二项分布的期望值 E(n)=np 推导

二项分布的期望值 E(n)=np,这个公式是如何推导来的呢?

n表示n次试验,p表示单次试验的成功概率。

E(n)表示n次试验的成功次数的数学期望。

这里还需要依赖一个求数学期望的公式,所有概率相加=1。

所有概率相加=1,即

∑k=0,n    C(n,k) * p^k * (1-p)^(n-k) = 1

对于试验n次的情况,有n+1种结果,0次成功系数为0,所以k=1开始即可。

∑k=0,n   k * P(k)

=

∑k=1,n   k * P(k)

E(n)=np这个公式是如何推导来的呢?

首选要知道所有的可能性,例如n次试验,可能成功0次,1次,2次,。。。n次。即有n+1种可能。

假设做6次试验,0表示成功,1表是失败。

可能性如下:

000000

100000

010000

001000

000100

000010

000001

......

成功0次的可能性有1种,成功1次的可能性有6种,这是n选k的问题。

n次试验,成功k次的可能性有多少种=C(n,k)=n! / (k!(n-k)!)

n次试验,成功k次的概率=C(n,k) * p^k * (1-p)^(n-k)

所有概率相加=1,即

∑k=0,n    C(n,k) * p^k * (1-p)^(n-k) = 1

数学期望E(n),表示做n次试验,最可能成功多少次:

将成功次数乘以对应的概率,求相加即可得到它的数学期望。

∑k=1,n   k * C(n,k) * p^k * (1-p)^(n-k)

=

∑k=1,n   k * (n! / (k!(n-k)!)) * p^k * (1-p)^(n-k)

=

∑k=1,n   k * (n! / (k(k-1)!(n-k)!)) * p^k * (1-p)^(n-k)

=

∑k=1,n   (n! / ((k-1)!(n-k)!)) * p^k * (1-p)^(n-k)

=

∑k=1,n   (n(n-1)! / ((k-1)!(n-k)!)) * p * p^(k-1) * (1-p)^(n-k)

=

np∑k=1,n   ((n-1)! / ((k-1)!(n-k)!)) * p^(k-1) * (1-p)^(n-k)

对n-1,k-1进行换元:

a=k-1

b=n-1

n-k = (a+1) - (b+1) = b-a

求和的下标k=1怎么换呢?k=1时,根据a=k-1,得出当k=1时a=0。

求和式中,当k=n时,a = k-1 = n-1

而换元中b=n-1,所以n-1=b

换元后,

=

np∑a=0,b   ((b)! / ((a)!(b-a)!)) * p^(a) * (1-p)^(b-a)

注意这个求和表达式∑a=0,b   ((b)! / ((a)!(b-a)!)) * p^(a) * (1-p)^(b-a)

其实就是二项式的所有可能的概率之和,必然等于1.

∑k=0,n    C(n,k) * p^k * (1-p)^(n-k) = 1

因此最后推导出来

二项分布的期望值 E(n)=np*1=np

[参考]
1. 可汗学院公开课:统计学24-二项分布的期望值

http://v.ku6.com/special/show_6598382/L6rDnRd-Ra0eamhycyU8ag...html

时间: 2024-10-27 11:06:43

二项分布的期望值 E(n)=np 推导的相关文章

如何用matlab求二项分布的期望值

问题描述 如何用matlab求二项分布的期望值 如何用matlab求二项分布的期望值?如下面这个二项分布,怎么用MATLAB去求?谢谢!! 解决方案 看:http://www.baidu.com/baidu?wd=matlab%C7%F3%B6%FE%CF%EE%B7%D6%B2%BC%B5%C4%C6%DA%CD%FB%D6%B5&tn=monline_4_dg.百度还是要会的吧... 解决方案二: 按照你的式子,二项式分布的期望值为N/F,可以参见函数random()的帮助.二项式分布有两个

【程序员眼中的统计学(6)】几何分布、二项分布及泊松分布:坚持离散

几何分布.二项分布及泊松分布:坚持离散 1 回顾题引 1 问题? 小明滑雪: 每次(独立事件)试滑成功的概率0.2,不成功的概率0.8.则 成功 失败 0.2 0.8 1.试滑两次成功的概率?2.试滑一次或两次猜中的概率?3.试滑10000次,首次成功的概率?4.试滑第10000次以上成功的概率? 2 概率树: 3 解答: 1.概率树求概率 设X最终试滑成功次数,则:P(X=1)=P(第1次试滑成功)=0.2 [注:试滑一次成功的概率]P(X=2)=P(第1次试滑失败AND第2试滑成功)=0.2

《数学建模:基于R》一一1.3 非参数检验

1.3 非参数检验 1.3.1 二项分布的检验对于单个总体,如果作n次试验,且成功的概率为p,则试验成功的次数X服从二项分布,即X-B(n,p).如果n次试验中有x次成功了,可用p=xn作为p的估计.1.二项分布的近似检验当np≥5且nq≥5(q=1-p)时,可用正态分布近似二项分布,即p~N(p,p q/n)(1.44)近似成立.所以p-pp q/n~N(0,1)(1.45)近似成立.因此,可以用标准正态分布作比值p的检验 对于两个总体,如果试验次数分别为n1和n2,成功的次数分别为x1和x2

深度学习:神经网络中的前向传播和反向传播算法推导

1. 神经网络 这是一个常见的神经网络的图: 这是一个常见的三层神经网络的基本构成,Layer L1是输入层,Layer L2是隐含层,Layer L3是隐含层,当我们输入x1,x2,x3等数据时,通过隐含层的计算.转换,输出你的期望,当你的输入和输出是一样的时候,成为自编码模型(Auto-Encoder),而当你输入和输出是不一致的时候,也就是我们常说的人工神经网络. 2. 如何计算传播 首先我们先构建一个简单的网络层作为例子: 在这个网络层中有 第一层输入层:里面包含神经元i1,i2,截距:

【程序员眼中的统计学(6.2)】原创实现二项分布算法以及应用

 二项分布算法 1 算法的基本描述,包括:定义.符号解释.具体的计算方法. 1.1 算法描述 在进行一系列相互独立实验,每次既有成功,又有失败的可能,且单次实验成功概率相等.在一系列试验中求成功的次数.这种情况下适用于本算法. 本算法中在n次伯努利试验中:试验n次得到r次成功的概率.二项分布的期望.二项分布方差的具体实现. 1.2 定义 在相互独立事件中,每道题答对概率为p,答错概率为q.在n个问题中答对r个问题的概率为:  这类问题称之为二项分布.表达式为:X~B(n,p) 1.3 符号解释

《 短文本数据理解》——2.3属性得分推导

2.3属性得分推导 本节首先直观地讨论属性的打分原则,进而介绍如何处理CB和IB列表以完成对属性的打分,最后讨论如何聚合不同数据源的属性得分.2.3.1典型度得分这项工作的目的在于计算属性概念对的P(a|c)数值.这个概率分数对机器推测有很大作用.这个概率分数被定义为典型度(typicality).在认知学和心理学上[104],典型度被用来研究为什么某些实体因为某个概念而被人类特别提起.例如,dog为pet的典型实体,因为它被频繁地当成pet提及,而且它与其他的pet实体具有很高的外形相似度[1

《短文本数据理解(1)》一2.3 属性得分推导

2.3 属性得分推导 本节首先直观地讨论属性的打分原则,进而介绍如何处理CB和IB列表以完成对属性的打分,最后讨论如何聚合不同数据源的属性得分. 2.3.1 典型度得分 这项工作的目的在于计算属性概念对的P(a|c)数值.这个概率分数对机器推测有很大作用.这个概率分数被定义为典型度(typicality).在认知学和心理学上[104],典型度被用来研究为什么某些实体因为某个概念而被人类特别提起.例如,dog为pet的典型实体,因为它被频繁地当成pet提及,而且它与其他的pet实体具有很高的外形相

D3D的投影矩阵推导[转贴]

原帖地址:http://blog.csdn.net/popy007/article/details/4091967       上一篇文章中我们讨论了透视投影变换的原理,分析了OpenGL所使用的透视投影矩阵的生成方法.正如我们所说,不同的图形API因为左右手坐标系.行向量列向量矩阵以及变换范围等等的不同导致了矩阵的差异,可以有几十个不同的透视投影矩阵,但它们的原理大同小异.这次我们准备讨论一下Direct3D(以下简称D3D)的透视投影矩阵,主要出于以下几个目的: (1) 我们在写图形引擎的时

GAN完整理论推导、证明与实现(附代码)

本文是机器之心第二个 GitHub 实现项目,上一个 GitHub 实现项目为从头开始构建卷积神经网络. 本文主要分四部分: 第一部分描述 GAN 的直观概念 第二部分描述概念与优化的形式化表达 第三部分将对 GAN 进行详细的理论推导与分析 最后我们将实现前面的理论分析.   GitHub项目地址: https://github.com/jiqizhixin/ML-Tutorial-Experiment   生成对抗网络基本概念   要理解生成对抗模型(GAN),首先要了解生成对抗模型可以拆分