負二項分布平均數與變異數計算器

負二項分布平均數與變異數計算器

新興 AI Skill PRO

輸入計算

結果

平均數(達到 r 次成功前的預期失敗次數)
20
成功次數 (r) 5
成功機率 (p) 0.2
變異數 (σ²) 100
標準差 (σ) 10

數學公式

IQR=Q3−Q1\text{IQR} = Q_3 - Q_1
使用統計

廣告

回報本頁錯誤

此計算器的用途

負二項分布平均數與變異數計算器會回傳負二項分布的前兩階動差。在標準的「成功前的失敗次數」參數化方式中,隨機變數 X 表示在一連串獨立的伯努利試驗中,第 r 次成功之前出現的失敗次數,其中每次試驗以機率 p 成功。輸入 r 與 p,此工具便會給出 X 的平均數、變異數與標準差。

運作原理

每次試驗都是一次成功或失敗的獨立試驗,成功機率恆為 p。你持續抽樣,直到累積 r 次成功;而 X 就是這個過程中觀察到的失敗次數。由於 X 可以寫成 r 個獨立幾何隨機變數之和,每個變數都表示一次成功之前的失敗次數,因此它的平均數與變異數恰好是單一幾何項平均數與變異數的 r 倍。如此便得到只取決於 r 與 p 的封閉形式運算式。

箱形圖,在數線上標出最小值、Q1、中位數、Q3 與最大值的位置
箱形圖呈現四分位數:IQR 就是 Q1 到 Q3 之間箱體的寬度。

公式

X 的平均數、變異數與標準差為:

廣告
$$\mu = \frac{r(1-p)}{p}$$ $$\sigma^2 = \frac{r(1-p)}{p^2}$$ $$\sigma = \sqrt{r(1-p)}\,/\,p$$

其中 r 是目標成功次數,p 是每次試驗的成功機率,滿足 0 < p <= 1。請注意,變異數始終比平均數大 1/p 倍,因此相對於卜瓦松分布,負二項分布屬於過度離散。

數線在 Q1、中位數與 Q3 處將排序資料分成四等分
四分位數將排序後的資料分成四等分,IQR 涵蓋中間兩等分。

範例演算

假設你需要 r = 5 次成功,且每次試驗以機率 p = 0.5 成功。第 5 次成功之前的平均失敗次數為 5(1 - 0.5)/0.5 = 5。變異數為 5(1 - 0.5)/0.5^2 = 2.5/0.25 = 10,因此標準差為 sqrt(10),約為 3.16。平均而言,你大約會遇到 5 次失敗,且在該平均值附近的典型波動約為 3 次失敗。

常見問題

此計算器使用哪一種負二項分布參數化方式? 它採用標準的「第 r 次成功之前的失敗次數」慣例,因此平均數為 r(1-p)/p。如果你的教科書統計的是總試驗次數而非失敗次數,可在平均數上加 r 以在兩種慣例之間轉換。

廣告

r 必須是整數嗎? 在傳統的計數解釋中,r 是正整數,但平均數與變異數公式對任意實數 r > 0 仍然成立,這正是廣義(Pólya)負二項分布所對應的情形。

當 p 接近 1 時會發生什麼? 當 p 接近 1 時,幾乎每次試驗都會成功,因此幾乎沒有失敗,平均數與變異數都趨近於 0。而當 p 變小時,失敗逐漸累積,兩階動差都會迅速增大。

不同 r 與 p 值下的負二項分佈平均數與變異數

本表使用 \(X\) = 在第 \(r\) 次成功之前的失敗次數參數化,其平均數 \(\mu = r(1-p)/p\),變異數 \(\sigma^2 = r(1-p)/p^2\)。變異數與平均數的比值化簡為 \(1/p\)。

r p 平均數 r(1-p)/p 變異數 r(1-p)/p² 標準差 變異數與平均數比值 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

r = 5、p = 0.2 的計算驗證:\(\mu = 5(0.8)/0.2 = 4/0.2 = 20\),\(\sigma^2 = 5(0.8)/0.2^2 = 4/0.04 = 100\),\(\sigma = \sqrt{100} = 10\),且 \(1/p = 5 = 100/20\)。

定義與名詞解釋

  • r:目標成功次數;過程在第 r 次成功時停止。在經典形式中,它是正整數(此分佈可擴展至正實數值)。
  • p:每次獨立試驗成功的機率,且 0 < p ≤ 1。
  • X:在第 r 次成功之前觀察到的失敗次數,取值為 0、1、2、…
  • 平均數:X 的期望值,\(E[X] = r(1-p)/p\)。
  • 變異數:與平均數的期望平方偏差,\(\operatorname{Var}(X) = r(1-p)/p^2\)。
  • 標準差:變異數的平方根,\(\sqrt{r(1-p)}/p\)。
  • 過度離散:變異數大於平均數。只要 0 < p < 1,負二項分佈就會出現過度離散。
  • 幾何分佈:r = 1 的特例,計算第一次成功之前的失敗次數,平均數為 \((1-p)/p\),變異數為 \((1-p)/p^2\)。
  • 總試驗次數參數化:若 Y = X + r 計算直到第 r 次成功(含該次)為止的所有試驗次數,則平均數為 \(r/p\),而變異數仍為 \(r(1-p)/p^2\),因為加上常數 r 只會平移平均數,不會改變離散程度。
最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器