Участник:Чижик Григорий/Песочница
Материал из MachineLearning.
(Различия между версиями)
| Строка 32: | Строка 32: | ||
<tex> | <tex> | ||
f(k;N,m,n)=\frac{C_k^m C_{n-k}^{N-m}}{C_k^N} | f(k;N,m,n)=\frac{C_k^m C_{n-k}^{N-m}}{C_k^N} | ||
| + | </tex> | ||
| + | ==Математическое ожидание== | ||
| + | <tex> | ||
| + | E(X)=\frac{nm}{N} | ||
| + | </tex> | ||
| + | ==Дисперсия== | ||
| + | <tex> | ||
| + | D(X)=\frac{n(\frac{m}{N})(1-\frac{m}{N})(N-n)}{N-1} | ||
</tex> | </tex> | ||
Текущая версия
Гипергеометрическое распределение
В теории вероятности и статистике, гипергеометрическое распределение это дискретное вероятностное распределение, которое описывает количество успехов в выборке без возвращений длины над конечной совокупностью объектов.
| Попали в выборку | Не попали в выборку | Всего | |
|---|---|---|---|
| С дефектом (успех) | | | |
| Без дефекта | | | |
| Всего | | | |
Это выборка из объектов в которых
дефективных. Гипергеометрическое распределение описывает вероятность того, что именно
дефективных в выборке из
конкретных объектов, взятых из совокупности.
Если случайная величина распределена гипрегеометрически с параметрами
, тогда вероятность получить ровно
успехов (дефективных объектов в предыдущем примере) будет следующей:
Математическое ожидание
Дисперсия
