求正态分布的数学期望和方差的推导过程 不用二重积分的，可以有简单的办法的.设正态分布概率密度函数是f(x)=[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]其实就是均值是u，方差是t^2，不太好打公式，你将就看一下.于是：e^[-(x-u)^2/2(t^2)]dx=(√2π)t.（*）积分区域是从负无穷到正无穷，下面出现的积分也都是这个区域，所以略去不写了.（1）求均值对（*）式两边对u求导：{e^[-(x-u)^2/2(t^2)]*[2(u-x)/2(t^2)]dx=0约去常数，再两边同乘以1/(√2π)t得：[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]*(u-x)dx=0把(u-x)拆开，再移项：x*[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx=u*∫[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx也就是x*f(x)dx=u*1=u这样就正好凑出了均值的定义式，证明了均值就是u.(2)方差过程和求均值是差不多的，我就稍微略写一点了.对(*)式两边对t求导：[(x-u)^2/t^3]*e^[-(x-u)^2/2(t^2)]dx=√2π移项：[(x-u)^2]*[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx=t^2也就是(x-u)^2*f(x)dx=t^2正好凑出了方差的定义式，从而结论得证.
超几何分布的数学期望和方差怎么算 X H(n，M，N)例 N个球 有M个黑球 取 n个黑球则 EX=nM/NDX=nM/N*(1-M/N)*(N-n)/(N-1)其实可以和二项分布类比的.二项分布就是超几何分布的极限
样本均值期望和样本均值方差推导
根据数学期望方差的不同计算公式 方差根据数学期望有两个公式：DX=E((X-EX)^2)和DX=EX^2-(EX)^2，两者是如何互相推导出来得。将第一个公式中括号内的完全平方打开得到 DX=E。
求正态分布的数学期望和方差的推导过程 不用二重积分的，可以有简单的办法的。设正态分布概率密度函数是f(x)=[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]其实就是均值是u，方差是t^2，不太好打公式，你将就看一下。于是：e^[-(x-u)^2/2(t^2)]dx=(√2π)t。（*）积分区域是从负无穷到正无穷，下面出现的积分也都是这个区域，所以略去不写了。（1）求均值对（*）式两边对u求导：{e^[-(x-u)^2/2(t^2)]*[2(u-x)/2(t^2)]dx=0约去常数，再两边同乘以1/(√2π)t得：[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]*(u-x)dx=0把(u-x)拆开，再移项：x*[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx=u*∫[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx也就是x*f(x)dx=u*1=u这样就正好凑出了均值的定义式，证明了均值就是u。(2)方差过程和求均值是差不多的，我就稍微略写一点了。对(*)式两边对t求导：[(x-u)^2/t^3]*e^[-(x-u)^2/2(t^2)]dx=√2π移项：[(x-u)^2]*[1/(√2π)t]*e^[-(x-u)^2/2(t^2)]dx=t^2也就是(x-u)^2*f(x)dx=t^2正好凑出了方差的定义式，从而结论得证。
求二项分布的数学期望与方差的工式及详细证明过程. X～b(n，p)，其中n≥1，0P{X=k}=C(n，k)*p^k*(1-p)^(n-k)，k=0，1，.，n.EX=np，DX=np(1-p).最简单的证明方法是：X可以分解成n个相互独立的，都服从以p为参数的(0-1)分布的随机变量之和：X=X1+X2+.+Xn，Xi～b(1，p)，i=1，2，.，n.P{Xi=0}=1-p，P(Xi=1)=p.EXi=0*(1-p)+1*p=p，E(Xi^2)=0^2*(1-p)+1^2*p=p，DXi=E(Xi^2)-(EXi)^2=p-p^2=p(1-p).EX=EX1+EX2+.+EXn=np，DX=DX1+DX2+.+DXn=np(1-p).
小弟求教数学期望和典型分布的方差的公式及推导方式 这里介绍的是几种常用的分布的数学期望E和方差D：二项分布B(n，p)，E=np，D=npq，泊松分布P(λ)，E=λ，D=λ，正态分布N(0，1)，E=0，D=1，对于文科来说，能看有关资料及知道这几个。
关于二项分布
