Отрицательный гипергеометрическийВероятностная функция масс  |
Кумулятивная функция распределения  |
Параметры | - общее количество элементов
- общее количество элементов успеха
- количество сбоев при остановке эксперимента |
---|
Поддерживать | - количество успехов при остановке эксперимента. |
---|
PMF |  |
---|
Иметь в виду |  |
---|
Дисперсия | ![{ Displaystyle г { гидроразрыва {(N + 1) K} {(N-K + 1) (N-K + 2)}} [1 - { frac {r} {N-K + 1}}] }](https://wikimedia.org/api/rest_v1/media/math/render/svg/51e440acb363f2b562dbb11e50df1f9a41a68fd9) |
---|
В теория вероятности и статистика, то отрицательное гипергеометрическое распределение описывает вероятности при выборке из конечной совокупности без замены, в которой каждая выборка может быть разделена на две взаимоисключающие категории, такие как годен / не прошел, мужской / женский или занятый / безработный. Поскольку случайный выбор производится из совокупности, каждый последующий розыгрыш уменьшает популяцию, что приводит к изменению вероятности успеха с каждым розыгрышем. В отличие от стандартного гипергеометрическое распределение, который описывает количество успехов в фиксированном размере выборки, в отрицательном гипергеометрическом распределении выборки отбираются до
отказов обнаружены, а распределение описывает вероятность нахождения
успехов в таком образце. Другими словами, отрицательное гипергеометрическое распределение описывает вероятность
успехов в выборке с точно
неудачи.
Определение
Есть
элементы, из которых
определяются как «успехи», а остальные как «неудачи».
Элементы рисуются один за другим, без замены, пока
встречаются сбои. Затем розыгрыш останавливается, и число
успехов засчитывается. Отрицательное гипергеометрическое распределение,
это дискретное распределение этого
.
[1]
Результат требует, чтобы мы наблюдали
успехи в
привлекает и
бит должен быть неудачным. Вероятность первого может быть найдена прямым применением гипергеометрическое распределение
а вероятность последнего - это просто количество оставшихся отказов.
делится на размер оставшейся части населения
. Вероятность иметь ровно
успехов до
сбой (т. е. рисование останавливается, как только образец включает заранее определенное количество
отказов) тогда является произведением этих двух вероятностей:

Следовательно, случайная переменная следует отрицательному гипергеометрическому распределению, если его функция массы вероятности (pmf) определяется как

куда
это численность населения,
количество успешных состояний в популяции,
количество отказов,
количество наблюдаемых успехов,
это биномиальный коэффициент
По замыслу вероятности в сумме равны 1. Однако, если мы хотим показать это явно, мы имеем:

где мы это использовали,

который может быть получен с помощью биномиальная идентичность,
, а Тождество Чу – Вандермонда,
, что справедливо для любых комплексных значений
и
и любое неотрицательное целое число
.
Отношения
также можно найти, изучив коэффициент
в расширении
, с помощью Биномиальный ряд Ньютона.
Ожидание
При подсчете числа
успехов до
неудач, ожидаемое количество успехов
и может быть получен следующим образом.
![{ Displaystyle { begin {выровнен} E [X] & = sum _ {k = 0} ^ {K} k Pr (X = k) = sum _ {k = 0} ^ {K} k { frac {{{k + r-1} choose {k}} {{Nrk} choose {Kk}}} {N choose K}} = { frac {r} {N choose K}} left [ sum _ {k = 0} ^ {K} { frac {(k + r)} {r}} {{k + r-1} choose {r-1}} {{Nrk} choose {Kk}} right] -r & = { frac {r} {N choose K}} left [ sum _ {k = 0} ^ {K} {{k + r} choose { r}} {{Nrk} choose {Kk}} right] -r = { frac {r} {N choose K}} left [ sum _ {k = 0} ^ {K} {{k + r} choose {k}} {{Nrk} choose {Kk}} right] -r & = { frac {r} {N choose K}} left [{{N + 1} choose K} right] -r = { frac {rK} {N-K + 1}}, end {align}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/34e659bf96fe9a5fd5828d3e0b3fe1f5c6489d00)
где мы использовали отношения
, который мы вывели выше, чтобы показать, что отрицательное гипергеометрическое распределение было правильно нормализовано.
Дисперсия
Дисперсию можно получить с помощью следующего расчета.
![{ Displaystyle { begin {align} E [X ^ {2}] & = sum _ {k = 0} ^ {K} k ^ {2} Pr (X = k) = left [ sum _ {k = 0} ^ {K} (k + r) (k + r + 1) Pr (X = k) right] - (2r + 1) E [X] -r ^ {2} -r & = { frac {r (r + 1)} {N choose K}} left [ sum _ {k = 0} ^ {K} {{k + r + 1} choose {k + 1 }} {{N + 1- (r + 1) -k} choose {Kk}} right] - (2r + 1) E [X] -r ^ {2} -r & = { frac {r (r + 1)} {N choose K}} left [{{N + 2} choose K} right] - (2r + 1) E [X] -r ^ {2} -r = { frac {rK (N-r + Kr + 1)} {(N-K + 1) (N-K + 2)}} end {align}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6b47c46822d0efeff017d9a23630514c05a4d4d6)
Тогда дисперсия равна ![{ displaystyle { textrm {Var}} [X] = E [X ^ {2}] - left (E [X] right) ^ {2} = { frac {rK (N + 1) (NK -r + 1)} {(N-K + 1) ^ {2} (N-K + 2)}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ec84a94aaf05ac30602871150e31225388300cf9)
Связанные дистрибутивы
Если рисунок останавливается после постоянного числа
ничьих (независимо от количества неудач), то количество успехов имеет гипергеометрическое распределение,
. Эти две функции связаны следующим образом:[1]

Отрицательно-гипергеометрическое распределение (например, гипергеометрическое распределение) имеет дело с розыгрышами без замены, так что вероятность успеха в каждом розыгрыше разная. Напротив, отрицательно-биномиальное распределение (например, биномиальное распределение) имеет дело с ничьей. с заменой, так что вероятность успеха одинакова, а испытания независимы. В следующей таблице приведены четыре распределения, связанных с элементами чертежа:
Рекомендации
|
---|
Дискретный одномерный с конечной опорой | |
---|
Дискретный одномерный с бесконечной поддержкой | |
---|
Непрерывный одномерный поддерживается на ограниченном интервале | |
---|
Непрерывный одномерный поддерживается на полубесконечном интервале | |
---|
Непрерывный одномерный поддерживается на всей реальной линии | |
---|
Непрерывный одномерный с поддержкой, тип которой варьируется | |
---|
Смешанная непрерывно-дискретная одномерная | |
---|
Многовариантный (совместный) | |
---|
Направленный | |
---|
Вырожденный и единственное число | |
---|
Семьи | |
---|