设服从参数为的泊松分布,试求参数的矩估计与最大似然估计.-搜答案-搜狗做题网

X+Y服从参数为(a1+a2)的泊松分布,因为泊松分布具有可加性,证明见参考资料

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；

由于相互独立,EXY=EX*EY=1*2=2泊松分布的期望等于纳姆达=1二项分布的期望等于np=4*0.5=2

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[

X服从参数为λ的泊松分布,EX=λ.把EX换成一阶样本矩Xˉ,即得矩估计量为λ^=Xˉ.

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.Y参数为1的柏松分布,则其母函数为Ψ（s)=e^(s-1)X.Y相互独立,X+Y母函数为Ψ（s,s)=Ψ（s)*Ψ（s)=e^(2(s-1))X+Y服从参数为2的泊松分布.再问：能再详细点吗。再答

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

看来是我最开始想错了.公式P=总合(e^(平均)*(平均)^x)/x!正好2次,概率是0.0333零次概率是0.7408,所以至少一次的概率是1-0.7408=0.2592国内课程有学这个吗?

X~π（2）E（x）=2D(X)=2D（X）=E(X^2)-[E(X)]^22=E（X^2）-4E（X^2）=6

lambda

由于随机变量X服从参数为1的泊松分布，所以：E（X）=D（X）=1又因为：DX=EX2-（EX）2，所以：EX2=2，X 服从参数为1的泊松分布，所以：P{X＝2}＝12e−1，故答案为：1

参数为2的泊松分布,其期望就等于参数2即,E(X)=2∴ E(2X)=2E(X)=4……【期望的性质E(CX)=CE(X)】再问：

P(X=2)=[9e^(-3)]/2

泊松分布的期望Ex=λ=4,Dx=λ=4PS：泊松分布式(λ^k)/k!*e(-λ)

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

D(2X-3Y)=4*D(X)+9*D(Y)D(X)=n*p*q=100*0.2*0.8=16D(Y)=λ=3所求为64+27=91

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

所谓估计就是用样本的值来近似代替总体中未知参数的值,所以：既然λ的似然估计是X的均值,那它平方是的似然估计就是样本均值的平方.极大似然估计