均服从 的指数分布 Exp(1 2) 且相互独立,则 (

来源:学生作业帮助网 编辑:作业帮 时间:2024/07/16 20:42:04
均服从 的指数分布 Exp(1 2) 且相互独立,则 (
设两个随机变量X 和Y 相互独立, X 服从均值为2 的指数分布,Y 服从均 值为4 的指数分布,问X>Y的概率是多

X和Y相互独立-->f(x,y)=f(x)*f(y)=(1/2)e^(-x/2)*(1/4)e^(-y/4)p(X>Y)=∫∫f(x,y)dxdy(积分区域为y=0,y=x所围面积)=∫(0-->∞)

概率论随机变量x和y独立同分布,均服从指数分布exp(2);求随机变量2x+3y的分布密度函数

Y1和Y2不独立的情况下,它们函数的独立性也会受到相应的影响.但是你式子中表达的意思不太清楚,你写的g1g2分别是以x1x2为自变量的函数吗?你后面又问道Y1Y2之间的关系,是要提示它们是随机变量吗?

设随机变量X与Y均服从参数为λ的指数分布,且X与Y相互独立,求Z=X+Y的密度函数

fx(x)=λe^(-λx)f(x,y)=λ²e^(-λx-λy)z-x>0,z>xfZ(z)=∫(-∞,+∞)f(x,z-x)dx=∫(-∞,+∞)f(x,z-x)dx=∫(0,z)λ&#

已知随机变量x和y相互独立且均服从参数λ=2的指数分布,问,随机变量...

x和y相互独立且均服从参数λ=2的指数分布--->F(x,y)=F(x)*F(y)=(1-e^(-2x))(1-e^(-2y))=1-e^(-2x)-e^(-2y)+e^(-2x-2y)

设X Y相互独立,均服从参数为1的指数分布,求随机变量Z=X/Y的密度函数

这个问题其实挺简单的,你看一下课本吧,基础题目呦!

设X1 X2 ...Xn为来自总体X的样本,总体X服从参数为λ的指数分布,即X~f(x,λ)=λexp(-λx) 求X(

xi独立同分布F1x=MAX(x1,x2,.)=(f(x,λ))^n,然后根据期望的定义求相应的积分就是了,但是要注意指数分布当x《0时f=0

随机变量X与Y独立,且均服从于参数为a的指数分布,试求Z=X+Y的概率密度.

答案是z/a²乘以E的-z/a次方.我估计你做不出来,是因为用卷积公式积分的时候,有X的取值范围要算根据z-x>0且x>0,所以x的取值范围是0到Z.

随机变量X服从参数为2的指数分布,随机变量Y服从参数为4的指数分布,求E(2X^2+3Y)=多少?

对于X有:DX=1/4EX=1/2所以EX²=DX+(EX)²=3/4对于Y有EY=1/4所以E(2X²+3Y)=2EX²+3EY=9/4注:各个版本教材对指数

设随机变量X服从参数为2的指数分布,证明Y=e^-2X服从U(0,1)

解法的要点如下图,先找出分布函数的关系.经济数学团队帮你解答,请及时采纳.谢谢!

求服从参数为1/3的指数分布的随机变量X的分布函数

概率密度f(x)=1/3e^(-x/3),x>00,x≤0分布函数F(x)=∫1/3e^(-x/3)dx=1-e^(-x/3),x>0【从0积分到x】0,x≤0

求助matlab生成服从广义指数分布的随机数 分布函数是

function[x]=gexprnd(af,bt)x=-1/af*log(1-unifrnd(0,1)^(1/bt));end保存函数名字为gexprnd.m文件;调用形式如:gexprnd(1,1

设随机变量X服从参数λ 为的指数分布,则概率 P(X>EX)?

X服从参数λ为的指数分布,则:EX=1/λ,X有分布函数:F(x)=1-e^(-λx),x>=0;于是P(X>EX)=1-P(X

设随机变量X服从参数为λ的指数分布,则P{X>DX}

由题设,X服从参数为λ的指数分布,知:DX=1λ2,λ>0,于是:P{X>DX}=P{X>1λ}=∫+∞1λλe−λxdx=−e−λx| +∞1λ=1e.

设随机变量X服从指数分布,求随机变量Y=min(X,2)的分布函数

可以利用Y与X的关系如图求出分布函数.经济数学团队帮你解答,请及时采纳.再问:再问:能不能帮我在做一下50题再答:这个我不会。前面的问题已经解决,请采纳!

设随机变量X,Y独立,且均服从参数为λ的指数分布,求:X/(X+Y)的分布

设u=x+y,v=x/(x+y),算u,v的联合分布之后再求边际分布.

面积积分概率问题.一厂生产的推土机发生故障后的维修时间T(单位:分)服从指数分布Exp(0.02).其概率密度函数(如上

能看明白不?再问:先谢谢您,我还是不明白为什么一下就变成-C^-0.02t了,还有C^-2等于多少是什么算出来的?主要是才学习,不懂,麻烦您了!再答:那个字母是e,不是C。被积函数的原函数就是-e^-

设随机变量服从参数为5的指数分布,则它的数学期望值为多少

0.21/λ=1/5=0.2根据0—1分布,数学期望p方差p(1-p);二项分布(贝努里概型),数学期望np方差np(1-p);泊松分布,数学期望λ方差λ;均匀分布,数学期望(a+b)/2方差[(b-