Что делает этот калькулятор
Калькулятор среднего и дисперсии отрицательного биномиального распределения возвращает первые два момента отрицательного биномиального распределения. В стандартной параметризации «число неудач до успехов» случайная величина X подсчитывает число неудач, происходящих до r-го успеха в последовательности независимых испытаний Бернулли, где каждое испытание завершается успехом с вероятностью p. Введите r и p, и инструмент выдаст среднее, дисперсию и стандартное отклонение X.
Как это работает
Каждое испытание — это независимый эксперимент «успех или неудача» с постоянной вероятностью успеха p. Вы продолжаете выборку, пока не накопите r успехов; X — это число неудач, наблюдённых по пути. Поскольку X можно записать как сумму r независимых геометрических величин, каждая из которых считает неудачи до одного успеха, его среднее и дисперсия ровно в r раз больше среднего и дисперсии одного геометрического слагаемого. Это даёт выражения в замкнутой форме, зависящие только от r и p.
Формула
Среднее, дисперсия и стандартное отклонение X равны:
Здесь r — целевое число успехов, а p — вероятность успеха в одном испытании, при 0 < p <= 1. Обратите внимание, что дисперсия всегда больше среднего в 1/p раз, поэтому отрицательное биномиальное распределение является сверхдисперсным по сравнению с распределением Пуассона.
Разобранный пример
Предположим, вам нужно r = 5 успехов, и каждое испытание завершается успехом с вероятностью p = 0.5. Среднее число неудач до 5-го успеха равно 5(1 - 0.5)/0.5 = 5. Дисперсия равна 5(1 - 0.5)/0.5^2 = 2.5/0.25 = 10, поэтому стандартное отклонение равно sqrt(10), примерно 3.16. В среднем вы ожидаете около 5 неудач с типичным разбросом около 3 неудач вокруг этого среднего.
Часто задаваемые вопросы
Какую параметризацию отрицательного биномиального распределения использует калькулятор? Он использует стандартное соглашение «число неудач до r-го успеха», поэтому среднее равно r(1-p)/p. Если в вашем учебнике считается общее число испытаний, а не неудач, прибавьте r к среднему, чтобы перейти от одного соглашения к другому.
Должно ли r быть целым числом? Для классической интерпретации подсчёта r — положительное целое число, но формулы среднего и дисперсии остаются верными для любого действительного r > 0, что имеет место в обобщённом (Пойа) отрицательном биномиальном распределении.
Что происходит, когда p приближается к 1? Когда p близко к 1, почти каждое испытание успешно, поэтому неудач почти нет, и и среднее, и дисперсия стремятся к 0. По мере уменьшения p неудачи накапливаются, и оба момента быстро растут.
Среднее и дисперсия отрицательного биномиального распределения при различных значениях r и p
В таблице используется параметризация, в которой \(X\) — число неудач до \(r\)-го успеха, со средним \(\mu = r(1-p)/p\) и дисперсией \(\sigma^2 = r(1-p)/p^2\). Отношение дисперсии к среднему упрощается до \(1/p\).
| r | p | Среднее r(1-p)/p | Дисперсия r(1-p)/p² | Стандартное отклонение | Отношение дисперсии к среднему 1/p |
|---|---|---|---|---|---|
| 1 | 0.5 | 1 | 2 | 1.4142 | 2 |
| 5 | 0.5 | 5 | 10 | 3.1623 | 2 |
| 5 | 0.2 | 20 | 100 | 10 | 5 |
| 10 | 0.8 | 2.5 | 3.125 | 1.7678 | 1.25 |
| 3 | 0.1 | 27 | 270 | 16.4317 | 10 |
Проверка для r = 5, p = 0.2: \(\mu = 5(0.8)/0.2 = 4/0.2 = 20\), \(\sigma^2 = 5(0.8)/0.2^2 = 4/0.04 = 100\), \(\sigma = \sqrt{100} = 10\), и \(1/p = 5 = 100/20\).
Определения и глоссарий
- r: целевое число успехов; процесс останавливается на r-м успехе. В классической форме это положительное целое число (распределение можно расширить до положительных вещественных значений).
- p: вероятность успеха в каждом независимом испытании, с 0 < p ≤ 1.
- X: число неудач, наблюдаемых до r-го успеха, принимает значения 0, 1, 2, …
- Среднее: математическое ожидание X, \(E[X] = r(1-p)/p\).
- Дисперсия: математическое ожидание квадрата отклонения от среднего, \(\operatorname{Var}(X) = r(1-p)/p^2\).
- Стандартное отклонение: квадратный корень из дисперсии, \(\sqrt{r(1-p)}/p\).
- Сверхдисперсия: дисперсия больше среднего. Отрицательное биномиальное распределение имеет сверхдисперсию при любом 0 < p < 1.
- Геометрическое распределение: частный случай r = 1, подсчитывающий неудачи до первого успеха, со средним \((1-p)/p\) и дисперсией \((1-p)/p^2\).
- Параметризация по общему числу испытаний: если Y = X + r считает все испытания вплоть до r-го успеха включительно, то среднее равно \(r/p\), а дисперсия остаётся \(r(1-p)/p^2\), поскольку прибавление константы r сдвигает среднее, но не меняет разброс.