x服从泊松分布 矩法估计量

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；

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.

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

概率论我已经忘光光了……

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

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

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

E[X]=NP;Var[X]=NP(1-P);矩估计：总体的一阶原点矩为E[X]=NP;样本的一阶原点矩为_X,用样本估计总体,有^p=_X/N;极大似然估计：^p=_X/N;

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

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