为什么正态分布的数学期望

A. 互相独立的x，y服从正态分布，为什么它们各自的数学期望乘积等于他们乘积的数学期望

题目很清楚，就是已a知两个g随机变量互0相独立，且都服从3标准正态分4布，求它们的平方7和再开l方7的数学期望。是求两个m随机变量的函数的期望的题型，这是某本概率教材上t的一o道课后习m题。 首先写出X和Y的联合概率密度f（x，y），就等于b各自概率密度的乘积（因为1独立），注意是乘积，而不l是某一l个r概率密度的平方3。因为5两个n变量的概率密度是一i样的，很容易弄错写成平方7。 然后根据求随机变量函数的期望的方2法， E{( x^2+y^2)^(4。2)} =从8负无o穷到正无m穷对( x^2+y^2)^(7。2)*f（x，y）的积分5 算这个e积分4的时候用极坐标变换，令x=rcos@，y=rsin@，注意 dxdy = rdrd@。 不o便于r表示1，只能口d述方0法。如有不o懂，可单独联系。 qvn敞ly七觥lw◆蟆g扫xáㄜc

B. 正态分布的期望是什么

正态分布的期望是：Eξ。

正态分布的期望用数学符号表示ξ，所以正态分布的期望的公式是：Eξ=x1p1+x2p2+……+xnpn，而方差用数学符号表示s，所以正态分布的方差的公式是：s=1/n[(x1-x)+(x2-x)+……+(xn-x)]，另外x上有“-”。

正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

方差：

样本中各数据与样本平均数的差的平方和的平均数为样本方差；样本方差的算术平方根为样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。

方差和标准差为测算离散趋势最重要、最常用的指标，它是测算数值型数据离散程度的最重要的方法。标准差为方差的算术平方根，用S表示。

C. 正态分布的期望和方差怎么求

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。

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。

（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。

(3)为什么正态分布的数学期望扩展阅读：

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

在统计描述中，方差用来计算每一个变量（观察值）与总体均数之间的差异。为避免出现离均差总和为零，离均差平方和受样本含量的影响，统计学采用平均离均差平方和来描述变量的变异程度。

由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。

对于连续型随机变量X，若其定义域为（a，b），概率密度函数为f（x），连续型随机变量X方差计算公式：D（X）=（x-μ）^2 f（x） dx

方差刻画了随机变量的取值对于其数学期望的离散程度。（标准差、方差越大，离散程度越大）

若X的取值比较集中，则方差D（X）较小，若X的取值比较分散，则方差D（X）较大。

因此，D（X）是刻画X取值分散程度的一个量，它是衡量取值分散程度的一个尺度。

D. 正态分布的期望和方差是什么

在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）为试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。

正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N(μ，σ^2)。

其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

在统计描述中，方差用来计算每一个变量（观察值）与总体均数之间的差异。为避免出现离均差总和为零，离均差平方和受样本含量的影响，统计学采用平均离均差平方和来描述变量的变异程度。

由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。

对于连续型随机变量X，若其定义域为（a，b），概率密度函数为f（x），连续型随机变量X方差计算公式：D（X）=（x-μ）^2 f（x） dx

方差刻画了随机变量的取值对于其数学期望的离散程度。（标准差、方差越大，离散程度越大）

若X的取值比较集中，则方差D（X）较小，若X的取值比较分散，则方差D（X）较大。

因此，D（X）是刻画X取值分散程度的一个量，它是衡量取值分散程度的一个尺度。

E. 正态分布的数学期望是多少

正态分布的数学期望是u。

正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。

F. 正态分布的数学期望推导过程！希望拍照啊！

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

于是：∫e^[-(x-u)^2/2(t^2)]dx=(√2π)t.（*）

（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

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

(6)为什么正态分布的数学期望扩展阅读：

由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。

服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。（标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X（当前值）范围内的面积比例。）

G. 关于正态分布函数的数学期望

X~N(0,1)
Y= (X-1)/2
E(Y)=E((X-1)/2 ) = (1/2)E(X) -1/2 = -1/2
D(Y)=D((X-1)/2 ) = (1/4)D(X) = 1/4
Y=(X-1)/2 ~N(-1/2, 1/4)
(X-1)/2 的数学期望 = -1/2