(好久没写知乎文章了,又不知道该写什么,就随便水一水吧)
二项分布:
次试验,每次试验有 的概率出现目标事件,记 为 次试验后出现目标事件的次数;
负二项分布:若干次试验,每次试验有
的概率出现目标事件,记 为出现 次目标事件所需要的总试验次数。
首先我们先用最暴力的方法来直接推导它们的期望和方差。
直接算E(X)和Var(X)
二项分布的pmf:
那么:
把
提出来,容易观察得出剩下那一部分也是一个二项分布的pmf,只不过 变成了 , 变成了 ,那么它求和后结果为1.
因此:
为计算
,我们先计算 :
右边两个求和,是将
拆成 的结果,显然第一个求和为二项分布 的均值,第二个求和为二项分布pmf的和,即1。
因此:
那么:
现在我们再来算负二项分布的
和 。
负二项分布的pmf:
那么:
显然右边的求和式对应着负二项分布
为 时的pmf,因此求和为1.
故
另外,
因此:
(其实,在推导中pmf和为1的隐藏结论是需要通过级数去推的,这也意味着上述式子可以化成特殊级数形式,读者可以自行证明)
用mgf进行计算会比上述方法稍微简单一些。
MGF计算
定义
则:
那么:
那么对于二项分布:
故:
对于负二项分布:
观察和式,令
因此:
则:
故:
当然,我们还可以把二项分布和负二项分布分别拆成若干次独立试验。
利用伯努利分布和几何分布
伯努利分布:可以看作二项分布中的单次试验,即
;
几何分布:可以看作负二项分布中
的情况。
二项分布中的
次试验相互独立,因此可以看作 次相互独立的伯努利试验。
而单次伯努利试验的期望:
方差:
所以二项分布的均值:
方差:
同理,我们计算几何分布的均值:
两式相减:
则:
计算方差前,计算
:
令
,则:
令
则:
错位相减得:
则:
而对于
,我们将其拆成:
令
则
错位相减得:
则:
故
所以
那么
那么负二项分布的均值与方差为: