Eksempelspørgsmål og diskussion af sandsynlighedsfordeling
Sandsynlighedsfordeling er et af de grundlæggende begreber inden for statistik og sandsynlighed. Den bruges til at forstå sandsynligheden for, at forskellige værdier af et tilfældigt tal forekommer. Sandsynlighedsfordelinger kan antage mange former afhængigt af arten af de data, der analyseres. De to mest almindelige typer sandsynlighedsfordelinger er diskrete og kontinuerte. I denne artikel vil vi gennemgå flere eksempler på problemer og diskutere sandsynlighedsfordelinger for at hjælpe os med bedre at forstå dette emne.
Diskret fordeling
En diskret fordeling er en fordeling, der beregner sandsynligheden for en diskret stokastisk variabel, det vil sige en variabel, der kun kan antage bestemte værdier. Kendte eksempler på diskrete fordelinger er binomialfordelingen og poissonfordelingen.
Eksempel 1: Binomialfordeling
Den binomiale fordeling beskriver antallet af succeser i en serie af Bernoulli-forsøg. Hvert Bernoulli-forsøg har to udfald: succes eller fiasko. Sandsynligheden for succes forbliver konstant gennem hele forsøget.
Spørgsmål:
En medicinalvirksomhed tester et nyt lægemiddel på 10 patienter. Sandsynligheden for, at lægemidlet virker på en hvilken som helst patient, er 0.7. Beregn sandsynligheden for, at lægemidlet virker på præcis 7 ud af 10 patienter.
Diskussion:
Den stokastiske variabel \(X\) følger en binomialfordeling med \(n = 10\) og \(p = 0.7\). Den binomiale sandsynlighedsfunktion er:
[P(X = k) = \binom{n}{k} p^k(1 – p)^{n – k} \]
For \(k = 7\):
[P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Beregning af binomialkoefficienten \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Beregning af sandsynlighedsværdier:
[P(X = 7) = 120 × (0.7)^7 × (0.3)^3]
[P(X = 7) = ca. 120 x 0.0823543 x 0.027]
[P(X = 7) = ca. 0.231]
Så sandsynligheden for, at lægemidlet virker hos præcis 7 ud af 10 patienter, er omkring 0.231 eller 23.1 %.
Eksempel 2: Poisson-fordeling
Poisson-fordelingen bruges til at modellere antallet af forekomster af en sjælden begivenhed inden for et givet tids- eller ruminterval.
Spørgsmål:
En butik får i gennemsnit 4 kunder i timen. Hvad er sandsynligheden for, at butikken får præcis 5 kunder på en time?
Diskussion:
Den stokastiske variabel \(X\) følger en Poisson-fordeling med parameter \(\lambda = 4\). Poisson-sandsynlighedsmassefunktionen er:
[P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
For \(k = 5\):
[P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Tælle:
[P(X = 5) = 1024 e^{-4}}{120}]
[P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
[P(X = 5) = ca. 0.156]
Så sandsynligheden for, at butikken modtager præcis 5 kunder på en time, er omkring 0.156 eller 15.6 %.
Kontinuerlig distribution
Kontinuerlige fordelinger bruges, når den stokastiske variabel, der måles, kan antage en hvilken som helst værdi inden for et bestemt interval. Kendte eksempler på kontinuerlige fordelinger er normalfordelingen og eksponentielfordelingen.
Eksempel 3: Normalfordeling
Normalfordelingen, ofte kaldet den Gaussiske fordeling, er en fordeling, der almindeligvis anvendes inden for forskellige områder, herunder videnskab, ingeniørvidenskab og økonomi.
Spørgsmål:
Højden af voksne mænd i en by er normalfordelt med en gennemsnitshøjde på 170 cm og en standardafvigelse på 10 cm. Hvad er sandsynligheden for, at en tilfældigt udvalgt mand er mellem 160 cm og 180 cm høj?
Diskussion:
Vi skal beregne z-scoren for 160 cm og 180 cm. Z-scoren er defineret som:
\[ Z = \frac{X – \mu}{\sigma} \]
For \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
For \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Nu skal vi se på sandsynlighedsværdierne fra -1 til 1 i z-tabellen. Værdien fra z = -1 til z = 1 er cirka 0.6826.
Så sandsynligheden for, at en tilfældigt udvalgt mand er mellem 160 cm og 180 cm høj, er cirka 0.6826 eller 68.26%.
Eksempel 4: Eksponentiel fordeling
Eksponentielfordelingen bruges til at modellere tiden mellem begivenheder i en Poisson-proces.
Spørgsmål:
Den gennemsnitlige tid mellem to kunders ankomster i en butik er 15 minutter. Hvad er sandsynligheden for, at tiden mellem to kunders ankomster er mindre end 10 minutter?
Diskussion:
Eksponentielfordelingen har en parameter \(\lambda\), som er den inverse af middelværdien (\(\mu\)). Med en middelværdi på 15 minutter:
[\lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Den eksponentielle kumulative fordelingsfunktion er:
[P(X ≤ x) = 1 – e^{-Δx}]
For \(x = 10\):
[P(X ≤ 10) = 1 – e⁻{-0.0667 × 10}]
[P(X ≤ 10) = 1 – e^{-0.667}]
[P(X ≤ 10) = ca. 1 – 0.5134]
[P(X ≤ 10) = ca. 0.4866]
Så sandsynligheden for, at tiden mellem to kunders ankomster er mindre end 10 minutter, er omkring 0.4866 eller 48.66 %.
Konklusion
Sandsynlighedsfordelinger, både diskrete og kontinuerte, er meget nyttige koncepter til modellering og forståelse af stokastiske variablers opførsel. Binomial- og Poisson-fordelinger bruges ofte til diskrete variabler, mens normal- og eksponentielfordelinger er eksempler på kontinuerte fordelinger.
Vi håber, at du gennem ovenstående eksempler har fået en bedre forståelse af, hvordan man beregner og fortolker sandsynligheder i sandsynlighedsfordelinger. Med konsekvent øvelse vil din evne til at forstå sandsynlighedsfordelinger forbedres, og den kan anvendes på tværs af forskellige discipliner.
