Očekivana vrijednost binomne distribucije
Binomna distribucija je jedna od najčešće korištenih diskretnih distribucija vjerovatnoće u statistici i vjerovatnoći. Ova distribucija opisuje broj uspjeha u nizu nezavisnih binarnih pokušaja (pokušaja sa samo dva ishoda: uspjehom ili neuspjehom). Da bismo bolje razumjeli binomnu distribuciju, važno je razumjeti koncept očekivane vrijednosti, koji opisuje prosječnu vrijednost pokušaja ponovljenog tokom dužeg perioda. Ovaj članak će razmotriti koncept očekivane vrijednosti u kontekstu binomne distribucije.
Definicija binomne distribucije
Binomna distribucija se javlja u kontekstima gdje provodimo niz identičnih i nezavisnih ispitivanja, a svako ispitivanje ima dva međusobno isključiva ishoda, obično nazvana "uspjeh" i "neuspjeh". Na primjer, bacanje novčića (glava ili rep), odgovaranje na ispitno pitanje (tačno ili netačno) ili medicinsko ispitivanje (izliječen ili neizliječen).
Binomna distribucija je definirana s dva parametra:
– n, broj pokušaja.
– p , vjerovatnoća uspjeha u svakom pokušaju.
Grubo govoreći, ako je X slučajna varijabla koja predstavlja broj uspjeha u n pokušaja, tada X prati binomnu distribuciju s parametrima n i p, označenu kao X ~ Binom(n, p).
Funkcija vjerovatnoće
Funkcija vjerovatnoće binomne distribucije je sljedeća:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Gdje:
– \( \binom{n}{k} \) je binomni koeficijent, koji se izračunava kao \( \frac{n!}{k!(nk)!} \).
– \( k \) je željeni broj uspjeha.
– \(n \) je broj pokušaja.
– \( p \) je vjerovatnoća uspjeha u svakom pokušaju.
– \( (1-p) \) je vjerovatnoća neuspjeha u svakom pokušaju.
Očekivana vrijednost
Očekivana vrijednost ili srednja vrijednost distribucije vjerovatnoće jedna je od najvažnijih mjera centralne lokacije. Za binomnu distribuciju, očekivana vrijednost slučajne varijable X koja slijedi iza Binomial(n, p) je:
\[ E(X) = np \]
Dokaz očekivane vrijednosti
Da bismo razumjeli zašto je očekivana vrijednost binomne distribucije np, možemo koristiti svojstvo linearnosti očekivane vrijednosti i vidjeti kako se binarne varijable zbrajaju u svom doprinosu.
Definirajmo \( X \) kao broj uspjeha u n binarnih pokušaja. Preciznije, neka \( X_i \) bude slučajna varijabla koja označava ishod i-tog pokušaja, gdje je \( X_i = 1 \) ako je i-ti pokušaj uspješan, a \( X_i = 0 \) ako je neuspješan. Tada možemo napisati \( X \) kao:
\[ X = X_1 + X_2 + \ldots + X_n \]
Budući da je svaki \( X_i \) binarna varijabla sa vjerovatnoćom uspjeha p, očekivana vrijednost \( X_i \) je:
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Možemo koristiti svojstvo linearnosti očekivane vrijednosti za očekivanu vrijednost X:
\[ E(X) = E(X_1 + X_2 + \ldots + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
\[ E(X) = np \]
Ovo pokazuje da je očekivana vrijednost binomne distribucije np.
Ilustrativni primjer
Razmotrimo slučaj u kojem bacamo novčić 10 puta. Zapitajmo se koja bi bila očekivana vrijednost broja bacanja koja rezultiraju glavom.
U ovom slučaju:
– n = 10 (broj bacanja novčića)
– p = 0.5 (vjerovatnoća da padne glava, jer je novčić pošten)
Dakle, očekivana vrijednost je:
\[ E(X) = np = 10 \puta 0.5 = 5 \]
To znači da ako bacamo novčić 10 puta uzastopno tokom dužeg perioda, u prosjeku ćemo 5 puta dobiti glavu.
Varijanca i standardna devijacija
Pored očekivane vrijednosti, važno je razumjeti i varijansu i standardnu devijaciju binomne distribucije.
Za binomnu distribuciju, varijanca \( \sigma^2 \) i standardna devijacija \( \sigma \) su sljedeće:
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]
Varijanca mjeri koliko su podaci raspršeni od očekivane vrijednosti. Standardna devijacija je kvadratni korijen varijanse i također mjeri raspršenost podataka, ali u istim jedinicama kao i originalni podaci.
Zaključak
Binomna distribucija je fundamentalni koncept u statistici i vjerovatnoći, koji se često susreće u raznim primjenama u stvarnom svijetu, od poslovanja do društvenih nauka i biologije. Očekivana vrijednost binomne distribucije, izračunata kao np, pruža važan uvid u prosječan broj uspjeha u nizu binarnih pokušaja. Razumijevanjem koncepata očekivane vrijednosti, varijanse i standardne devijacije, možemo steći jasnije razumijevanje karakteristika binomne distribucije i kako ona opisuje određene pojave u svakodnevnom životu.
Ovo znanje je izuzetno korisno ne samo u analizi podataka i statistici, već i u donošenju odluka koje zahtijevaju procjenu vjerovatnoće i neizvjesnosti. Razumijevanje očekivane vrijednosti i binomne distribucije može nam pomoći da donosimo tačnija predviđanja i informiranije odluke.
