【二项分布超几何分布的均值和方差公式是什么】在概率统计中,二项分布和超几何分布是两种常见的离散型概率分布,它们都用于描述成功或失败事件的发生次数。虽然两者在某些方面相似,但在应用场景和数学性质上存在明显差异。本文将对这两种分布的均值和方差进行总结,并通过表格形式直观展示。
一、二项分布(Binomial Distribution)
二项分布适用于独立重复试验的情况,即每次试验结果互不影响,且每次试验的成功概率相同。
- 定义:设随机变量 $ X $ 表示在 $ n $ 次独立试验中成功的次数,每次试验的成功概率为 $ p $,则 $ X \sim B(n, p) $。
- 均值(期望):
$$
E(X) = np
$$
- 方差:
$$
Var(X) = np(1 - p)
$$
二、超几何分布(Hypergeometric Distribution)
超几何分布适用于不放回抽样的情况,即每次抽取后不再放回总体,因此各次试验不是独立的。
- 定义:设总体中有 $ N $ 个个体,其中有 $ K $ 个“成功”个体,从总体中抽取 $ n $ 个个体,不放回,则成功次数 $ X \sim H(N, K, n) $。
- 均值(期望):
$$
E(X) = n \cdot \frac{K}{N}
$$
- 方差:
$$
Var(X) = n \cdot \frac{K}{N} \cdot \left(1 - \frac{K}{N}\right) \cdot \frac{N - n}{N - 1}
$$
三、对比总结
| 分布类型 | 均值 $ E(X) $ | 方差 $ Var(X) $ |
| 二项分布 | $ np $ | $ np(1-p) $ |
| 超几何分布 | $ n \cdot \frac{K}{N} $ | $ n \cdot \frac{K}{N} \cdot \left(1 - \frac{K}{N}\right) \cdot \frac{N - n}{N - 1} $ |
四、应用区别
- 二项分布常用于有放回抽样或独立事件的场景,例如抛硬币、产品合格率等。
- 超几何分布适用于无放回抽样的情况,如从一批产品中抽检样本、选人组队等。
五、小结
二项分布和超几何分布虽然都用来描述成功事件的次数,但它们的适用条件不同,导致均值和方差的计算方式也有所区别。理解两者的异同有助于在实际问题中选择合适的模型进行分析。


