证明泊松分布的期望和方差

深泓点

于 2024-06-17 00:33:36 发布

阅读量874

点赞数 13

分类专栏：《概率论与数理统计》学习笔记文章标签：概率论机器学习人工智能

本文链接：https://blog.csdn.net/weixin_53269100/article/details/139729212

版权

《概率论与数理统计》学习笔记专栏收录该内容

39 篇文章 2 订阅

订阅专栏

泊松分布

泊松分布（Poisson Distribution）是描述在固定时间间隔内某事件发生次数的概率分布，特别适用于稀有事件的统计。假设随机变量 ( X ) 表示在时间间隔 ( t ) 内某事件发生的次数，并且该事件在单位时间内发生的平均次数为 ( \lambda )。那么 ( X ) 服从参数为 ( \lambda ) 的泊松分布，记作 $( X \sim \text{Poisson}(\lambda) )。$

泊松分布的概率质量函数（PMF）为：

$\frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \ldots$

期望值

期望值（Expectation）表示随机变量的平均值。对于泊松分布 ( X )，其期望值 ( \mathbb{E}(X) ) 定义为：

$\mathbb{E}(X) = \sum_{k=0}^{\infty} k \cdot P(X = k)$

代入泊松分布的概率质量函数：

$\mathbb{E}(X) = \sum_{k=0}^{\infty} k \cdot \frac{\lambda^k e^{-\lambda}}{k!}$

我们将求和从 ( k = 1 ) 开始，因为当 ( k = 0 ) 时，项为零：

$\mathbb{E}(X) = \sum_{k=1}^{\infty} k \cdot \frac{\lambda^k e^{-\lambda}}{k!}$

$对求和进行变形，注意到 ( k \cdot \frac{\lambda^k}{k!} = \lambda \cdot \frac{\lambda^{k-1}}{(k-1)!} )，令 ( j = k-1 )，则：$

$\mathbb{E}(X) = \lambda \sum_{j=0}^{\infty} \frac{\lambda^j e^{-\lambda}}{j!}$

由泊松分布的性质，指数部分和概率质量函数的和为 1：

$\sum_{j=0}^{\infty} \frac{\lambda^j e^{-\lambda}}{j!} = 1$

因此，

$\mathbb{E}(X) = \lambda \cdot 1 = \lambda$

方差

方差（Variance）表示随机变量与其期望值之间的离散程度。方差的定义为：

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

首先，我们计算 ( \mathbb{E}(X^2) )。利用泊松分布的性质，定义二阶矩：

$\mathbb{E}(X^2) = \sum_{k=0}^{\infty} k^2 \cdot P(X = k)$

代入泊松分布的概率质量函数：

$\mathbb{E}(X^2) = \sum_{k=0}^{\infty} k^2 \cdot \frac{\lambda^k e^{-\lambda}}{k!}$

我们可以将 ( k^2 ) 分解为 ( k(k-1) + k )：

$\mathbb{E}(X^2) = \sum_{k=0}^{\infty} (k(k-1) + k) \cdot \frac{\lambda^k e^{-\lambda}}{k!}$

拆开求和：

$\mathbb{E}(X^2) = \sum_{k=0}^{\infty} k(k-1) \cdot \frac{\lambda^k e^{-\lambda}}{k!} + \sum_{k=0}^{\infty} k \cdot \frac{\lambda^k e^{-\lambda}}{k!}$