超几何分布
概率质量函数
|
累积分布函数
|
符号 |
|
参数 |
|
支持
|
|
PMF
|
|
CDF
|
其中 是 广义超几何函数 |
期望值
|
|
中位数
|
模式 =  |
方差
|
|
偏度
|
|
峰度
|
![{\displaystyle {}+6nm(N-m)(N-n)(5N-6){\Big ]}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5778f9423c4744b49f0a62a91555233dbb7a5b20)
|
熵
|
???
|
矩生成函数
|
|
特征函数
|
|
超几何分布描述了从包含 *m* 个成功的总体中,不放回地抽取 *n* 次后,成功次数的分布情况。
它的概率质量函数为
![{\displaystyle f(x)={{{m \choose x}{{N-m} \choose {n-x}}} \over {N \choose n}}{\text{ for all }}x\in [0,n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/a6c330687b40587ed4a2d75eb490552603789497)
从技术上讲,函数的支持范围仅在 *x∈[max(0, n+m-N), min(m, n)]* 处。在该范围不为 *[0,n]* 的情况下,*f(x)=0*,因为对于 *k>0*,
.
我们首先检查 *f(x)* 是否是一个有效的概率质量函数。这要求它在任何地方都非负,并且它的总和等于 1。第一个条件是显而易见的。对于第二个条件,我们将从 范德蒙德恒等式 开始


现在我们看到,如果 *a=m* 并且 *b=N-m*,那么条件就满足了。
我们推导出平均值如下
![{\displaystyle \operatorname {E} [X]=\sum _{x=0}^{n}x\cdot f(x;n,m,N)=\sum _{x=0}^{n}x\cdot {{{m \choose x}{{N-m} \choose {n-x}}} \over {N \choose n}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ee678a691b4e5c3cacc31c0093f39e4fb4128531)
![{\displaystyle \operatorname {E} [X]=0\cdot {{{m \choose 0}{{N-m} \choose {n-0}}} \over {N \choose n}}+\sum _{x=1}^{n}x\cdot {{{m \choose x}{{N-m} \choose {n-x}}} \over {N \choose n}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/39432db25cf68f4997af8b9cad284188a847e7a0)
我们使用恒等式
在分母中。
![{\displaystyle \operatorname {E} [X]=0+\sum _{x=1}^{n}x\cdot {{{m \choose x}{{N-m} \choose {n-x}}} \over {{N \over n}{{N-1} \choose {n-1}}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/dc72b2fc87517df1421353858acfa5abfc9a1d09)
![{\displaystyle \operatorname {E} [X]={n \over N}\sum _{x=1}^{n}x\cdot {{{m \choose x}{{N-m} \choose {n-x}}} \over {{N-1} \choose {n-1}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2090566b0ae8ab1d2eba5cdd3ad10991d1e62f8b)
接下来我们使用恒等式
在分子中的第一个二项式中。
![{\displaystyle \operatorname {E} [X]={n \over N}\sum _{x=1}^{n}{m{{m-1 \choose x-1}{{N-m} \choose {n-x}}} \over {{N-1} \choose {n-1}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3a0006dea506dff720378b04156b5ffdd03e9873)
接下来,对于和式中的变量,我们定义相应的比它们少一的素变量。所以 N′=N−1, m′=m−1, x′=x−1, n′=n-1.
![{\displaystyle \operatorname {E} [X]={mn \over N}\sum _{x'=0}^{n'}{{{m' \choose x'}{{N'-m'} \choose {n'-x'}}} \over {{N'} \choose {n'}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5e1cd1722f894cc5a6f955a9b731d503a3cfe82b)
![{\displaystyle \operatorname {E} [X]={mn \over N}\sum _{x'=0}^{n'}f(x';n',m',N')}](https://wikimedia.org/api/rest_v1/media/math/render/svg/440dbb68d37e1dd929891ffc060edf32baf0f25b)
现在我们看到,这个和式是关于修改参数的超几何分布pmf的总和。它等于1。因此
![{\displaystyle \operatorname {E} [X]={nm \over N}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6f646539677956727e04993ee125d5c96eb3b2c9)
我们首先确定 E(X2).
![{\displaystyle \operatorname {E} [X^{2}]=\sum _{x=0}^{n}f(x;n,m,N)\cdot x^{2}=\sum _{x=0}^{n}{{{m \choose x}{{N-m} \choose {n-x}}} \over {N \choose n}}\cdot x^{2}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2c57e1b3542512836927eb966f4b00fac3f6577b)
![{\displaystyle \operatorname {E} [X^{2}]={{{m \choose 0}{{N-m} \choose {n-0}}} \over {N \choose n}}\cdot 0^{2}+\sum _{x=1}^{n}{{{m \choose x}{{N-m} \choose {n-x}}} \over {N \choose n}}\cdot x^{2}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/945e5cce59894c9a6af230a7085439ee45c02aee)
![{\displaystyle \operatorname {E} [X^{2}]=0+\sum _{x=1}^{n}{{m{m-1 \choose x-1}{{N-m} \choose {n-x}}} \over {{N \over n}{{N-1} \choose {n-1}}}}\cdot x}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cf2626751e1653818a91ded798fa6ceddb341e3d)
![{\displaystyle \operatorname {E} [X^{2}]={mn \over N}\sum _{x=1}^{n}{{{m-1 \choose x-1}{{N-m} \choose {n-x}}} \over {{N-1} \choose {n-1}}}\cdot x}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3de1f2629e002b99b8cb83436e299c7e66bcc360)
我们使用与推导均值时相同的变量替换。
![{\displaystyle \operatorname {E} [X^{2}]={mn \over N}\sum _{x'=0}^{n'}{{{m' \choose x'}{{N'-m'} \choose {n'-x'}}} \over {{N'} \choose {n'}}}(x'+1)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d2d212f2d913e29e5a6bfba51a16dabc1b053b7f)
![{\displaystyle \operatorname {E} [X^{2}]={mn \over N}\left[\sum _{x'=0}^{n'}{{{m' \choose x'}{{N'-m'} \choose {n'-x'}}} \over {{N'} \choose {n'}}}x'+\sum _{x'=0}^{n'}{{{m' \choose x'}{{N'-m'} \choose {n'-x'}}} \over {{N'} \choose {n'}}}\right]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/716677fe3389d264e4c693d47a1b2504f33e6276)
第一个求和是具有参数 (n',m',N') 的超几何随机变量的期望值。第二个求和是该随机变量的概率质量函数的总和。
![{\displaystyle \operatorname {E} [X^{2}]={mn \over N}\left[{n'm' \over N'}+1\right]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/757a9e4a2da301b9482bd1523263ec26b5d700da)
![{\displaystyle \operatorname {E} [X^{2}]={mn \over N}\left[{(n-1)(m-1) \over (N-1)}+1\right]={mn \over N}\left[{{(n-1)(m-1)+(N-1)} \over (N-1)}\right]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/31e91eee15b9c70d335de29d7ecea6c9b764598c)
然后我们求解方差
![{\displaystyle \operatorname {Var} (X)=\operatorname {E} [X^{2}]-(\operatorname {E} [X])^{2}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cd5a922df13bdee788c0f06474fe002a42c25d8a)
![{\displaystyle \operatorname {Var} (X)={mn \over N}\left[{{(n-1)(m-1)+(N-1)} \over (N-1)}\right]-\left({mn \over N}\right)^{2}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/56995fabfd1f82e08f69ae429457ac1c2db7d222)
![{\displaystyle \operatorname {Var} (X)={Nmn \over N^{2}}\left[{{(n-1)(m-1)+(N-1)} \over (N-1)}\right]-{(N-1)(mn)^{2} \over (N-1)N^{2}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/af036c806a95a3b386c81675d1a20f547d48985f)

或者等效地,
