Probabilidad de intersección del muestreo múltiple de la misma población.

Aquí hay un caso de ejemplo:

• Tengo una población de 10,000 artículos. Cada artículo tiene una identificación única.
• Escojo al azar 100 artículos y anoto los identificadores
• Puse los 100 artículos nuevamente en la población
• Elijo aleatoriamente 100 artículos nuevamente, anoto los identificadores y los reemplazo.
• En total, repito este muestreo aleatorio 5 veces

¿Cuál es la probabilidad de que aparezca $X$ número de elementos en los 5 muestreos aleatorios?

No estoy muy versado en estadísticas. ¿Sería esto correcto para $X = 10$ ?

• Para cada muestreo, el número de combinaciones posibles de 100 elementos de 10,000 es ${\rm binom}(10000, 100)$
• Fuera de todas las combinaciones posibles de 100 elementos, combinaciones contienen 10 elementos específicos${\rm binom}(9990, 90) * {\rm binom}(100, 10)$
• La probabilidad de tener 10 elementos específicos es $({\rm binom}(9990, 90) * {\rm binom}(100, 10)) / {\rm binom}(10000, 100)$
• La probabilidad calculada para la potencia de 5 representaría 5 muestreos independientes.

¿Entonces esencialmente estamos calculando 5 probabilidades hipergeométricas independientes y luego multiplicándolas juntas? Siento que me falta un paso en alguna parte.

Calcule las posibilidades recursivamente.

Sea la probabilidad de que exactamente x valores, 0 ≤ x ≤ k , se seleccionen en todos los sorteos independientes s ≥ 1 de k ítems (sin reemplazo) de una población de n ≥ k > 0 miembros. (Mantengamos n y k fijos durante la duración del análisis para que no tengan que mencionarse explícitamente).$p_s(x)$$x$$0 \le x \le k$$s\ge 1$$k$$n \ge k \gt 0$$n$$k$

Sea la probabilidad de que si se seleccionan exactamente los valores y en los primeros sorteos s - 1 , entonces x ≤ y de ellos se seleccionen en el último sorteo. Entonces porque hay ($p_s(x\mid y)$$y$$s-1$$x \le y$ subconjuntos deelementosxde esoselementosy, y ( n-$\binom{y}{x}$$x$$y$ subconjuntos de loselementosk-xrestantesse seleccionan por separado de los otrosn-ymiembros de la población,$\binom{n-y}{k-x}$$k-x$$n-y$

La ley de probabilidad total afirma

Para , es una certeza que x = k : esta es la distribución inicial.$s=1$$x=k$

El cálculo total necesario para obtener la distribución completa a través de repeticiones es O ( k 2 s ) . No solo es razonablemente rápido, el algoritmo es fácil. Un escollo que aguarda al programador incauto es que estas probabilidades pueden volverse extremadamente pequeñas y los cálculos de punto flotante de flujo inferior. La siguiente implementación evita esto al calcular los valores de log ( p s ( x ) ) en las columnas 1 , 2 , ... , s de una matriz.$s$$O(k^2 s)$R$\log(p_s(x))$$1, 2, \ldots, s$

lp <- function(s, n, k) {
  P <- matrix(NA, nrow=k+1, ncol=s, dimnames=list(0:k, 1:s))
  P[, 1] <- c(rep(-Inf, k), 0)
  for (u in 2:s) 
    for (i in 0:k) {
      q <- P[i:k+1, u-1] + lchoose(i:k, i) + lchoose(n-(i:k), k-i) - lchoose(n, k)
      q.0 <- max(q, na.rm=TRUE)
      P[i+1, u] <- q.0 + log(sum(exp(q - q.0)))
    }
  return(P)
}
p <- function(...) zapsmall(exp(lp(...)))

La respuesta a la pregunta se obtiene dejando que n = 10 000 = 10 4 , y k = 100 = 10 2 . $s=5,$ $n=10000=10^4$$k=100=10^2$ La salida es una matriz de , pero la mayoría de los números son tan pequeños que podemos centrarnos en x muy pequeños . Aquí están las primeras cuatro filas correspondientes a x = 0 , 1 , 2 , 3 :$101\times 5$$x$$x=0,1,2,3$

p(5, 1e4, 1e2)[1:4, ]

La salida es

  1         2         3      4        5
0 0 0.3641945 0.9900484 0.9999 0.999999
1 0 0.3715891 0.0099034 0.0001 0.000001
2 0 0.1857756 0.0000481 0.0000 0.000000
3 0 0.0606681 0.0000002 0.0000 0.000000

Los valores de etiquetan las filas mientras que los valores de s etiquetan las columnas. La columna 5 muestra la posibilidad de que un elemento aparezca en las cinco muestras es minúscula (aproximadamente uno en un millón) y esencialmente no hay posibilidad de que aparezcan dos o más elementos en las cinco muestras.$x$$s$

Si desea ver cuán pequeñas son estas posibilidades, mire sus logaritmos. Base 10 es conveniente y no necesitamos muchos dígitos:

u <- lp(5, 1e4, 1e2)[, 5]
signif(-u[-1] / log(10), 3)

La salida nos dice cuántos ceros hay después del punto decimal:

    1     2     3     4     5     6     7     8     9    10  ...   97    98    99   100 
  6.0  12.3  18.8  25.5  32.3  39.2  46.2  53.2  60.4  67.6 ... 917.0 933.0 949.0 967.0 

Los números en la fila superior son valores de . Por ejemplo, la posibilidad de que aparezcan exactamente tres valores en las cinco muestras se encuentra mediante la computación , dando $x$exp(u[4]) y de hecho esto tiene 18 ceros antes del primer dígito significativo. Como verificación, el último valor 967.0 es una versión redondeada de 967.26 . ($0.000\,000\,000\,000\,000\,000\,1434419\ldots$$18$$967.0$$967.26$(que cuenta las posibilidades de que la primera muestra vuelva a aparecer en las siguientes cuatro muestras) es igual a10-967.26$\binom{10000}{100}^{-4}$$10^{-967.26}.$

Me encontré con un problema similar y, aunque tampoco sé si esta es la solución correcta, lo abordé así:

Usted está interesado en la aparición de ítems en 5 muestras á 100 ítems de 10 , 000 ítems en total. Se podría pensar en una urna con X bolas blancas y 10 , 000 - X bolas negras. Se sacan 100 bolas y p h es la probabilidad de que tengas todas las X bolas blancas en tu set. Si haces esto 5 veces (independientemente), lo multiplicaría: p = p h 5 .$X$$100$$10,000$$X$$10,000-X$$100$$p_h$$X$$5$$p = {p_h}^5$

$p_h$$5$$5$$p = {5\choose 5}{p_h}^5 (1-{p_h})^{5-5} = {p_h}^5$

¿Cuál es la probabilidad de que aparezca X$X$

$X$$X$$X$$X$$X$$P = \frac{{X \choose X}{10000-X \choose 100-X}}{10000 \choose 100}$$P^5$

$X$$10000 \choose X$$X$${10000 \choose X} P^5$