超几何分布概率最大公式及结论-超几何分布最大概率结论

在概率论与统计学的基础理论中，超几何分布作为描述不放回抽样模型的经典分布，其核心特性往往被广泛讨论，但关于其概率取得最大值的具体公式与结论，常因表述歧义而引发探讨。综合大量权威统计文献与大学概率课程的教学内容，可以明确：在固定总体大小 $N$、成功项数 $K$ 和抽取样本数 $n$ 的条件下，超几何分布 $H(N, K, n)$ 的期望值为 $E(X) = n frac{K}{N}$，方差为 $Var(X) = n frac{K}{N} frac{N-K}{N} frac{N-n}{N-1}$。直接依据方差公式判断“概率最大”是不严谨的，因为方差大并不等同于分布集中度高。真正决定概率分布形态的关键在于样本 $n$ 的相对大小。当抽取的样本量 $n$ 处于总体大小 $N$ 的较低比例（即较小的 $n/N$）时，随着 $n$ 的增加，分布曲线会逐渐向右移动并变得更加集中。
因此，超几何分布概率取得最大值的位置，并非固定不变，而是随着样本量 $n$ 的增大，其概率质量函数 $P(X=k)$ 会在某个特定的 $k$ 值处达到峰值。对于固定的 $n$，该峰值对应的成功次数 $k$ 近似等于 $E(X)$，即 $k approx n frac{K}{N}$。若 $k$ 为非整数，则概率在 $k$ 和 $k+1$ 处分别取得最大值处，需根据具体的边界条件进一步验证。

核心结论解析

在实际研究与应用中，理解超几何分布的最大概率点至关重要。其结论可归纳为：

1.期望值近似峰值：对于固定的抽取量 $n$，概率分布的峰值通常位于期望值 $E(X)$ 附近，即 $k = text{floor}(n frac{K}{N})$ 或 $k = text{ceil}(n frac{K}{N})$ 处。

2.单调性趋势：随着抽取样本量 $n$ 的增加，分布的期望值线性增长，且分布的形状从分散逐渐收敛于正态分布的形态。

3.边界限制：概率最大值的 $k$ 必须满足 $0 le k le N$ 且 $0 le k le n$ 的约束条件。

一旦知晓这一规律，结合具体的业务场景，即可快速估算在何种抽取量下最容易出现特定成功状态。

直观图示演示

若参数改变，设为 $N=50, K=10, n=10$，则期望值为 $E(X) = 10 times 10/50 = 2$。

图 2：$N=50, K=10, n=10$

图 2 显示随着 $K$ 减小，分布峰值向左移动，集中在 2 附近。