二项分布的e(x)与d(x)的推导公式
时间: 2023-10-06 13:03:04 浏览: 339
二项分布是一种离散概率分布,表示在n次独立重复的伯努利实验中成功次数的概率分布。其中,成功的概率为p,失败的概率为1-p。
设X为成功的次数,X服从二项分布B(n,p)。我们可以推导出X的期望值E(X)及方差Var(X)的公式。
首先,我们考虑X的期望值E(X)。由于X是成功次数,可以将其表示为X = X₁ + X₂ + ... + Xₙ,其中Xᵢ表示第i次实验是否成功。
由于每次实验是独立的伯努利试验,我们知道E(Xᵢ) = p。根据线性性质,我们可以得到E(X) = E(X₁ + X₂ + ... + Xₙ) = E(X₁) + E(X₂) + ... + E(Xₙ) = np。
接下来,我们考虑X的方差Var(X)。根据独立性质,我们知道Var(Xᵢ) = E(Xᵢ²) - (E(Xᵢ))² = p - p² = p(1-p)。
由于每次实验是独立的,我们可以得到Var(X) = Var(X₁ + X₂ + ... + Xₙ) = Var(X₁) + Var(X₂) + ... + Var(Xₙ) = np(1-p)。
综上所述,二项分布的期望值E(X) = np,方差Var(X) = np(1-p)。这是二项分布的期望与方差的推导公式。
相关问题
均匀分布协方差公式推导
假设 $X$ 和 $Y$ 是两个均匀分布的随机变量,其概率密度函数为:
$$
f_X(x) = \begin{cases}
\frac{1}{b-a}, & a \leq x \leq b \\
0, & \text{otherwise}
\end{cases}
$$
$$
f_Y(y) = \begin{cases}
\frac{1}{d-c}, & c \leq y \leq d \\
0, & \text{otherwise}
\end{cases}
$$
其中 $a, b, c, d$ 分别是 $X$ 和 $Y$ 的取值范围。
我们可以计算 $X$ 和 $Y$ 的期望和方差:
$$
\begin{aligned}
E(X) &= \int_a^b \frac{x}{b-a} dx = \frac{a+b}{2} \\
E(Y) &= \int_c^d \frac{y}{d-c} dy = \frac{c+d}{2} \\
Var(X) &= E(X^2) - (E(X))^2 = \int_a^b \frac{x^2}{b-a} dx - \left(\frac{a+b}{2}\right)^2 = \frac{(b-a)^2}{12} \\
Var(Y) &= E(Y^2) - (E(Y))^2 = \int_c^d \frac{y^2}{d-c} dy - \left(\frac{c+d}{2}\right)^2 = \frac{(d-c)^2}{12}
\end{aligned}
$$
我们可以进一步计算 $XY$ 的期望和协方差:
$$
\begin{aligned}
E(XY) &= \int_a^b \int_c^d \frac{xy}{(b-a)(d-c)} dydx \\
&= \frac{1}{(b-a)(d-c)} \int_a^b \left(\frac{xy^2}{2}\bigg|_c^d\right) dx \\
&= \frac{1}{2(b-a)(d-c)} \int_a^b (xd^2-xc^2) dx \\
&= \frac{(d^2-c^2)(b^2-a^2)}{12(b-a)(d-c)} \\
&= \frac{(a+b)(c+d)}{4} - \frac{(ad+bc)}{2} + \frac{ac+bd}{4}
\end{aligned}
$$
$$
\begin{aligned}
cov(X,Y) &= E(XY) - E(X)E(Y) \\
&= \frac{(a+b)(c+d)}{4} - \frac{(ad+bc)}{2} + \frac{ac+bd}{4} - \frac{(a+b)(c+d)}{4} \\
&= \frac{1}{4}(ad+bc-ac-bd) \\
&= \frac{1}{4}(a-b)(d-c)
\end{aligned}
$$
因此,均匀分布的 $X$ 和 $Y$ 的协方差为 $\frac{1}{4}(a-b)(d-c)$。
hermite公式推导
Hermite公式是关于Hermite多项式的一个重要结果,它用于计算Hermite多项式的导数的值。
Hermite多项式是以法国数学家Charles Hermite的名字命名的,它是一类满足Hermite微分方程的特殊函数。它们在概率论、量子力学和统计力学等领域具有重要应用。
我们考虑Hermite多项式的定义:
Hn(x) = (-1)^n * e^(x^2) * (d^n/dx^n) (e^(-x^2))
其中,n为非负整数,e表示自然对数的底。我们要推导的是Hermite公式,用于计算Hermite多项式的导数。
首先,我们利用Leibniz法则对上述定义中的指数函数和导数进行展开:
(d^n/dx^n) (e^(-x^2)) = ∑(k=0到n) C(n, k) * (-1)^(n-k) * e^(-x^2) * (d^k/dx^k) (x^2)^((n-k)/2)
其中,C(n, k)表示组合数。
接下来,我们将前面的展开式代入Hermite多项式的定义中,可以得到:
Hn(x) = (-1)^n * e^(x^2) * (∑(k=0到n) C(n, k) * (-1)^(n-k) * e^(-x^2) * (d^k/dx^k) (x^2)^((n-k)/2))
然后,我们进行一些简化。首先,前面的(-1)^n与∑中的每一项中的(-1)^(n-k)相乘,可以得到1,因此可以去掉。其次,合并底数不同的指数项,可以得到:
Hn(x) = ∑(k=0到n) C(n, k) * (d^k/dx^k) (e^(-x^2) * x^(n-k))
最后,我们可以用简化后的公式来计算Hermite多项式的导数的值。这个公式描述了Hermite多项式的导数与e^(-x^2) * x^{n-k}的导数之间的关系,通过计算多项式的每个导数项的系数,我们可以得到Hermite多项式的导数的值。
Hermite公式的推导及应用有助于我们更好地理解Hermite多项式及其在数学和物理学中的重要性。