超几何分布的数学期望和方差的算法
【超几何分布的数学期望和方差的算法】在概率论与数理统计中，超几何分布是一种描述有限总体中有放回抽样时成功次数的概率分布。它常用于不放回抽样的场景，例如从一批产品中抽取样本进行质量检测等。本文将总结超几何分布的数学期望和方差的计算方法，并以表格形式展示其核心公式。
一、超几何分布的基本概念
超几何分布（Hypergeometric Distribution）适用于以下情况：
- 总体中有 $ N $ 个元素；
- 其中 $ K $ 个是“成功”项；
- 从中抽取 $ n $ 个样本，不放回；
- 设随机变量 $ X $ 表示这 $ n $ 个样本中“成功”项的数量，则 $ X \sim H(N, K, n) $。
二、数学期望与方差的计算公式
超几何分布的数学期望和方差具有明确的理论表达式，具体如下：
| 指标 | 公式 | 说明 |
| 数学期望 | $ E(X) = n \cdot \frac{K}{N} $ | 平均成功次数 |
| 方差 | $ \text{Var}(X) = n \cdot \frac{K}{N} \cdot \left(1 - \frac{K}{N}\right) \cdot \frac{N - n}{N - 1} $ | 反映数据波动程度 |
其中：
- $ N $：总体数量；
- $ K $：成功项数量；
- $ n $：抽取样本数量。
三、公式推导简要说明
1. 数学期望
超几何分布的期望可以理解为“每次抽取的成功概率乘以抽取次数”。由于每次抽取不是独立事件，但期望仍保持线性性质，因此 $ E(X) = n \cdot \frac{K}{N} $。
2. 方差
方差的计算需要考虑不放回抽样的影响，即样本之间的相关性。因此，方差公式中引入了修正因子 $ \frac{N - n}{N - 1} $，用以调整因不放回而产生的变异减少。
四、应用实例（简要）
假设有一个包含 100 件产品的批次，其中有 30 件是合格品。现从中随机抽取 10 件，不放回。求合格品数量的期望和方差。
- $ N = 100 $，$ K = 30 $，$ n = 10 $
- $ E(X) = 10 \times \frac{30}{100} = 3 $
- $ \text{Var}(X) = 10 \times \frac{30}{100} \times \left(1 - \frac{30}{100}\right) \times \frac{100 - 10}{100 - 1} = 2.14 $
五、总结
超几何分布的数学期望和方差计算相对直接，但需要注意其与二项分布的不同之处在于不放回抽样带来的相关性影响。掌握这些公式有助于在实际问题中更准确地评估样本的集中趋势和离散程度。