设x1x2xn是来自服从参数为的 泊松分布 联合分布律

来源:学生作业帮助网 编辑:作业帮 时间:2024/09/20 19:43:21
设x1x2xn是来自服从参数为的 泊松分布 联合分布律
随机变量的数学期望设随机变量ξ,η相互独立,ξ服从参数为λ的指数分布,η服从参数为n,p(0

因为随机变量ξ,η相互独立,所以E(ξη)=E(ξ)E(η)而E(ξ)=1/λ,E(η)=np所以E(ξη)=np/λ

设X服从参数为1的泊松分布,Y服从参数为4,0.5的二项分布,且x,y相互独立,求E(XY)

由于相互独立,EXY=EX*EY=1*2=2泊松分布的期望等于纳姆达=1二项分布的期望等于np=4*0.5=2

设随机变量X与Y相互独立,且都服从参数为3的泊松分布,证明X+Y仍服从泊松分布,参数为6

这个用泊松分布可加性来做,很简单X,Y相互独立且分别服从p(λ1),p(λ2)那么Z=X+Yp(λ1+λ2)参考资料里有他的证明

设随机变量X与Y相互独立,且都服从参数为3的泊松分布,证明X+Y服从泊松分布,参数为6

要用到微积分吗?具体公式给下回答:=Σ(3^I*e^(-3)I/I!)(3^(K-I)*e^(-3)I/(K-I)!)=Σ(3^I*3^(K-I)e^(-3)*e^(-3)/I!*(K-I)!)=Σ[

设随机变量X服从(1,2)上的均匀分布,在X=x条件下,随机变量Y的条件分布是参数为x的指数分布.证明:XY服从参数为1

f(x)=1,1≤x≤2f(y|x)=xe^(-xy),y≥0f(y|x)=f(x,y)/f(x)=f(x,y)=xe^(-xy)令z=xy,z≥0F(z)=P(Z≤z)=P(XY≤z)=∫(1,2)

设X1 X2 ...Xn为来自总体X的样本,总体X服从参数为λ的指数分布,即X~f(x,λ)=λexp(-λx) 求X(

xi独立同分布F1x=MAX(x1,x2,.)=(f(x,λ))^n,然后根据期望的定义求相应的积分就是了,但是要注意指数分布当x《0时f=0

设总体X服从参数为λ的泊松分布,其中λ为未知参数.X1,X2,...,Xn为来自该总体的一个样本,则参数λ的矩估计量为?

X服从参数为λ的泊松分布,EX=λ.把EX换成一阶样本矩Xˉ,即得矩估计量为λ^=Xˉ.

设X服从参数设X服从参数为λ=1的指数分布,求Y=X^2的概率密度.

X的概率密度函数:fX(x)={e^-x,x>0{0,x0时,有FY(y)=P{X^2≤y}=P{-√y≤x≤√y}=∫(-√y→√y)fX(x)dxfY(y)=d[FY(y)]/dy=d[∫(-√y

设随机变量X服从参数为2的指数分布,证明Y=e^-2X服从U(0,1)

解法的要点如下图,先找出分布函数的关系.经济数学团队帮你解答,请及时采纳.谢谢!

设随机变量x服从参数为(2,P)的二项分布,Y服从参数为(4,P)的二项分布

因为随机变量服从X~(2,P)则,P(ξ≥1)=1-=a(a你没给出),可以求出p;那么,P(η≥1)=1-

概率论大数定理设总体X服从参数为2的泊松分布、X1,X2`````Xn为来自总体X的一个样本,则当n→∞,Yn=1/n(

Yn的极限应该是6吧.这里的Yn其实就是样本的二阶原点矩,记为A2.其一阶原点矩为1/n(X1+X2+……+Xn),记为A1.其二阶中心矩记为S^2.它们之间的关系为A2-A1^2=S^2.又因为X服

设随机变量x服从参数为2的指数函数,y服从参数为4的指数分布则E(2x 3y)等于多少

指数分布的期望为参数的倒数,所以EX=1/2,EY=1/4故E(2X)=1,E(3Y)=3/4

一道大学概率论问题设总体X服从参数为m,p的二项分布,m已知,p未知,(x1,.Xn)是来自总体X的一个简单随机样本,求

该样本遵从二项分布,则可先写出其分布律,然后将n个这样分布律联乘,之后这个连乘的函数取对数,再对取完对数后得到的函数对变量p求导,并令其等于零,得到的p就是其最大似然估计量,如果取完对数后得到的函数对

设总体X服从参数为2的指数分布,X1,X2,…,Xn为来自总体X的简单随机样本,则当n→∞时,Y

大数定律:一组相互独立且具有有限期望与方差的随机变量X1,X2,…,Xn,当方差一致有界时,其算术平均值依概率收敛于其数学期望的算术平均值.这里X21,X22,…,X2n满足大数定律的条件,且EX2i

设X服从0-1分布,X1,X2.XN是来自X的一个样本,试求参数P的极大似然估计值

P(X=1)=pP(X=0)=1-p所以X的密度函数是P(X=a)=p^a*(1-p)^(1-a)a=0或1p未知,p∈[0,1]样本为X1……XN所以似然函数是L(x1,x2……xn;p)=(p^x

设随机变量服从参数为5的指数分布,则它的数学期望值为多少

0.21/λ=1/5=0.2根据0—1分布,数学期望p方差p(1-p);二项分布(贝努里概型),数学期望np方差np(1-p);泊松分布,数学期望λ方差λ;均匀分布,数学期望(a+b)/2方差[(b-