证明 几何分布 的期望和方差

几何分布

几何分布(Geometric Distribution)描述了在进行一系列独立的伯努利试验时,第一次成功所需的试验次数。假设每次试验成功的概率为 ( p ),则几何分布的概率质量函数(PMF)为:

P ( X = k ) = ( 1 − p ) k − 1 p , k = 1 , 2 , 3 , … P(X = k) = (1 - p)^{k-1} p, \quad k = 1, 2, 3, \ldots P(X=k)=(1p)k1p,k=1,2,3,

其中,随机变量 ( X ) 表示第一次成功所需的试验次数。

期望值

期望值(Expectation)表示随机变量的平均值。对于几何分布 ( X ),期望值 ( \mathbb{E}(X) ) 定义为:

E ( X ) = ∑ k = 1 ∞ k ⋅ P ( X = k ) \mathbb{E}(X) = \sum_{k=1}^{\infty} k \cdot P(X = k) E(X)=k=1kP(X=k)

代入几何分布的概率质量函数:

E ( X ) = ∑ k = 1 ∞ k ⋅ ( 1 − p ) k − 1 p \mathbb{E}(X) = \sum_{k=1}^{\infty} k \cdot (1 - p)^{k-1} p E(X)=k=1k(1p)k1p

我们可以将 ( p ) 提取出来:

E ( X ) = p ∑ k = 1 ∞ k ⋅ ( 1 − p ) k − 1 \mathbb{E}(X) = p \sum_{k=1}^{\infty} k \cdot (1 - p)^{k-1} E(X)=pk=1k(1p)k1

为了计算这个和,我们使用以下求和公式:

∑ k = 1 ∞ k x k − 1 = 1 ( 1 − x ) 2 for ∣ x ∣ < 1 \sum_{k=1}^{\infty} k x^{k-1} = \frac{1}{(1 - x)^2} \quad \text{for} \quad |x| < 1 k=1kxk1=(1x)21forx<1

在这里,令 ( x = 1 - p ),因此有:

∑ k = 1 ∞ k ⋅ ( 1 − p ) k − 1 = 1 p 2 \sum_{k=1}^{\infty} k \cdot (1 - p)^{k-1} = \frac{1}{p^2} k=1k(1p)k1=p21

代入上面的结果:

E ( X ) = p ⋅ 1 p 2 = 1 p \mathbb{E}(X) = p \cdot \frac{1}{p^2} = \frac{1}{p} E(X)=pp21=p1

方差

方差(Variance)表示随机变量与其期望值之间的离散程度,记作 ( \text{Var}(X) )。方差的定义为:

Var ( X ) = E [ ( X − E ( X ) ) 2 ] = E ( X 2 ) − ( E ( X ) ) 2 \text{Var}(X) = \mathbb{E}[(X - \mathbb{E}(X))^2] = \mathbb{E}(X^2) - (\mathbb{E}(X))^2 Var(X)=E[(XE(X))2]=E(X2)(E(X))2

首先,我们计算 ( \mathbb{E}(X^2) )。利用几何级数求和,我们有:

E ( X 2 ) = ∑ k = 1 ∞ k 2 ⋅ ( 1 − p ) k − 1 p \mathbb{E}(X^2) = \sum_{k=1}^{\infty} k^2 \cdot (1 - p)^{k-1} p E(X2)=k=1k2(1p)k1p

我们使用以下求和公式:

∑ k = 1 ∞ k 2 x k − 1 = 1 + x ( 1 − x ) 3 for ∣ x ∣ < 1 \sum_{k=1}^{\infty} k^2 x^{k-1} = \frac{1 + x}{(1 - x)^3} \quad \text{for} \quad |x| < 1 k=1k2xk1=(1x)31+xforx<1

令 ( x = 1 - p ),因此有:

∑ k = 1 ∞ k 2 ⋅ ( 1 − p ) k − 1 = 1 + ( 1 − p ) ( 1 − ( 1 − p ) ) 3 = 2 − p p 3 \sum_{k=1}^{\infty} k^2 \cdot (1 - p)^{k-1} = \frac{1 + (1 - p)}{(1 - (1 - p))^3} = \frac{2 - p}{p^3} k=1k2(1p)k1=(1(1p))31+(1p)=p32p

因此,

E ( X 2 ) = p ⋅ 2 − p p 3 = 2 − p p 2 \mathbb{E}(X^2) = p \cdot \frac{2 - p}{p^3} = \frac{2 - p}{p^2} E(X2)=pp32p=p22p

现在我们可以计算方差:

Var ( X ) = E ( X 2 ) − ( E ( X ) ) 2 = 2 − p p 2 − ( 1 p ) 2 = 2 − p p 2 − 1 p 2 = 2 − p − 1 p 2 = 1 − p p 2 \text{Var}(X) = \mathbb{E}(X^2) - (\mathbb{E}(X))^2 = \frac{2 - p}{p^2} - \left(\frac{1}{p}\right)^2 = \frac{2 - p}{p^2} - \frac{1}{p^2} = \frac{2 - p - 1}{p^2} = \frac{1 - p}{p^2} Var(X)=E(X2)(E(X))2=p22p(p1)2=p22pp21=p22p1=p21p

结论

对于几何分布 ( X ),其期望值和方差分别为:

E ( X ) = 1 p \mathbb{E}(X) = \frac{1}{p} E(X)=p1

Var ( X ) = 1 − p p 2 \text{Var}(X) = \frac{1 - p}{p^2} Var(X)=p21p

这些结果表明,在进行一系列独立的伯努利试验中,第一次成功所需的试验次数的平均值是E(x),而离散程度由Var(x)决定。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/29448.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mongo工具篇 --- mongostats

一、使用 1、安装 安装链接 2、命令参数 -h&#xff0c;–host hostname&#xff1a;指定MongoDB主机名和端口&#xff0c;例如&#xff1a;-h localhost:12017&#xff0c;默认-a&#xff0c;–authenticationMechanism mechanism&#xff1a;指定认证机制-u&#xff0c…

分享三个仓库

Hello , 我是恒。大概有半个月没有发文章了&#xff0c;都写在文档里了 今天分享三个我开源的项目&#xff0c;比较小巧但是有用 主页 文档导航 Github地址: https://github.com/lmliheng/document 在线访问:http://document.liheng.work/ 里面有各种作者书写的文档&#xff…

Midjourney v6 快速入门指南

Midjourney V6快速入门教程来了&#xff0c;这是Midjourney的AI图像生成器的又一次令人印象深刻的升级。最显著的是&#xff0c;V6在逼真渲染和图像中的文字功能方面取得了重大进展。 在这篇文章中&#xff0c;我们将探讨如何开始使用Midjourney V6&#xff0c;并提供一些示例…

技术分析:开源大模型的兴起与热门项目推荐

技术分析&#xff1a;开源大模型的兴起与热门项目推荐 引言 随着人工智能&#xff08;AI&#xff09;技术的不断发展&#xff0c;开源大模型成为了许多程序员和研究人员关注的焦点。开源项目不仅促进了技术的快速迭代和普及&#xff0c;还为更多的人提供了学习和实践的机会。…

软件设计师笔记-计算机系统基础知识

CPU的功能 CPU(中央处理器)是计算机的核心部件,负责执行计算机的指令和处理数据。它的功能主要可以分为程序控制、操作控制、时间控制和数据处理四个方面: 程序控制:CPU的首要任务是执行存储在内存中的程序。程序控制功能确保CPU能够按照程序的指令序列,一条一条地执行。…

AI 视频生成工具 Sora 横空出世!一文带你了解 Sora:简介|主要功能|使用场景|平替工具等!

要说最近的头条热搜&#xff0c;非 Sora 莫属&#xff01;Sora 的诞生&#xff0c;再一次引发了人们对 AI 人工智能以及 AIGC 的关注。 对第一次听说 Sora 的人&#xff0c;可能会好奇&#xff0c;大家都在说的 Sora 是什么&#xff1f; Sora 是什么软件&#xff1f; Sora&a…

python flask配置数据库并进行orm操作 flask_sqlalchemy

&#x1f308;所属专栏&#xff1a;【Flask】✨作者主页&#xff1a; Mr.Zwq✔️个人简介&#xff1a;一个正在努力学技术的Python领域创作者&#xff0c;擅长爬虫&#xff0c;逆向&#xff0c;全栈方向&#xff0c;专注基础和实战分享&#xff0c;欢迎咨询&#xff01; 您的点…

013.随机指纹chromium编译-如何通过传参来固定指纹

随机指纹chromium编译-如何通过传参来固定指纹 由于要所有的类型的指纹都实现固定&#xff0c;工作量太大&#xff0c;这里我只用plugins指纹作为示例。 一、为什么要固定指纹 目标&#xff1a;启动浏览器时&#xff0c;加上参数--fingerprints"xxxxxxx", 参数变化时…

基于Spring Boot+VUE毕业生信息招聘平台

系统详细设计 1管理员功能模块 管理员登录&#xff0c;管理员通过输入用户名、密码、角色等信息进行系统登录&#xff0c;如图1所示。 图1管理员登录界面图 管理员登录进入毕业生信息招聘平台可以查看首页、个人中心、企业管理、空中宣讲会管理、招聘岗位管理、毕业生管理、个…

jEasyUI 转换 HTML 表格为数据网格

jEasyUI 转换 HTML 表格为数据网格 jEasyUI 是一个基于 jQuery 的框架,它为用户提供了一套完整的用户界面组件,使得网页开发变得更加简单快捷。在本文中,我们将探讨如何使用 jEasyUI 将一个普通的 HTML 表格转换为功能丰富的数据网格(datagrid)。 为什么使用数据网格? …

汇编语言程序设计 - 输入5位以内八进制的数,存入BX中

80x86汇编习题 题目描述&#xff1a;输入5位以内八进制的数&#xff0c;存入BX中。注意&#xff1a;BX中的最高位&#xff08;第十五位&#xff09;如何输入&#xff1f; 思路&#xff1a; 1&#xff0c;清空BX&#xff0c;CL要用来移位&#xff0c;用SI记录循环次数;遇到回…

Leetcode 力扣124. 二叉树中的最大路径和 (抖音号:708231408)

二叉树中的 路径 被定义为一条节点序列&#xff0c;序列中每对相邻节点之间都存在一条边。同一个节点在一条路径序列中 至多出现一次 。该路径 至少包含一个 节点&#xff0c;且不一定经过根节点。 路径和 是路径中各节点值的总和。 给你一个二叉树的根节点 root &#xff0c…

多种异构数据的分析设计方案1:使用策略模式+函数式接口

多种异构数据的分析设计方案1&#xff1a;聊聊策略模式函数式接口 定义 策略模式(Strategy Pattern): 定义并封装一系列算法类&#xff0c;并且这些类可以相互替换&#xff0c;可以在运行时根据需要选择不同的算法&#xff0c;而不需要修改客户端流程代码。 策略模式让算法独立…

js中函数执行

1、函数调用&#xff08;函数名后跟括号&#xff09; // 定义一个无参函数 function sayHello() {console.log(Hello, World!); }// 执行函数 sayHello(); // 输出: Hello, World!2、方法调用 (1)而methods这一概念在js中的表现就是&#xff0c;一个对象的属性是一个function&…

pytest并发执行时token异常处理问题

接前面加入钩子函数处理token复用的问题&#xff0c;只保证了用例的串联执行&#xff0c;我的部分测试用例中接入了通义千问的部分接口生成测试数据&#xff0c;七八个场景跑完差不多快要10分钟。考虑使用并发执行。 http://t.csdnimg.cn/ACexL 使用多线程和不使用耗时差距很大…

springboot项目中切数据库(mysql-> pg)带来的适配问题:typeHandler

一、数据表中有一张表&#xff0c;名为role_permission&#xff0c;DDL如下&#xff1a; CREATE TABLE "public"."role_permission" ( "role_id" varchar(64) COLLATE "pg_catalog"."default" NOT NULL, "permiss…

Android11 动态权限申请

1、单个权限检查及申请 private void checkSinglePermission(){// 在需要的地方&#xff0c;如Activity中if (ContextCompat.checkSelfPermission(this, Manifest.permission.READ_PHONE_STATE)! PackageManager.PERMISSION_GRANTED) {ActivityCompat.requestPermissions(this,…

告别传统测绘,WebGIS室内办公,工作轻松又高薪!

为什么说webgis相比传统测绘具有更广阔的发展前景? 我们从以下4个角度进行说明。 1、从工作类型看&#xff0c;WebGIS有更多积累 相信接触过测绘的小伙伴都知道&#xff0c;测绘外业和内业的岗位性质来看&#xff0c;基本没有什么上升空间&#xff0c;也谈不上什么积累。 而w…

外贸拓客软件是否有用

外贸拓客软件在帮助外贸企业提高拓客效率和成功率方面确实非常有用。以下是外贸拓客软件的主要优点和功能&#xff0c;通过参考文章中的相关数字和信息进行归纳&#xff1a; 1. 提高效率 自动化与集成功能&#xff1a;外贸拓客软件通过自动化和集成功能&#xff0c;显著减少了…

Boosting原理代码实现

1&#xff0e;提升方法是将弱学习算法提升为强学习算法的统计学习方法。在分类学习中&#xff0c;提升方法通过反复修改训练数据的权值分布&#xff0c;构建一系列基本分类器&#xff08;弱分类器&#xff09;&#xff0c;并将这些基本分类器线性组合&#xff0c;构成一个强分类…