指数分布期望方差是怎么证明的
更新日期:2026-11-12 09:49:09
| 标题 | 指数分布期望方差是怎么证明的 | ||||||||||||
| 内容 | 指数分布是概率论和统计学中常见的连续型概率分布,常用于描述事件发生的时间间隔。例如,在排队系统、可靠性分析等领域中广泛应用。它的概率密度函数为: $$ f(x) = \lambda e^{-\lambda x}, \quad x \geq 0 $$ 其中,$\lambda > 0$ 是分布的参数,表示单位时间内的平均发生次数。 本文将总结指数分布的期望与方差的证明过程,并通过表格形式进行归纳整理。 一、指数分布的期望(均值) 定义: 设 $X$ 服从指数分布,记作 $X \sim \text{Exp}(\lambda)$,则其期望为: $$ E(X) = \int_0^\infty x \cdot \lambda e^{-\lambda x} dx $$ 证明过程: 1. 使用分部积分法: - 设 $u = x$, $dv = \lambda e^{-\lambda x} dx$ - 则 $du = dx$, $v = -e^{-\lambda x}$ 2. 分部积分公式: $$ \int u \, dv = uv - \int v \, du $$ 3. 代入计算: $$ E(X) = \left[ -x e^{-\lambda x} \right]_0^\infty + \int_0^\infty e^{-\lambda x} dx $$ 4. 第一项在 $x=0$ 时为 0,在 $x \to \infty$ 时也为 0(因为指数衰减)。 5. 第二项: $$ \int_0^\infty e^{-\lambda x} dx = \frac{1}{\lambda} $$ 结论: $$ E(X) = \frac{1}{\lambda} $$ 二、指数分布的方差 定义: 方差为: $$ \text{Var}(X) = E(X^2) - [E(X)]^2 $$ 我们已知 $E(X) = \frac{1}{\lambda}$,现在求 $E(X^2)$。 计算 $E(X^2)$: $$ E(X^2) = \int_0^\infty x^2 \cdot \lambda e^{-\lambda x} dx $$ 证明过程: 1. 同样使用分部积分法,或直接利用伽马函数性质。 2. 伽马函数定义: $$ \Gamma(n) = \int_0^\infty x^{n-1} e^{-x} dx $$ 3. 指数分布的期望可视为伽马分布的特例,即 $\text{Exp}(\lambda) \sim \text{Gamma}(1, \frac{1}{\lambda})$ 4. 对于伽马分布,有: $$ E(X^2) = \frac{2}{\lambda^2} $$ 计算方差: $$ \text{Var}(X) = E(X^2) - [E(X)]^2 = \frac{2}{\lambda^2} - \left( \frac{1}{\lambda} \right)^2 = \frac{1}{\lambda^2} $$ 结论: $$ \text{Var}(X) = \frac{1}{\lambda^2} $$ 三、总结表格
四、小结 指数分布是一种重要的连续分布,广泛应用于实际问题中。其期望和方差的推导主要依赖于积分运算和对伽马函数的理解。掌握这些基本性质有助于更好地理解和应用该分布。 如需进一步了解指数分布与其他分布的关系(如泊松分布、伽马分布等),可参考相关教材或资料。 | ||||||||||||
| 随便看 |