常用连续型随机变量的内容在这里(CSDN对文章长度设了限制,我只能分成两篇博客来发布)。
常用离散型随机变量的概率分布速查表
随机变量 | 记号 | 分布律 | 期望 | 方差 |
---|---|---|---|---|
0-1分布 | X ∼ B ( 1 , n ) X\sim B(1,n) X∼B(1,n) | P ( X = 1 ) = p P ( X = 0 ) = 1 − p , ( 0 < p < 1 ) \left.\begin{array}{lc} P(X=1)=p \\ P(X=0)=1-p \end{array}\right.,\space(0<p<1) P(X=1)=pP(X=0)=1−p, (0<p<1) | p p p | p ( 1 − p ) p(1-p) p(1−p) |
二项分布 | X ∼ B ( n , p ) X\sim B(n,p) X∼B(n,p) | P ( X = k ) = C n k p k ( 1 − p ) n − k , ( k = 0 , 1 , ⋯ , n ) P(X=k)=C_{n}^{k}p^{k}(1-p)^{n-k},\space (k=0,1,\cdots,n) P(X=k)=Cnkpk(1−p)n−k, (k=0,1,⋯,n) | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
超几何分布 | X ∼ H ( n , M , N ) X\sim H(n,M,N) X∼H(n,M,N) | P ( X = k ) = C M k C N − M n − k C N n , ( k = 0 , 1 , ⋯ , m i n { n , M } ) P(X=k)=\frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}},\space (k=0,1,\cdots,min\{n,M\}) P(X=k)=CNnCMkCN−Mn−k, (k=0,1,⋯,min{n,M}) | n M N \frac{nM}{N} NnM | n M ( N − n ) ( N − M ) N 2 ( N − 1 ) \frac{nM(N-n)(N-M)}{N^2(N-1)} N2(N−1)nM(N−n)(N−M) |
泊松分布 | X ∼ P ( λ ) X\sim P(\lambda) X∼P(λ) | P ( X = k ) = λ k k ! e − λ , ( k = 0 , 1 , 2 , ⋯ ) P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\space (k=0,1,2,\cdots) P(X=k)=k!λke−λ, (k=0,1,2,⋯) | λ \lambda λ | λ \lambda λ |
几何分布 | X ∼ g ( p ) X\sim g(p) X∼g(p) | P ( X = k ) = ( 1 − p ) k − 1 p , ( k = 1 , 2 , ⋯ ) P(X=k)=(1-p)^{k-1}p,\space (k=1,2,\cdots) P(X=k)=(1−p)k−1p, (k=1,2,⋯) | 1 p \frac{1}{p} p1 | 1 − p p 2 \frac{1-p}{p^2} p21−p |
常用离散型随机变量的期望与方差
0-1分布
分布律
P
(
X
=
1
)
=
p
P
(
X
=
0
)
=
1
−
p
,
(
0
<
p
<
1
)
。
\left.\begin{array}{lc} P(X=1)=p \\ P(X=0)=1-p \end{array}\right. ,\space (0<p<1) \thinspace。
P(X=1)=pP(X=0)=1−p, (0<p<1)。
易证 P ( X = 0 ) + P ( X = 1 ) = 1 P(X=0)+P(X=1)=1 P(X=0)+P(X=1)=1。
数学期望
E
(
X
)
=
1
×
P
(
X
=
1
)
+
0
×
P
(
X
=
0
)
=
p
。
E(X) = 1\times P(X=1)+0\times P(X=0) = p \thinspace。
E(X)=1×P(X=1)+0×P(X=0)=p。
方差
V
a
r
(
X
)
=
E
(
X
2
)
−
(
E
(
X
)
)
2
=
p
(
1
−
p
)
。
Var(X) = E(X^2)-(E(X))^2 = p(1-p) \thinspace。
Var(X)=E(X2)−(E(X))2=p(1−p)。
二项分布
X X X为 n n n次独立重复试验中成功的次数,成功概率为 p p p。
分布律
P
(
X
=
k
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
,
(
k
=
0
,
1
,
⋯
,
n
)
。
P(X=k) = C_{n}^{k}p^{k}(1-p)^{n-k} ,\space (k=0,1,\cdots,n) \thinspace。
P(X=k)=Cnkpk(1−p)n−k, (k=0,1,⋯,n)。
运用二项式定理,易证 ∑ k = 0 ∞ P ( X = k ) = 1 \sum\limits_{k=0}^{\infty}P(X=k)=1 k=0∑∞P(X=k)=1。
数学期望
令
X
i
=
{
1
第
i
次
试
验
成
功
0
o
t
h
e
r
w
i
s
e
,
(
i
=
1
,
2
,
⋯
,
n
)
X_i=\left\{\begin{array}{cc} 1 & 第i次试验成功 \\ 0 & otherwise \end{array}\right.,\space (i=1,2,\cdots,n)
Xi={10第i次试验成功otherwise, (i=1,2,⋯,n),则
X
i
X_i
Xi服从0-1分布且有
X
=
∑
i
=
1
n
X
i
X=\sum\limits_{i=1}^{n}X_i
X=i=1∑nXi。于是
E
(
X
)
=
E
(
∑
i
=
1
n
X
i
)
=
∑
i
=
1
n
E
(
X
i
)
=
n
p
。
E(X) = E(\sum\limits_{i=1}^{n}X_i) = \sum\limits_{i=1}^{n}E(X_i) = np \thinspace。
E(X)=E(i=1∑nXi)=i=1∑nE(Xi)=np。
方差
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn两两独立,因此
V
a
r
(
X
)
=
V
a
r
(
∑
i
=
1
n
X
i
)
=
∑
i
=
1
n
V
a
r
(
X
i
)
=
n
p
(
1
−
p
)
。
Var(X) = Var(\sum\limits_{i=1}^{n}X_i) = \sum\limits_{i=1}^{n}Var(X_i) = np(1-p) \thinspace。
Var(X)=Var(i=1∑nXi)=i=1∑nVar(Xi)=np(1−p)。
超几何分布
N N N件产品中含 M M M件次品,其余为正品。从中任意不放回地取出 n n n件,抽到次品数为 X X X。
分布律
P
(
X
=
k
)
=
C
M
k
C
N
−
M
n
−
k
C
N
n
,
(
k
=
0
,
1
,
⋯
,
m
i
n
{
n
,
M
}
)
。
P(X=k) = \frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} ,\space (k=0,1,\cdots,min\{n,M\}) \thinspace。
P(X=k)=CNnCMkCN−Mn−k, (k=0,1,⋯,min{n,M})。
运用范德蒙德恒等式,易证 ∑ k = 0 ∞ P ( X = k ) = 1 \sum\limits_{k=0}^{\infty}P(X=k)=1 k=0∑∞P(X=k)=1。
数学期望
令
X
i
=
{
1
第
i
件
次
品
被
抽
到
0
o
t
h
e
r
w
i
s
e
,
(
i
=
1
,
2
,
⋯
,
M
)
X_i=\left\{\begin{array}{cc} 1 & 第i件次品被抽到 \\ 0 & otherwise \end{array}\right.,\space (i=1,2,\cdots,M)
Xi={10第i件次品被抽到otherwise, (i=1,2,⋯,M),那么
P
(
X
i
=
1
)
=
C
1
1
C
N
−
1
n
−
1
C
N
n
=
n
N
,
P(X_i=1) = \frac{C_1^1C_{N-1}^{n-1}}{C_N^n} = \frac{n}{N} \thinspace,
P(Xi=1)=CNnC11CN−1n−1=Nn,
E
(
X
i
)
=
1
×
P
(
X
i
=
1
)
+
0
×
P
(
X
i
=
0
)
=
n
N
。
E(X_i) = 1\times P(X_i=1)+0\times P(X_i=0) = \frac{n}{N} \thinspace。
E(Xi)=1×P(Xi=1)+0×P(Xi=0)=Nn。
再由
X
=
∑
i
=
1
M
X
i
X=\sum\limits_{i=1}^{M}X_i
X=i=1∑MXi可以得到
E
(
X
)
=
E
(
∑
i
=
1
M
X
i
)
=
∑
i
=
1
M
E
(
X
i
)
=
n
M
N
。
E(X) = E(\sum\limits_{i=1}^{M}X_i) = \sum\limits_{i=1}^{M}E(X_i) = \frac{nM}{N} \thinspace。
E(X)=E(i=1∑MXi)=i=1∑ME(Xi)=NnM。
方差
X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn两两不独立,不能使用 V a r ( ∑ i = 1 n X i ) = ∑ i = 1 n V a r ( X i ) Var(\sum\limits_{i=1}^{n}X_i)=\sum\limits_{i=1}^{n}Var(X_i) Var(i=1∑nXi)=i=1∑nVar(Xi)。
令
Y
Y
Y服从超几何分布
H
(
n
−
1
,
M
−
1
,
N
−
1
)
H(n-1,M-1,N-1)
H(n−1,M−1,N−1),则
E
(
Y
)
=
(
n
−
1
)
(
M
−
1
)
N
−
1
E(Y)=\frac{(n-1)(M-1)}{N-1}
E(Y)=N−1(n−1)(M−1)。先计算
E
(
X
2
)
=
∑
k
=
0
m
i
n
{
n
,
M
}
k
2
C
M
k
C
N
−
M
n
−
k
C
N
n
=
∑
k
=
1
m
i
n
{
n
,
M
}
k
(
k
−
1
)
C
M
k
C
N
−
M
n
−
k
C
N
n
+
∑
k
=
0
m
i
n
{
n
,
M
}
k
C
M
k
C
N
−
M
n
−
k
C
N
n
=
∑
k
=
1
m
i
n
{
n
,
M
}
M
(
k
−
1
)
C
M
−
1
k
−
1
C
N
−
M
n
−
k
C
N
n
+
E
(
X
)
=
n
M
N
∑
k
=
1
m
i
n
{
n
,
M
}
(
k
−
1
)
C
M
−
1
k
−
1
C
(
N
−
1
)
−
(
M
−
1
)
(
n
−
1
)
−
(
k
−
1
)
C
N
−
1
n
−
1
+
E
(
X
)
=
n
M
N
∑
k
=
0
m
i
n
{
n
−
1
,
M
−
1
}
k
C
M
−
1
k
C
(
N
−
1
)
−
(
M
−
1
)
(
n
−
1
)
−
k
C
N
−
1
n
−
1
+
E
(
X
)
=
n
M
N
E
(
Y
)
+
E
(
X
)
=
n
M
N
⋅
(
n
−
1
)
(
M
−
1
)
N
−
1
+
n
M
N
。
\begin{aligned} E(X^2) &= \sum\limits_{k=0}^{min\{n,M\}}\frac{k^2C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} \\ &= \sum\limits_{k=1}^{min\{n,M\}}\frac{k(k-1)C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} + \sum\limits_{k=0}^{min\{n,M\}}\frac{kC_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}} \\ &= \sum\limits_{k=1}^{min\{n,M\}}\frac{M(k-1)C_{M-1}^{k-1}C_{N-M}^{n-k}}{C_{N}^{n}} + E(X) \\ &= \frac{nM}{N}\sum\limits_{k=1}^{min\{n,M\}}\frac{(k-1)C_{M-1}^{k-1}C_{(N-1)-(M-1)}^{(n-1)-(k-1)}}{C_{N-1}^{n-1}} + E(X) \\ &= \frac{nM}{N}\sum\limits_{k=0}^{min\{n-1,M-1\}}\frac{kC_{M-1}^{k}C_{(N-1)-(M-1)}^{(n-1)-k}}{C_{N-1}^{n-1}} + E(X) \\ &= \frac{nM}{N}E(Y) + E(X) \\ &= \frac{nM}{N}\cdot\frac{(n-1)(M-1)}{N-1} + \frac{nM}{N} \thinspace。 \end{aligned}
E(X2)=k=0∑min{n,M}CNnk2CMkCN−Mn−k=k=1∑min{n,M}CNnk(k−1)CMkCN−Mn−k+k=0∑min{n,M}CNnkCMkCN−Mn−k=k=1∑min{n,M}CNnM(k−1)CM−1k−1CN−Mn−k+E(X)=NnMk=1∑min{n,M}CN−1n−1(k−1)CM−1k−1C(N−1)−(M−1)(n−1)−(k−1)+E(X)=NnMk=0∑min{n−1,M−1}CN−1n−1kCM−1kC(N−1)−(M−1)(n−1)−k+E(X)=NnME(Y)+E(X)=NnM⋅N−1(n−1)(M−1)+NnM。由此得到
V
a
r
(
X
)
=
E
(
X
2
)
−
(
E
(
X
)
)
2
=
n
M
N
⋅
(
n
−
1
)
(
M
−
1
)
N
−
1
+
n
M
N
−
(
n
M
N
)
2
=
n
M
(
N
−
n
)
(
N
−
M
)
N
2
(
N
−
1
)
。
Var(X) = E(X^2)-(E(X))^2 = \frac{nM}{N}\cdot\frac{(n-1)(M-1)}{N-1} + \frac{nM}{N}-(\frac{nM}{N})^2 = \frac{nM(N-n)(N-M)}{N^2(N-1)} \thinspace。
Var(X)=E(X2)−(E(X))2=NnM⋅N−1(n−1)(M−1)+NnM−(NnM)2=N2(N−1)nM(N−n)(N−M)。
泊松分布
分布律
P
(
X
=
k
)
=
λ
k
k
!
e
−
λ
,
(
k
=
0
,
1
,
2
,
⋯
)
。
P(X=k) = \frac{\lambda^k}{k!}e^{-\lambda},\space (k=0,1,2,\cdots) \thinspace。
P(X=k)=k!λke−λ, (k=0,1,2,⋯)。
证明 ∑ k = 0 ∞ P ( X = k ) = 1 \sum\limits_{k=0}^{\infty}P(X=k)=1 k=0∑∞P(X=k)=1:
运用泰勒公式 f ( x ) = ∑ k = 0 ∞ f ( k ) ( x 0 ) k ! ( x − x 0 ) k f(x)=\sum\limits_{k=0}^{\infty}\frac{f^{(k)}(x_0)}{k!}(x-x_0)^{k} f(x)=k=0∑∞k!f(k)(x0)(x−x0)k,有以下两种证法。
令 f ( x ) = e x , x 0 = − λ f(x)=e^x, x_0=-\lambda f(x)=ex,x0=−λ,可得
∑ k = 0 ∞ P ( X = k ) = ∑ k = 0 ∞ e − λ k ! ( 0 − ( − λ ) ) k = f ( 0 ) = 1 。 \sum\limits_{k=0}^{\infty}P(X=k) = \sum\limits_{k=0}^{\infty}\frac{e^{-\lambda}}{k!}(0-(-\lambda))^k = f(0) = 1 \thinspace。 k=0∑∞P(X=k)=k=0∑∞k!e−λ(0−(−λ))k=f(0)=1。
令 f ( x ) = e x , x 0 = 0 f(x)=e^x, x_0=0 f(x)=ex,x0=0,同样可得
∑ k = 0 ∞ P ( X = k ) = e − λ ∑ k = 0 ∞ 1 k ! ( λ − 0 ) k = e − λ f ( λ ) = 1 。 \sum\limits_{k=0}^{\infty}P(X=k) = e^{-\lambda}\sum\limits_{k=0}^{\infty}\frac{1}{k!}(\lambda-0)^k = e^{-\lambda}f(\lambda) = 1 \thinspace。 k=0∑∞P(X=k)=e−λk=0∑∞k!1(λ−0)k=e−λf(λ)=1。
数学期望
E
(
X
)
=
∑
k
=
0
∞
k
λ
k
k
!
e
−
λ
=
λ
∑
k
=
1
∞
λ
k
−
1
(
k
−
1
)
!
e
−
λ
=
λ
。
E(X) = \sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda} = \lambda\sum\limits_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}e^{-\lambda} = \lambda \thinspace。
E(X)=k=0∑∞kk!λke−λ=λk=1∑∞(k−1)!λk−1e−λ=λ。
方差
V
a
r
(
X
)
=
E
(
X
2
)
−
(
E
(
X
)
)
2
=
∑
k
=
0
∞
k
2
λ
k
k
!
e
−
λ
−
(
E
(
X
)
)
2
=
∑
k
=
1
∞
k
(
k
−
1
)
λ
k
k
!
e
−
λ
+
∑
k
=
0
∞
k
λ
k
k
!
e
−
λ
−
(
E
(
X
)
)
2
=
λ
2
∑
k
=
2
∞
λ
k
−
2
(
k
−
2
)
!
e
−
λ
+
E
(
X
)
−
(
E
(
X
)
)
2
=
λ
2
∑
k
=
0
∞
λ
k
k
!
e
−
λ
+
E
(
X
)
−
(
E
(
X
)
)
2
=
λ
2
∑
k
=
0
∞
P
(
X
=
k
)
+
λ
−
λ
2
=
λ
。
\begin{aligned} Var(X) &= E(X^2)-(E(X))^2 \\ &= \sum\limits_{k=0}^{\infty}k^2\frac{\lambda^k}{k!}e^{-\lambda}-(E(X))^2 \\ &= \sum\limits_{k=1}^{\infty}k(k-1)\frac{\lambda^k}{k!}e^{-\lambda}+\sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda}-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=2}^{\infty}\frac{\lambda^{k-2}}{(k-2)!}e^{-\lambda}+E(X)-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=0}^{\infty}\frac{\lambda^k}{k!}e^{-\lambda}+E(X)-(E(X))^2 \\ &= \lambda^2\sum\limits_{k=0}^{\infty}P(X=k) + \lambda - \lambda^2 \\ &= \lambda \thinspace。 \end{aligned}
Var(X)=E(X2)−(E(X))2=k=0∑∞k2k!λke−λ−(E(X))2=k=1∑∞k(k−1)k!λke−λ+k=0∑∞kk!λke−λ−(E(X))2=λ2k=2∑∞(k−2)!λk−2e−λ+E(X)−(E(X))2=λ2k=0∑∞k!λke−λ+E(X)−(E(X))2=λ2k=0∑∞P(X=k)+λ−λ2=λ。
几何分布
分布律
P
(
X
=
k
)
=
(
1
−
p
)
k
−
1
p
,
(
k
=
1
,
2
,
⋯
)
。
P(X=k) = (1-p)^{k-1}p,\space (k=1,2,\cdots) \thinspace。
P(X=k)=(1−p)k−1p, (k=1,2,⋯)。
证明 ∑ k = 0 ∞ P ( X = k ) = 1 \sum\limits_{k=0}^{\infty}P(X=k)=1 k=0∑∞P(X=k)=1:
∑ k = 1 ∞ P ( X = k ) = 1 − p = q p ∑ k = 1 ∞ q k − 1 = p 1 − q = 1 。 \sum\limits_{k=1}^{\infty}P(X=k) \overset{1-p=q}{=} p\sum\limits_{k=1}^{\infty}q^{k-1} = \frac{p}{1-q} = 1 \thinspace。 k=1∑∞P(X=k)=1−p=qpk=1∑∞qk−1=1−qp=1。
数学期望
E
(
X
)
=
∑
k
=
1
∞
k
p
(
1
−
p
)
k
−
1
=
1
−
p
=
q
p
∑
k
=
1
∞
k
q
k
−
1
=
p
∑
k
=
0
∞
(
k
+
1
)
q
k
⇒
(
1
−
q
)
E
(
X
)
=
p
(
1
−
q
)
∑
k
=
0
∞
(
k
+
1
)
q
k
=
p
(
∑
k
=
0
∞
(
k
+
1
)
q
k
−
∑
k
=
1
∞
k
q
k
)
=
p
∑
k
=
0
∞
q
k
=
p
1
−
q
=
1
⇒
E
(
X
)
=
1
1
−
q
=
1
p
。
\begin{aligned} &\quad\space\space E(X) = \sum\limits_{k=1}^{\infty}kp(1-p)^{k-1} \overset{1-p=q}{=} p\sum\limits_{k=1}^{\infty}kq^{k-1} = p\sum\limits_{k=0}^{\infty}(k+1)q^k \\ &\Rightarrow (1-q)E(X) = p(1-q)\sum\limits_{k=0}^{\infty}(k+1)q^k = p(\sum\limits_{k=0}^{\infty}(k+1)q^k-\sum\limits_{k=1}^{\infty}kq^k) = p\sum\limits_{k=0}^{\infty}q^k = \frac{p}{1-q} = 1 \\ &\Rightarrow E(X) = \frac{1}{1-q} = \frac{1}{p} \thinspace。 \end{aligned}
E(X)=k=1∑∞kp(1−p)k−1=1−p=qpk=1∑∞kqk−1=pk=0∑∞(k+1)qk⇒(1−q)E(X)=p(1−q)k=0∑∞(k+1)qk=p(k=0∑∞(k+1)qk−k=1∑∞kqk)=pk=0∑∞qk=1−qp=1⇒E(X)=1−q1=p1。
方差
E
(
X
2
)
=
∑
k
=
1
∞
k
2
(
1
−
p
)
k
−
1
p
=
1
−
p
=
q
p
∑
k
=
2
∞
k
(
k
−
1
)
q
k
−
1
+
p
∑
k
=
1
∞
k
q
k
−
1
=
2
p
∑
k
=
2
∞
C
k
2
q
k
−
1
+
E
(
X
)
。
\begin{aligned} E(X^2) &\space\space\,=\space\space\, \sum\limits_{k=1}^{\infty}k^2(1-p)^{k-1}p \\ &\overset{1-p=q}{=} p\sum\limits_{k=2}^{\infty}k(k-1)q^{k-1}+p\sum\limits_{k=1}^{\infty}kq^{k-1} \\ &\space\space\,=\space\space\, 2p\sum\limits_{k=2}^{\infty}C_k^2q^{k-1}+E(X) \thinspace。 \end{aligned}
E(X2) = k=1∑∞k2(1−p)k−1p=1−p=qpk=2∑∞k(k−1)qk−1+pk=1∑∞kqk−1 = 2pk=2∑∞Ck2qk−1+E(X)。由于
C
k
2
−
C
k
−
1
2
=
k
−
1
C_{k}^2-C_{k-1}^2=k-1
Ck2−Ck−12=k−1,使用错位相减计算
∑
k
=
2
∞
C
k
2
q
k
−
1
=
1
1
−
q
(
∑
k
=
2
∞
C
k
2
q
k
−
1
−
∑
k
=
3
∞
C
k
−
1
2
q
k
−
1
)
=
1
1
−
q
∑
k
=
1
∞
k
q
k
=
q
=
1
−
p
1
−
p
p
2
E
(
X
)
=
1
−
p
p
3
。
\sum\limits_{k=2}^{\infty}C_k^2q^{k-1} = \frac{1}{1-q}(\sum\limits_{k=2}^{\infty}C_k^2q^{k-1}-\sum\limits_{k=3}^{\infty}C_{k-1}^2q^{k-1}) = \frac{1}{1-q}\sum\limits_{k=1}^{\infty}kq^k \overset{q=1-p}{=} \frac{1-p}{p^2}E(X) = \frac{1-p}{p^3} \thinspace。
k=2∑∞Ck2qk−1=1−q1(k=2∑∞Ck2qk−1−k=3∑∞Ck−12qk−1)=1−q1k=1∑∞kqk=q=1−pp21−pE(X)=p31−p。从而得到
V
a
r
(
X
)
=
E
(
X
2
)
−
(
E
(
X
)
)
2
=
2
p
⋅
1
−
p
p
3
+
E
(
X
)
−
(
E
(
X
)
)
2
=
1
−
p
p
2
。
\begin{aligned} Var(X) &= E(X^2)-(E(X))^2 \\ &= 2p\cdot\frac{1-p}{p^3}+E(X)-(E(X))^2 \\ &= \frac{1-p}{p^2} \thinspace。 \end{aligned}
Var(X)=E(X2)−(E(X))2=2p⋅p31−p+E(X)−(E(X))2=p21−p。