泊松分布的期望和方差公式及详细证明过程
更新日期:2026-11-12 19:38:08
| 标题 | 泊松分布的期望和方差公式及详细证明过程 |
| 内容 | 泊松分布是一种在统计学中广泛应用的概率分布模型,主要用于描述单位时间内随机事件发生的次数。其概率质量函数(PMF)为: \[ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \dots \] 其中,\(\lambda > 0\) 是一个正实数,表示单位时间内的平均发生次数。 泊松分布的期望公式及其证明 泊松分布的期望值 \(E[X]\) 可以通过以下公式计算: \[ E[X] = \sum_{k=0}^\infty k \cdot P(X = k) \] 将泊松分布的概率质量函数代入,我们得到: \[ E[X] = \sum_{k=0}^\infty k \cdot \frac{\lambda^k e^{-\lambda}}{k!} \] 注意到当 \(k = 0\) 时,\(k \cdot \frac{\lambda^k e^{-\lambda}}{k!} = 0\),因此可以将求和的起点从 \(k = 1\) 开始: \[ E[X] = \sum_{k=1}^\infty k \cdot \frac{\lambda^k e^{-\lambda}}{k!} \] 进一步化简,注意到 \(k \cdot \frac{1}{k!} = \frac{1}{(k-1)!}\),因此有: \[ E[X] = \sum_{k=1}^\infty \frac{\lambda^k e^{-\lambda}}{(k-1)!} \] 令 \(j = k - 1\),则 \(k = j + 1\),并且当 \(k = 1\) 时,\(j = 0\);当 \(k \to \infty\) 时,\(j \to \infty\)。因此,求和变为: \[ E[X] = \sum_{j=0}^\infty \frac{\lambda^{j+1} e^{-\lambda}}{j!} \] 提取常数因子 \(\lambda\) 后,得到: \[ E[X] = \lambda \cdot \sum_{j=0}^\infty \frac{\lambda^j e^{-\lambda}}{j!} \] 注意到 \(\sum_{j=0}^\infty \frac{\lambda^j e^{-\lambda}}{j!}\) 是泊松分布的概率质量函数的总和,等于 1。因此: \[ E[X] = \lambda \] 泊松分布的方差公式及其证明 泊松分布的方差 \(Var(X)\) 的定义为: \[ Var(X) = E[X^2] - (E[X])^2 \] 我们已经知道 \(E[X] = \lambda\),因此需要计算 \(E[X^2]\)。首先,\(E[X^2]\) 的表达式为: \[ E[X^2] = \sum_{k=0}^\infty k^2 \cdot P(X = k) \] 同样代入泊松分布的概率质量函数,得到: \[ E[X^2] = \sum_{k=0}^\infty k^2 \cdot \frac{\lambda^k e^{-\lambda}}{k!} \] 与计算 \(E[X]\) 类似,当 \(k = 0\) 时,\(k^2 \cdot \frac{\lambda^k e^{-\lambda}}{k!} = 0\),因此可以从 \(k = 1\) 开始求和: \[ E[X^2] = \sum_{k=1}^\infty k^2 \cdot \frac{\lambda^k e^{-\lambda}}{k!} \] 注意到 \(k^2 \cdot \frac{1}{k!} = k \cdot \frac{1}{(k-1)!}\),因此有: \[ E[X^2] = \sum_{k=1}^\infty k \cdot \frac{\lambda^k e^{-\lambda}}{(k-1)!} \] 令 \(j = k - 1\),则 \(k = j + 1\),因此: \[ E[X^2] = \sum_{j=0}^\infty (j+1) \cdot \frac{\lambda^{j+1} e^{-\lambda}}{j!} \] 展开后分为两部分: \[ E[X^2] = \lambda \sum_{j=0}^\infty j \cdot \frac{\lambda^j e^{-\lambda}}{j!} + \lambda \sum_{j=0}^\infty \frac{\lambda^j e^{-\lambda}}{j!} \] 第一部分是 \(E[X]\),第二部分是 1,因此: \[ E[X^2] = \lambda E[X] + \lambda = \lambda^2 + \lambda \] 最终,方差为: \[ Var(X) = E[X^2] - (E[X])^2 = (\lambda^2 + \lambda) - \lambda^2 = \lambda \] 总结 泊松分布的期望和方差分别为: \[ E[X] = \lambda, \quad Var(X) = \lambda \] 以上即为泊松分布的期望和方差公式的完整推导过程。 |
| 随便看 |