当前位置:   article > 正文

损失次数模型-负二项分布_负二项分布的概率密度函数

负二项分布的概率密度函数

损失次数模型-负二项分布

——非寿险精算的基本理论

1、定义

一个成功概率为 p p p的伯努利试验,不断重复,直至失败 r r r次。此时成功的次数为一个随机变量,用 X X X表示。称 X X X服从负二项分布,记作 X ∼ N B ( r , p ) X \sim NB(r,p) XNB(r,p)

2、概率密度函数

P ( X = k ) = C k + r − 1 k p k ( 1 − p ) r P(X=k)=C_{k+r-1}^kp^k(1-p)^r P(X=k)=Ck+r1kpk(1p)r

这里涉及到高中的排列组合知识,忘记的的同学可能要去复习一下了,哈哈哈~

  • 公式释义:

r r r:一次实验中,失败次数;

k k k:一次实验中,失败 r r r次时,成功的次数;

k + r − 1 k+r-1 k+r1 k + r k+r k+r是一次实验中总的实验次数,成功的次数加上失败的次数。因为目标失败次数为 r r r次,当失败次数达到目标失败次数时,则停止实验,因此最后一次实验一定是失败的,是一个确定事件。所以随机事件只有 k + r − 1 k+r-1 k+r1次;

p p p:一次实验成功的概率;

1 − p 1-p 1p:一次实验失败的概率;

P ( X = k ) P(X=k) P(X=k):一次实验中,失败次数为 r r r,成功次数为 k k k时的概率;

  • 例子

在一组抛硬币实验中,每次硬币正面向上的概率为 p = 0.5 p=0.5 p=0.5,则反面向上的概率为 ( 1 − p ) (1-p) (1p),当反面向上的次数为 r = 5 r=5 r=5时停止实验,则在这组实验中正面次数出现 k = 5 k=5 k=5次的概率是多少?

<直接带入公式求解>

P ( X = 5 ) = C 5 + 5 − 1 5 0. 5 5 ( 1 − 0.5 ) 5 = 0.1230 P(X=5)=C_{5+5-1}^50.5^5(1-0.5)^5=0.1230 P(X=5)=C5+5150.55(10.5)5=0.1230

补充一个公式: C n m = n ! m ! ( n − m ) ! C_n^m=\frac{n!}{m!(n-m)!} Cnm=m!(nm)!n!

<公式理解>

上面的案例可以转化一下,在10次抛硬币实验中,反面向上的次数为5次,并且最后一次为反面向上。则,这一事件发生的概率是多少?

首先,5次反面向上的概率为 ( 1 − p ) 5 (1-p)^5 (1p)5,剩余5次正面向上的概率为 p 5 p^5 p5

其次,5次反面向上有4次发生的顺序是随机的,可能在第1,2,3,4次抛硬币时就出现了反面,在第10次才出现第五次反面,也可能在第6,7,8,9,10次抛硬币时出现了反面。但,第10次抛硬币时一定出现的是反面。所以,前四次反面出现的时机,有可能是第1至9次抛硬币实验中的任意4次。反面是前9次出现4次,则正面就是前9次出现5次,这种组合方式共有 C 9 5 C_9^5 C95种。每一种的概率都为 p 5 ( 1 − p ) 5 p^5(1-p)^5 p5(1p)5,所以 C 9 5 C_9^5 C95种组合的概率就为 C 9 5 p 5 ( 1 − p ) 5 C_9^5p^5(1-p)^5 C95p5(1p)5

3、均值和方差

E ( X ) = r p 1 − p E(X)=\frac{rp}{1-p} E(X)=1prp

D ( X ) = r p ( 1 − p ) 2 D(X)=\frac{rp}{(1-p)^2} D(X)=(1p)2rp

3.1、均值 E ( X ) E(X) E(X)的推导

E ( X ) = ∑ x p ( x ) E(X)=\sum xp(x) E(X)=xp(x)

这个公式在前面介绍泊松分布的时候提及了一下,但并没有展开说明,有兴趣的可以再去回顾一下概率论知识。

= ∑ x C x + r − 1 x p x ( 1 − p ) r =\sum xC_{x+r-1}^xp^x(1-p)^r =xCx+r1xpx(1p)r

P ( X ) = C x + r − 1 x p x ( 1 − p ) r P(X)=C_{x+r-1}^xp^x(1-p)^r P(X)=Cx+r1xpx(1p)r带入上式便可得到,上述公式

= ∑ x ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r =\sum x\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r =xx!(r1)!(x+r1)!px(1p)r

这是因为 C n m = n ! m ! ( n − m ) ! C_n^m=\frac{n!}{m!(n-m)!} Cnm=m!(nm)!n!,所以 C x + r − 1 x = ( x + r − 1 ) ! x ! ( r − 1 ) ! C_{x+r-1}^x=\frac{(x+r-1)!}{x!(r-1)!} Cx+r1x=x!(r1)!(x+r1)!

然后, x ! = x ( x − 1 ) ! x!=x(x-1)! x!=x(x1)! ( r − 1 ) ! = r ( r − 1 ) ! r (r-1)!=\frac{r(r-1)!}{r} (r1)!=rr(r1)! p x = p p x − 1 p^x=pp^{x-1} px=ppx1 ( 1 − p ) r = ( 1 − p ) r + 1 1 − p (1-p)^r=\frac{(1-p)^{r+1}}{1-p} (1p)r=1p(1p)r+1,带入上式

= ∑ x ( x + r − 1 ) ! x ( x − 1 ) ! r ( r − 1 ) ! r p p x − 1 ( 1 − p ) r + 1 1 − p =\sum x\frac{(x+r-1)!}{x(x-1)!\frac{r(r-1)!}{r}}pp^{x-1}\frac{(1-p)^{r+1}}{1-p} =xx(x1)!rr(r1)!(x+r1)!ppx11p(1p)r+1

p 和 1 1 − p p和\frac{1}{1-p} p1p1提到 ∑ \sum 前面, x x x x x x约掉,并且 ( x + r − 1 ) ! x ( x − 1 ) ! r ( r − 1 ) ! r \frac{(x+r-1)!}{x(x-1)!\frac{r(r-1)!}{r}} x(x1)!rr(r1)!(x+r1)!分子分母同时乘以 r r r,得到

= p 1 − p ∑ ( x + r − 1 ) ! r ( x − 1 ) ! r ( r − 1 ) ! r r p x − 1 ( 1 − p ) r + 1 =\frac{p}{1-p}\sum \frac{(x+r-1)!r}{(x-1)!\frac{r(r-1)!}{r}r}p^{x-1}{(1-p)^{r+1}} =1pp(x1)!rr(r1)!r(x+r1)!rpx1(1p)r+1

( x + r − 1 ) ! r ( x − 1 ) ! r ( r − 1 ) ! r r \frac{(x+r-1)!r}{(x-1)!\frac{r(r-1)!}{r}r} (x1)!rr(r1)!r(x+r1)!r分子的 r r r提到 ∑ \sum 前面,分母中的 r r r约掉,得到

= r p 1 − p ∑ ( x + r − 1 ) ! ( x − 1 ) ! r ( r − 1 ) ! p x − 1 ( 1 − p ) r + 1 =\frac{rp}{1-p}\sum \frac{(x+r-1)!}{(x-1)!r(r-1)!}p^{x-1}{(1-p)^{r+1}} =1prp(x1)!r(r1)!(x+r1)!px1(1p)r+1

r ( r − 1 ) ! = r ! = ( ( r + 1 ) − 1 ) ! , ( x + r − 1 ) ! = ( ( x − 1 ) + ( r + 1 ) − 1 ) ! r(r-1)!=r!=((r+1)-1)!,(x+r-1)!=((x-1)+(r+1)-1)! r(r1)!=r!=((r+1)1)!(x+r1)!=((x1)+(r+1)1)!,所以上式可写成

= r p 1 − p ∑ ( ( x − 1 ) + ( r + 1 ) − 1 ) ! ( x − 1 ) ! ( ( r + 1 ) − 1 ) ! p x − 1 ( 1 − p ) r + 1 =\frac{rp}{1-p}\sum \frac{((x-1)+(r+1)-1)!}{(x-1)!((r+1)-1)!}p^{x-1}{(1-p)^{r+1}} =1prp(x1)!((r+1)1)!((x1)+(r+1)1)!px1(1p)r+1

另, x − 1 = m , r + 1 = n x-1=m,r+1=n x1=m,r+1=n,则上式变为

= r p 1 − p ∑ ( m + n − 1 ) ! m ! ( n − 1 ) ! p m ( 1 − p ) n =\frac{rp}{1-p}\sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}} =1prpm!(n1)!(m+n1)!pm(1p)n

∑ ( m + n − 1 ) ! m ! ( n − 1 ) ! p m ( 1 − p ) n \sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}} m!(n1)!(m+n1)!pm(1p)n,这个公式是不是和 p ( x ) = ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r p(x)=\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r p(x)=x!(r1)!(x+r1)!px(1p)r一摸一样,因此它是一个负二项分布。在所有情况下,所有事件的概率和为1,既 ∑ p ( x ) = 1 \sum p(x)=1 p(x)=1,所以 ∑ ( m + n − 1 ) ! m ! ( n − 1 ) ! p m ( 1 − p ) n = 1 \sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}}=1 m!(n1)!(m+n1)!pm(1p)n=1

= r p 1 − p =\frac{rp}{1-p} =1prp

3.2、方差 D ( X ) D(X) D(X)的推导

根据之前泊松分布里面的文章,我们知道 D ( X ) = E ( X 2 ) − ( E ( X ) ) 2 D(X)=E(X^2)-(E(X))^2 D(X)=E(X2)(E(X))2,现在 E ( X ) E(X) E(X)已经求出,因此只需推导 E ( X 2 ) E(X^2) E(X2)即可。

E ( X 2 ) = ∑ x 2 p ( x ) E(X^2)=\sum x^2p(x) E(X2)=x2p(x)

这个公式我也曾在泊松分布这篇文章里面提到过,有兴趣的可以去查看。

p ( x ) = ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r p(x)=\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r p(x)=x!(r1)!(x+r1)!px(1p)r带入上式

= ∑ x 2 ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r =\sum x^2\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r =x2x!(r1)!(x+r1)!px(1p)r

p x = p p x − 1 , ( 1 − p ) r = ( 1 − p ) r + 1 1 − p , ( x + r − 1 ) ! x ! ( r − 1 ) ! 分子和分母同时乘以 r , p^x=pp^{x-1},(1-p)^r=\frac{(1-p)^{r+1}}{1-p},\frac{(x+r-1)!}{x!(r-1)!}分子和分母同时乘以r, px=ppx1,(1p)r=1p(1p)r+1,x!(r1)!(x+r1)!分子和分母同时乘以r带入上式

= ∑ x 2 r ( x + r − 1 ) ! x ! r ( r − 1 ) ! p p x − 1 ( 1 − p ) r + 1 1 − p =\sum x^2\frac{r(x+r-1)!}{x!r(r-1)!}pp^{x-1}\frac{(1-p)^{r+1}}{1-p} =x2x!r(r1)!r(x+r1)!ppx11p(1p)r+1

r , p , 1 1 − p r,p,\frac{1}{1-p} r,p,1p1提到 ∑ \sum 前面得

= r p 1 − p ∑ x 2 ( x + r − 1 ) ! x ! r ( r − 1 ) ! p x − 1 ( 1 − p ) r + 1 =\frac{rp}{1-p}\sum x^2\frac{(x+r-1)!}{x!r(r-1)!}p^{x-1}(1-p)^{r+1} =1prpx2x!r(r1)!(x+r1)!px1(1p)r+1

x 2 = x x , x ! = x ( x − 1 ) ! , r ( r − 1 ) ! = r ! x^2=xx,x!=x(x-1)!,r(r-1)!=r! x2=xx,x!=x(x1)!,r(r1)!=r!所以

= r p 1 − p ∑ x x ( x + r − 1 ) ! x ( x − 1 ) ! r ! p x − 1 ( 1 − p ) r + 1 =\frac{rp}{1-p}\sum xx\frac{(x+r-1)!}{x(x-1)!r!}p^{x-1}(1-p)^{r+1} =1prpxxx(x1)!r!(x+r1)!px1(1p)r+1

x x x分子和分母可以约掉,所以

= r p 1 − p ∑ x ( x + r − 1 ) ! ( x − 1 ) ! r ! p x − 1 ( 1 − p ) r + 1 =\frac{rp}{1-p}\sum x\frac{(x+r-1)!}{(x-1)!r!}p^{x-1}(1-p)^{r+1} =1prpx(x1)!r!(x+r1)!px1(1p)r+1

y = x − 1 , n = r + 1 y=x-1,n=r+1 y=x1,n=r+1

= r p 1 − p ∑ ( y + 1 ) ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n =\frac{rp}{1-p}\sum (y+1)\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n} =1prp(y+1)y!(n1)!(y+n1)!py(1p)n

∑ ( y + 1 ) ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n \sum (y+1)\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n} (y+1)y!(n1)!(y+n1)!py(1p)n拆开

= r p 1 − p ( ∑ y ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n + ∑ ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n ) =\frac{rp}{1-p}(\sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}+\sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}) =1prp(yy!(n1)!(y+n1)!py(1p)n+y!(n1)!(y+n1)!py(1p)n)

∑ y ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n \sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n} yy!(n1)!(y+n1)!py(1p)n这个形式是不是和我们上面提到的 E ( X ) = ∑ x ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r = r p 1 − p E(X)=\sum x\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=\frac{rp}{1-p} E(X)=xx!(r1)!(x+r1)!px(1p)r=1prp一模一样。所以, ∑ y ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n = E ( y ) = n p 1 − p \sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}=E(y)=\frac{np}{1-p} yy!(n1)!(y+n1)!py(1p)n=E(y)=1pnp,又因为 n = r + 1 n=r+1 n=r+1,所以, E ( y ) = n p 1 − p = ( r + 1 ) p 1 − p E(y)=\frac{np}{1-p}=\frac{(r+1)p}{1-p} E(y)=1pnp=1p(r+1)p。再看 ∑ ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n ) \sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}) y!(n1)!(y+n1)!py(1p)n)是不是和 ∑ p ( x ) = ∑ ( x + r − 1 ) ! x ! ( r − 1 ) ! p x ( 1 − p ) r = 1 \sum p(x)=\sum \frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=1 p(x)=x!(r1)!(x+r1)!px(1p)r=1一模一样,所以, ∑ ( y + n − 1 ) ! y ! ( n − 1 ) ! p y ( 1 − p ) n ) = 1 \sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n})=1 y!(n1)!(y+n1)!py(1p)n)=1,带入上式

= r p 1 − p ( ( r + 1 ) p 1 − p + 1 ) =\frac{rp}{1-p}(\frac{(r+1)p}{1-p}+1) =1prp(1p(r+1)p+1)

= r 2 p 2 + r p ( 1 − p ) 2 =\frac{r^2p^2+rp}{(1-p)^2} =(1p)2r2p2+rp

经过上面的层层推导,我们终于把 E ( X 2 ) = r 2 p 2 + r p ( 1 − p ) 2 E(X^2)=\frac{r^2p^2+rp}{(1-p)^2} E(X2)=(1p)2r2p2+rp推导出来了,再根据 E ( X ) = r p 1 − p E(X)=\frac{rp}{1-p} E(X)=1prp,便可以求出 D ( X ) D(X) D(X)的值

D ( X ) = E ( X 2 ) − ( E ( X ) ) 2 D(X)=E(X^2)-(E(X))^2 D(X)=E(X2)(E(X))2

= r 2 p 2 + r p ( 1 − p ) 2 − ( r p 1 − p ) 2 =\frac{r^2p^2+rp}{(1-p)^2}-(\frac{rp}{1-p})^2 =(1p)2r2p2+rp(1prp)2

= r p ( 1 − p ) 2 =\frac{rp}{(1-p)^2} =(1p)2rp

4、负二项分布在精算中的应用

4.1、定义

假设损失次数 N N N服从参数为 r 和 β r和\beta rβ的负二项分布,则发生 k k k次损失的概率为
P ( N = k ) = C k + r − 1 k ( β 1 + β ) k ( 1 1 + β ) r P(N=k)=C_{k+r-1}^k({\frac{\beta}{1+\beta}})^k(\frac{1}{1+\beta})^r P(N=k)=Ck+r1k(1+ββ)k(1+β1)r

连接上文,这里的 β = p 1 − p \beta=\frac{p}{1-p} β=1pp

负二项分布的均值和方差为:

E ( N ) = r β E(N)=r\beta E(N)=rβ

D ( N ) = r β ( 1 + β ) D(N)=r\beta(1+\beta) D(N)=rβ(1+β)

β \beta β替换为 p p p之后,我们可以发现和上面推导的结果是一样的。

4.2、性质

(1)方差大于均值。在实际运用中如果方差大于均值,负二项分布比泊松分布可以更好的拟合数据。

(2)负二项分布是一种混合泊松分布,即如果假设泊松分布的参数服从伽马分布,由此得到的混合泊松分布即为负二项分布。
针对这个性质的证明,到时在学完伽马分布的时候再看吧。

5、软件实操

5.1、相同的 p p p,不同的 r r r

画图代码

import numpy as np
import math
import matplotlib.pyplot as plt

def nbpmf(sample,r,p):
    '''
    Parameters
    ----------
    sample : int
        负二项分布的样本数量.
    r : int
        贝努力实验中的失败次数.
    p : float
        贝努力实验中的成功的概率.

    Returns
    -------
    k_sample : int
        样本数量.
    probability : TYPE
        概率.
    '''
    
    sample=sample
    r=r
    p=p
    k_sample=np.arange(sample)#会返回一个0至sample-1的连续整数列表
    probability=[]
    for k in k_sample:
        temp = (math.factorial(k+r-1)/(math.factorial(k)*math.factorial(r-1)))*p**k*(1-p)**r#计算负二项分布的概率
        #math.factorial()是阶乘函数
        probability.append(temp)
    return k_sample,probability

r=5#可以跟换不同的r值查看概率图像
p=0.6
sample=40
k,probability=nbpmf(sample,r,p)#调用自定义的负二项分布函数
plt.subplot(1,1,1)#定义图片的布局,针对一张图片来说可以省略该代码
plt.plot(k,probability,"r",label="r="+str(r))#画曲线图,并定义曲线为红色"r",并显示图例label(后面是图例名称)
plt.plot(k,probability,"ro")#画散点图,并定义散点为红色
plt.title("Negative Binomial distribution(p="+str(p)+")")#设置图片标题
plt.xlabel("Number of successes (k)")#设置图片x轴说明
plt.ylabel("probability")#设置图片y轴说明
plt.legend(loc=0)#将图例放在合适的位置,让系统自动查找
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45

输出结果

从图片可以看出,当成功的概率 p p p一定时,随着失败次数 r r r的增大,函数图像逐渐向左偏移,峰值逐渐变小,图像由细高变得宽矮。

5.2、相同的 r r r,不同的 p p p

代码与上面相同,只是保持 r r r不变,而修改了 p p p值和图像标头

输出结果

从图片可以看出,其变化形态和5.1、相同的 p p p,不同的 r r r 是一样的。只是变化幅度有些许不同。

5.3、负二项分布与正态分布

画图代码

import numpy as np
import math
import matplotlib.pyplot as plt

def nbpmf(sample,r,p):
    '''
    Parameters
    ----------
    sample : int
        负二项分布的样本数量.
    r : int
        贝努力实验中的失败次数.
    p : float
        贝努力实验中的成功的概率.

    Returns
    -------
    k_sample : int
        样本数量.
    probability : TYPE
        概率.
    '''
    
    sample=sample
    r=r
    p=p
    k_sample=np.arange(sample)#会返回一个0至sample-1的连续整数列表
    probability=[]
    for k in k_sample:
        temp = (math.factorial(k+r-1)/(math.factorial(k)*math.factorial(r-1)))*p**k*(1-p)**r#计算负二项分布的概率
        #math.factorial()是阶乘函数
        probability.append(temp)
    return k_sample,probability

def normalpdf(mu,sigma,simple):
    """
    Parameters
    ----------
    mu : float
        正态分布的均值.
    sigma : float
        正态分布标准差.
    simple : int
        生成的样本数量.

    Returns
    -------
    x : float
        x轴值.
    probability : float
        取值为x轴值时,对应的概率密度函数值,相当于离散变量的概率.
    """
    mu = mu
    sigma = sigma
    simple = simple
    x = np.arange(sample)
    probability=np.exp(-(x-mu)**2/(2*sigma**2))/(math.sqrt(2*math.pi)*sigma)#正态分布的概率密度函数
    return x,probability

r=90#通过更改r值便可以画出不同参数的图像
p=0.5
plt.subplot(1,1,1)
mean = r*p/(1-p)#负二项分布的均值
sigam = math.sqrt(r*p/((1-p)**2))#负二项分布的标准差
sample=mean*2
k,probability_nb=nbpmf(sample,r,p)
k,probability_no=normalpdf(mean,sigam,sample)
plt.plot(k,probability_no,"r",label="normal")
plt.plot(k,probability_nb,"g--",label="n_binomial")
plt.title("Negative Binomial and Normal distribution" + "(r,p="+str(r)+","+str(p)+")")#设置图片标题
plt.xlabel("Number of successes (k)")#设置图片x轴说明
plt.ylabel("probability")#设置图片y轴说明
plt.legend(loc=0)#将图例放在合适的位置,让系统自动查找
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73

输出结果
在这里插入图片描述

通过图片可以看出,在 p p p值不变的情况下,随着失败次数 r r r的逐渐变大,负二项分布逐渐趋近正态分布。所以在大样本情况下,可以用正态分布近似负二项分布。

—End—

*** 参考资料 ***

1、《非寿险精算学》孟生旺著

2、负二项分布_虚胖一场的博客-CSDN博客_负二项分布

3、概率质量函数(PMF)、概率密度函数(PDF)、累积分布函数(CDF)_Uncertainty!!的博客-CSDN博客_概率质量函数

4、排列组合cn和an公式_xxxx追风的博客-CSDN博客_排列组合

5、负二项分布的数学期望和方差的一种求法 - 百度文库 (baidu.com)

6、Python中如何求阶乘?教你四个方法-群英 (qycn.com)

本文内容由网友自发贡献,转载请注明出处:https://www.wpsshop.cn/w/知新_RL/article/detail/749070
推荐阅读
相关标签
  

闽ICP备14008679号