【超几何分布的方差公式】在概率统计中，超几何分布是一种离散型概率分布，用于描述在不放回抽样中成功次数的概率分布。它常用于从有限总体中抽取样本时，研究某一特征出现的次数。与二项分布不同，超几何分布考虑的是无放回抽样的情况，因此其方差计算方式也有所不同。
以下是关于超几何分布的方差公式的总结，包括其定义、公式推导及应用示例。
一、超几何分布的基本概念
设一个总体中有 $ N $ 个元素，其中 $ K $ 个是“成功”元素（如：合格品），其余 $ N-K $ 个为“失败”元素（如：不合格品）。从该总体中随机抽取 $ n $ 个样本（不放回），则在这 $ n $ 个样本中，有 $ k $ 个“成功”元素的概率服从超几何分布。
记 $ X \sim H(N, K, n) $，表示随机变量 $ X $ 服从参数为 $ (N, K, n) $ 的超几何分布。
二、超几何分布的期望与方差
| 公式名称 | 公式表达式 | 说明 |
| 期望（均值） | $ E(X) = n \cdot \frac{K}{N} $ | 表示在 $ n $ 次抽样中，平均成功次数 |
| 方差 | $ Var(X) = n \cdot \frac{K}{N} \cdot \left(1 - \frac{K}{N}\right) \cdot \frac{N - n}{N - 1} $ | 描述了随机变量 $ X $ 的波动程度 |
三、方差公式的理解
- 第一部分 $ n \cdot \frac{K}{N} $：这是类似二项分布的期望形式，表示在有放回抽样下的期望。
- 第二部分 $ \left(1 - \frac{K}{N}\right) $：表示失败的概率，与成功概率相乘得到二项分布的方差形式。
- 第三部分 $ \frac{N - n}{N - 1} $：这是有限总体校正因子，用于调整无放回抽样带来的影响。当 $ N $ 很大时，这一项接近于 1，此时超几何分布近似于二项分布。
四、示例分析
假设有一个包含 100 个产品（$ N=100 $）的批次，其中有 30 个是正品（$ K=30 $）。从中随机抽取 10 个（$ n=10 $）进行检验，求正品数量的方差。
根据公式：
$$
Var(X) = 10 \cdot \frac{30}{100} \cdot \left(1 - \frac{30}{100}\right) \cdot \frac{100 - 10}{100 - 1}
$$
$$
= 10 \cdot 0.3 \cdot 0.7 \cdot \frac{90}{99}
$$
$$
= 2.1 \cdot 0.9091 \approx 1.909
$$
因此，正品数量的方差约为 1.91。
五、总结
超几何分布的方差公式不仅反映了样本数量和总体结构的影响，还通过有限总体校正因子体现了无放回抽样的特性。相比二项分布，它的方差更小，因为随着样本抽取，成功的可能性逐渐降低。
对于实际问题中的抽样调查、质量控制等场景，了解超几何分布的方差有助于更准确地评估结果的稳定性与可靠性。
表格总结：
| 参数 | 符号 | 说明 |
| 总体大小 | $ N $ | 所有样本的总数 |
| 成功数 | $ K $ | 总体中具有某种特性的个体数 |
| 抽样数 | $ n $ | 从总体中抽取的样本数量 |
| 成功次数 | $ X $ | 随机变量，表示抽样中成功的次数 |
| 方差公式 | $ Var(X) = n \cdot \frac{K}{N} \cdot \left(1 - \frac{K}{N}\right) \cdot \frac{N - n}{N - 1} $ | 超几何分布的方差表达式 |