x服从泊松分布 x2服从

P{X=k}=e^(-a)a^(k)/k!1=sum_{k=0->正无穷}P{X=k}=sum_{k=0->正无穷}e^(-a)a^(k)/k!E{1/(X+1)}=sum_{k=0->正无穷}e^(

依题意可以得到λ=3,；所以E(X)=D(X)=3;而D(X)=E(X^2)-E(X)^2=3;所以E(X^2)=E(X)^2+D(X)=12；

随机变量X1,X2,X3相互独立故D(Y)=D(X1－2X2+3X3)=D(X1)+D(2X2)+D(3X3)=D(X1)+4D(X2)+9D(X3)X1~b(5,0.2),二项分布所以D(X1)=5

这个用泊松分布可加性来做,很简单X,Y相互独立且分别服从p(λ1),p(λ2)那么Z=X+Yp(λ1+λ2)参考资料里有他的证明

要用到微积分吗?具体公式给下回答：=Σ（3^I*e^(-3)I/I!）(3^(K-I)*e^(-3)I/(K-I)!）=Σ（3^I*3^(K-I)e^(-3)*e^(-3)/I!*(K-I)!）=Σ[

因为x服从参数λ泊松分布所以P{X=k}=e^(-λ)*λ^k/k!设f(x)=Σ(k=0,+∞)k*(k-1)...(k-m+1)x^k/k!=x^m*Σ(k=0,+∞)k*(k-1)...(k-m

设X服从泊松分布,参数为λ,那么EX=λ,DX=λ,所以E[X(X-1)]=E(X^2)-EX=DX+(EX)^2-EX=λ＋λ^2－λ=λ^2.也可以直接根据定义E[X(X-1)]=sum(n(n-

如果泊松参数为a,答案为(1-e^-a)/a,不保证算对,总之你把表达式展开应该能发现它和某个泰勒公式很相近

很简单啊.特征函数E(exp(itx)),其中x服从泊松分布,于是(我中间都是乘起来的,没写乘号而已)E(exp(itx))=sum(k从0到无穷)exp(itk)exp(-lambda)lambda

p(x=0)=0.4=e^(-λ)λ=-ln0.4p(x=1)=-0.4ln0.4p(x=2)=0.4ln²0.4p(x>2)=1-P(x=0)-P(x=1)-P(x=2)=1-0.4(ln

E(X^2)=E(X^2-X+X)=E[X(X-1)+X]=E[X(X-1)]+E(X)=∑(k=0→∞)k(k-1)T^ke^(-T)/k!+∑(k=0→∞)kT^ke^(-T)/k!=∑(k=2→

X服从正态分布,则X的平方服从卡方分布.

首先写出似然函数LL=∏p(xi)=∏{[(λ^xi)/(xi!)]·e^(-λ)}=e^(-nλ）·∏{[(λ^xi)/(xi!)]=e^(-nλ）·λ^（∑xi)·∏1/(xi!)然后对似然函数取

依题意,X1、X2均服从标准正态分布(X1+X2)/√2服从N（0,1）相当于只有1个标准正态分布的平方,所以自由度为1的卡方分布

P（1）,所以E（X）=1,D（X）=1,又因D（X）=E(X²)-E²（X）,所以E(X²)=D（X）+E²（X）=2

因为$X\simP(2)$,所以,$\E{X}=2$,$\Var{X}=2$.所以$\E{X^2}=\Var{X}+\E{X}^2=2+2^2=6$,建议好好看看书上的随机变量数字特征这一章,因为$\

楼上的答案似乎不对P(X>1)=1-P(X=1)-P(X=0)=1-e^(-1)-e^(-1)-=1-2/e=0.26424

泊松分布P(X=k)=e^(-λ)*λ^k/k!期望和方差均为λEX=λ=5所以P(X=k)=e^(-5)*5^k/k

π(a)π(b)π(a)π(b)为柏松分布则P{X=k}=(a^k)e^(-a)/k!P{Y=m}=(b^m)e^(-b)/m!k,m=0,1,2.因为X,Y相互独立则他们的联合分布P{X=k,Y=m

π(λ)P{X=k}=λ^k*e^(-λ)/k!π(μ)P{Y=k}=μ^k*e^(-μ)/k!Z=X+YP{Z=k}=∑(i=0,...k)P{X=i}*P{Y=k-i}=∑(i=0,...k)[λ