 1 ) r = ( p e i t 1 − q e i t ) r =(Ee^{itX_1})^r=(\frac{pe^{it}}{1-qe^{it}})^r =(EeitX1)r=(1qeitpeit)r

(待更新超几何分布和负二项分布期望和方差的定义求法)

参考文献:茆诗松,程依明,濮晓龙.概率论与数理统计教程(第二版)[M].北京:高等教育出版社,2004,3.

你可能感兴趣的:(统计学,概率论)