设x1 x2... xn是取自总体x的一个简单样本,则E(x²)矩估计是

EX=mp=(x1+x2+...+xn)/n所以p的矩估计量为(x1+x2+...+xn)/(mn)而E[(x1+x2+...+xn)/(mn)]=(E(x1)+E(x2)+...+E(xn))/(m

因为.X与S2分别为总体均值与方差的无偏估计，且二项分布的期望为np，方差为np（1-p），故E（.X）=np，E（S2）=np（1-p）．从而，由期望的性质可得，E（T）=E（.X）-E（S2）=n

首先应该是e(入)fxi(xi)=入e^(-入xi)i∈{1,2,...n}把所有乘一起,设联合密度=pp(x1,x2,x3.,xn)=入^ne^(-入nx)注意下面这个E(X)是期望值E(X)=1/

EX（X上面一横杠）=E[（X1+X2+……+Xn）/n]=1/n[E（X1)+E(X2)+……+E(Xn）]=1/n(U+U+……+U)=U1516

给你点提示,你就能做出来了,D（X1+X拔）=D（X1）+D（X拔）+2Cov（X1,X拔）式中,D（X1+X拔）=D[(1+1/n)X1+1/n(X2+X3+……Xn)]=(1+1/n)^2D(X1

x的平均值这个打不出来啊,大概思想是求出似然函数,就是n个泊松概率函数求积,然后取对数,就是ln（n个泊松概率函数求积）,之后对λ求导,让得出来的式子等于零.再问：过程！！结果我知道

均匀分布的总体U的概率密度为f(u)=1/c.总体U的独立样本X1,X2,...,Xn的联合概率密度为：f*(x1,x2,...,xn)=Πf(xi)=1/(c的n次方)再问：求具体步骤再答：这已经是

f(x1)=1/(2piσ^2)^0.5*exp[-(x1-μ)^2/2σ^2]...f(xn)=1/(2piσ^2)^0.5*exp[-(xn-μ)^2/2σ^2]L=f(x1)*f(x2)...f

因为是简单随机样本,所以各样本间相互独立,那么就有：E(X1+X2+……+Xn)=E(X1)+E(X2)+……+E(Xn)=μ+μ+……+μ=nμD(X1+X2+……+Xn)=D(X1)+D(X2)+

选B,因为他的期望不是是uE(A)=uE(X1+X2+X3)=E(X1)+E(X2)+E(X3)=3uE(0.2X1+0.3X2+0.5X3)=0.2E(X1)+0.3E(X2)+0.5E(X3)=u

(X1,…,Xn)是个随机向量,B(n,p)是一个随机变量的分布,二者维数不同.应该是X=X1+…+Xn~B(n,p)就对了,前提是诸Xi彼此独立.可以直接求X的分布列验证.

1、∑(Xi-x)^2/σ^2~χ(n-1)2、样本方差S^2的定义：S^2=(1/(n-1))*∑(Xi-x)^2两者系数比较一下,选择C

B（10,p）,则E(X)=10p,D(X)=10p(1-p)E(X拔)=E(1/n*(X1+X2+^+Xn))=1/n*[E(X1)+E(X2)+^+E(Xn)]=1/10*10*E(X)=10pD

矩估计并不要求无偏估计,矩估计的要求就是用样本矩来代替总体矩,σ²是二阶中心矩,S²不是中心矩,因此矩估计时一般选σ²,这是符合矩估计定义的.而且在一次实验中其实也很难确

对任意i,显然都有E(Xi)=θ/2,故E(θ1)=2E(X0)=2/n∑E(Xi)=2*θ/2=θ令t=X(n)为次序统计量,根据次序统计量的密度公式,其密度为g(t)=nF(t)^(n-1)p(t

你这个分布不是指数分布,是几何分布EX=1/p即p=1/EX所以X一把是对EX的矩估计p_hat=1/X一把

服从X^2(n-1)分布,那个X不是未知数X,长得像而已,手机打不出来,抱歉.因为(x-u)^2求和,等于n-1倍的样本方差平方,然后就是定理了,手机不好打阿~

取对数,原不等式等价于x1lnx1+x2lnx2+...+xnlnxn≥(x1+x2+..+xn)(lnx1+lnx2+...+lnxn)/n即n(x1lnx1+x2lnx2+...+xnlnxn)≥

(X1,…,Xn)是个随机向量,B(n,p)是一个随机变量的分布,二者维数不同.应该是X=X1…Xn~B(n,p)就对了,前提是诸Xi彼此独立.可以直接求X的