此计算器的用途
负二项分布均值与方差计算器返回负二项分布的前两阶矩。在标准的“成功前的失败次数”参数化方式中,随机变量 X 表示在一系列独立的伯努利试验中,第 r 次成功之前出现的失败次数,其中每次试验以概率 p 成功。输入 r 和 p,该工具便会给出 X 的均值、方差和标准差。
工作原理
每次试验都是一次成功或失败的独立试验,成功概率恒为 p。你不断抽样,直到累积 r 次成功;而 X 就是这一过程中观察到的失败次数。由于 X 可以写成 r 个独立几何随机变量之和,每个变量都表示一次成功之前的失败次数,因此它的均值和方差恰好是单个几何项均值和方差的 r 倍。这样便得到只依赖于 r 和 p 的闭式表达式。
公式
X 的均值、方差和标准差为:
其中 r 是目标成功次数,p 是每次试验的成功概率,满足 0 < p <= 1。请注意,方差始终比均值大 1/p 倍,因此相对于泊松分布,负二项分布是过度离散的。
实例演算
假设你需要 r = 5 次成功,且每次试验以概率 p = 0.5 成功。第 5 次成功之前的平均失败次数为 5(1 - 0.5)/0.5 = 5。方差为 5(1 - 0.5)/0.5^2 = 2.5/0.25 = 10,因此标准差为 sqrt(10),约为 3.16。平均而言,你大约会遇到 5 次失败,且在该均值附近的典型波动约为 3 次失败。
常见问题
此计算器使用哪种负二项分布参数化方式? 它使用标准的“第 r 次成功之前的失败次数”约定,因此均值为 r(1-p)/p。如果你的教科书统计的是总试验次数而非失败次数,可在均值上加 r 以在两种约定之间转换。
r 必须是整数吗? 在经典的计数解释中,r 是正整数,但均值和方差公式对任意实数 r > 0 仍然成立,这正是广义(Pólya)负二项分布所对应的情形。
当 p 接近 1 时会发生什么? 当 p 接近 1 时,几乎每次试验都会成功,因此几乎没有失败,均值和方差都趋近于 0。而当 p 变小时,失败逐渐累积,两阶矩都会迅速增大。
不同 r 和 p 取值下的负二项分布均值与方差
该表使用 \(X\) = 第 \(r\) 次成功之前的失败次数参数化,均值 \(\mu = r(1-p)/p\),方差 \(\sigma^2 = r(1-p)/p^2\)。方差与均值之比化简为 \(1/p\)。
| r | p | 均值 r(1-p)/p | 方差 r(1-p)/p² | 标准差 | 方差与均值之比 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 的验算:\(\mu = 5(0.8)/0.2 = 4/0.2 = 20\),\(\sigma^2 = 5(0.8)/0.2^2 = 4/0.04 = 100\),\(\sigma = \sqrt{100} = 10\),且 \(1/p = 5 = 100/20\)。
定义与术语表
- r:目标成功次数;过程在第 r 次成功时停止。在经典形式中它是正整数(该分布可推广到正实数)。
- p:每次独立试验成功的概率,满足 0 < p ≤ 1。
- X:观察到第 r 次成功之前的失败次数,取值为 0、1、2、……
- 均值:X 的期望值,\(E[X] = r(1-p)/p\)。
- 方差:与均值之差的平方的期望,\(\operatorname{Var}(X) = r(1-p)/p^2\)。
- 标准差:方差的平方根,\(\sqrt{r(1-p)}/p\)。
- 过度离散:方差大于均值的情形。只要 0 < p < 1,负二项分布就是过度离散的。
- 几何分布:r = 1 的特例,计算首次成功之前的失败次数,均值为 \((1-p)/p\),方差为 \((1-p)/p^2\)。
- 总试验次数参数化:若 Y = X + r 统计直到第 r 次成功(含该次)为止的所有试验次数,则均值为 \(r/p\),而方差仍为 \(r(1-p)/p^2\),因为加上常数 r 只会平移均值,不会改变离散程度。