本篇笔记内容来源
概率论与数理统计教程(第三版) 茆诗松 高等教育出版社
数理统计学导论(原书第7版) 机械工业出版社
P ( X = k ) = λ k k ! e − λ , k ∈ N ∗ , λ > 0 P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},k\in N^*,\lambda>0 P(X=k)=k!λke−λ,k∈N∗,λ>0
记为 X ∼ P ( λ ) X\sim P(\lambda) X∼P(λ)
期望和方差
-
( 泰勒展开 ) e x = ∑ k = 0 ∞ x k k ! (泰勒展开)\ e^x=\sum^\infty_{k=0}\frac{x^k}{k!} (泰勒展开) ex=k=0∑∞k!xk
-
E ( X ) = ∑ k = 0 ∞ k λ k k ! e − λ = λ e − λ ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! = λ e − λ e λ = λ \begin{align*} E(X)&=\sum^\infty_{k=0}k\frac{\lambda^k}{k!}e^{-\lambda}\\ &=\lambda e^{-\lambda}\sum^\infty_{k=1}\frac{\lambda^{k-1}}{(k-1)!}\\ &=\lambda e^{-\lambda}e^\lambda\\ &=\lambda \end{align*} E(X)=k=0∑∞kk!λke−λ=λe−λk=1∑∞(k−1)!λk−1=λe−λeλ=λ
-
E ( X 2 ) = ∑ k = 0 ∞ k 2 λ k k ! e − λ = e − λ ∑ k = 0 ∞ k λ k ( k − 1 ) ! = e − λ ∑ k = 0 ∞ [ ( k − 1 ) + 1 ] λ k ( k − 1 ) ! = λ 2 e − λ λ k − 2 ( k − 2 ) ! + λ e − λ ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! = λ 2 + λ \begin{align*} E(X^{2})&=\sum^\infty_{k=0}k^2\frac{\lambda^k}{k!}e^{-\lambda}\\ &=e^{-\lambda}\sum^\infty_{k=0}k\frac{\lambda^k}{(k-1)!}\\ &=e^{-\lambda}\sum^\infty_{k=0}[(k-1)+1]\frac{\lambda^k}{(k-1)!}\\ &=\lambda^2 e^{-\lambda}\frac{\lambda^{k-2}}{(k-2)!}+\lambda e^{-\lambda}\sum^\infty_{k=1}\frac{\lambda^{k-1}}{(k-1)!}\\ &=\lambda^2+\lambda \end{align*} E(X2)=k=0∑∞k2k!λke−λ=e−λk=0∑∞k(k−1)!λk=e−λk=0∑∞[(k−1)+1](k−1)!λk=λ2e−λ(k−2)!λk−2+λe−λk=1∑∞(k−1)!λk−1=λ2+λ
所以方差为 V a r ( X ) = E ( X 2 ) − [ E ( X ) ] 2 = λ 2 + λ − λ 2 = λ Var(X)=E(X^2)-[E(X)]^2=\lambda^2+\lambda-\lambda^2=\lambda Var(X)=E(X2)−[E(X)]2=λ2+λ−λ2=λ
矩母函数
M ( t ) = ∑ x e t x p ( x ) = ∑ x = 0 ∞ e t x m x e − m x ! = e − m ∑ x = 0 ∞ ( m e t ) x x ! = e − m e m e t = e m ( e t − 1 ) M(t)=\sum_xe^{tx}p(x)= \sum^{\infty}_{x=0}e^{tx}\frac{m^xe^{-m}}{x!}= e^{-m}\sum^{\infty}_{x=0}\frac{(me^t)^x}{x!}= e^{-m}e^{me^t}=e^{m(e^t-1)} M(t)=x∑etxp(x)=x=0∑∞etxx!mxe−m=e−mx=0∑∞x!(met)x=e−memet=em(et−1)
二项分布的泊松近似
在二项分布 b ( n . p ) b(n.p) b(n.p) 中,当 n n n 较大时,计算量是令人烦恼的.
而在 n n n 较大且 p p p 较小时使用以下泊松定理,可以减少二项分布中的计算量
(泊松定理) 在 n n n 重伯努利试验中,记事件 A A A 在一次试验中发生的概率为 p n p_n pn (与实验次数 n n n 有关),如果当 n → ∞ n\rightarrow\infty n→∞ 时,有 n p n → λ np_n\rightarrow\lambda npn→λ ,则
lim n → ∞ ( n k ) p n k ( 1 − p n ) n − k = λ k k ! e − λ \lim_{n\rightarrow\infty}\Big( \begin{matrix} n\\k \end{matrix} \Big) p^k_n(1-p_n)^{n-k}=\frac{\lambda^k}{k!}e^{-\lambda} n→∞lim(nk)pnk(1−pn)n−k=k!λke−λ