Παραδείγματα Ερωτήσεων και Συζήτηση για την Κατανομή Πιθανοτήτων
Η κατανομή πιθανότητας είναι μια από τις θεμελιώδεις έννοιες στη στατιστική και την πιθανοτική επιστήμη. Χρησιμοποιείται για την κατανόηση της πιθανότητας εμφάνισης διαφόρων τιμών ενός τυχαίου αριθμού. Οι κατανομές πιθανότητας μπορούν να λάβουν πολλές μορφές ανάλογα με τη φύση των δεδομένων που αναλύονται. Οι δύο πιο συνηθισμένοι τύποι κατανομών πιθανότητας είναι οι διακριτές και οι συνεχείς. Σε αυτό το άρθρο, θα εξετάσουμε διάφορα παραδείγματα προβλημάτων και θα συζητήσουμε τις κατανομές πιθανότητας για να μας βοηθήσουν να κατανοήσουμε καλύτερα αυτό το θέμα.
Διακριτή Κατανομή
Μια διακριτή κατανομή είναι μια κατανομή που υπολογίζει την πιθανότητα μιας διακριτής τυχαίας μεταβλητής, δηλαδή μιας μεταβλητής που μπορεί να λάβει μόνο ορισμένες τιμές. Γνωστά παραδείγματα διακριτών κατανομών είναι η Διωνυμική Κατανομή και η Κατανομή Poisson.
Παράδειγμα 1: Διωνυμική Κατανομή
Η διωνυμική κατανομή περιγράφει τον αριθμό των επιτυχιών σε μια σειρά δοκιμών Bernoulli. Κάθε δοκιμή Bernoulli έχει δύο αποτελέσματα: επιτυχία ή αποτυχία. Η πιθανότητα επιτυχίας παραμένει σταθερή καθ' όλη τη διάρκεια της δοκιμής.
Ερώτηση:
Μια φαρμακευτική εταιρεία δοκιμάζει ένα νέο φάρμακο σε 10 ασθενείς. Η πιθανότητα το φάρμακο να δράσει σε οποιονδήποτε ασθενή είναι 0.7. Υπολογίστε την πιθανότητα το φάρμακο να δράσει σε ακριβώς 7 από τους 10 ασθενείς.
Συζήτηση:
Η τυχαία μεταβλητή \(X\) ακολουθεί μια διωνυμική κατανομή με \(n = 10\) και \(p = 0.7\). Η διωνυμική συνάρτηση πιθανότητας είναι:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Για \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Υπολογισμός του διωνυμικού συντελεστή \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Υπολογισμός τιμών πιθανότητας:
\[ P(X = 7) = 120 φορές (0.7)^7 φορές (0.3)^3 \]
\[ P(X = 7) \περίπου 120 \χρόνοι 0.0823543 \χρόνοι 0.027 \]
\[ P(X = 7) \περίπου 0.231 \]
Έτσι, η πιθανότητα το φάρμακο να δράσει σε ακριβώς 7 στους 10 ασθενείς είναι περίπου 0.231 ή 23.1%.
Παράδειγμα 2: Κατανομή Poisson
Η κατανομή Poisson χρησιμοποιείται για να μοντελοποιήσει τον αριθμό των εμφανίσεων ενός σπάνιου συμβάντος μέσα σε ένα δεδομένο χρονικό ή χωρικό διάστημα.
Ερώτηση:
Ένα κατάστημα δέχεται κατά μέσο όρο 4 πελάτες ανά ώρα. Ποια είναι η πιθανότητα το κατάστημα να δέχεται ακριβώς 5 πελάτες σε μία ώρα;
Συζήτηση:
Η τυχαία μεταβλητή \(X\) ακολουθεί μια κατανομή Poisson με παράμετρο \(\lambda = 4\). Η συνάρτηση μάζας πιθανότητας Poisson είναι:
\[ P(X = k) = \frac{\λάμδα^ke^{-\λάμδα}}{k!} \]
Για \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Κόμης:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \περίπου \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \περίπου 0.156 \]
Έτσι, η πιθανότητα το κατάστημα να δεχτεί ακριβώς 5 πελάτες σε μία ώρα είναι περίπου 0.156 ή 15.6%.
Συνεχής Κατανομή
Οι συνεχείς κατανομές χρησιμοποιούνται όταν η τυχαία μεταβλητή που μετράται μπορεί να λάβει οποιαδήποτε τιμή εντός ενός συγκεκριμένου εύρους. Γνωστά παραδείγματα συνεχών κατανομών είναι η Κανονική Κατανομή και η Εκθετική Κατανομή.
Παράδειγμα 3: Κανονική Κατανομή
Η Κανονική Κατανομή, που συχνά ονομάζεται Γκαουσιανή Κατανομή, είναι μια κατανομή που χρησιμοποιείται συνήθως σε διάφορους τομείς, όπως η επιστήμη, η μηχανική και τα οικονομικά.
Ερώτηση:
Τα ύψη των ενήλικων ανδρών σε μια πόλη κατανέμονται κανονικά με μέσο όρο 170 cm και τυπική απόκλιση 10 cm. Ποια είναι η πιθανότητα ένας τυχαία επιλεγμένος άνδρας να έχει ύψος μεταξύ 160 cm και 180 cm;
Συζήτηση:
Πρέπει να υπολογίσουμε το z-score για 160 cm και 180 cm. Το z-score ορίζεται ως:
\[ Z = \frac{X – \mu}{\sigma} \]
Για \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Για \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Τώρα πρέπει να εξετάσουμε τις τιμές πιθανότητας από -1 έως 1 στον πίνακα z. Η τιμή από z = -1 έως z = 1 είναι περίπου 0.6826.
Έτσι, η πιθανότητα ένας τυχαία επιλεγμένος άνδρας να έχει ύψος μεταξύ 160 και 180 εκατοστών είναι περίπου 0.6826 ή 68.26%.
Παράδειγμα 4: Εκθετική Κατανομή
Η Εκθετική Κατανομή χρησιμοποιείται για τη μοντελοποίηση του χρόνου μεταξύ των γεγονότων σε μια διαδικασία Poisson.
Ερώτηση:
Ο μέσος χρόνος μεταξύ δύο αφίξεων πελατών σε ένα κατάστημα είναι 15 λεπτά. Ποια είναι η πιθανότητα ο χρόνος μεταξύ δύο αφίξεων πελατών να είναι λιγότερο από 10 λεπτά;
Συζήτηση:
Η Εκθετική Κατανομή έχει μια παράμετρο \(\lambda\) η οποία είναι το αντίστροφο του μέσου όρου (\(\mu\)). Με μέσο όρο 15 λεπτά:
\[ \λάμδα = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Η εκθετική αθροιστική συνάρτηση κατανομής είναι:
\[ P(X ≤ x) = 1 – e^{-\λάμδα x} \]
Για \(x = 10\):
\[ P(X ≤ 10) = 1 – e^{-0.0667 ≤ 10} \]
\[ P(X ≤ 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \περίπου 1 – 0.5134 \]
\[ P(X \leq 10) \περίπου 0.4866 \]
Έτσι, η πιθανότητα ο χρόνος μεταξύ δύο αφίξεων πελατών να είναι λιγότερο από 10 λεπτά είναι περίπου 0.4866 ή 48.66%.
Συμπέρασμα
Οι κατανομές πιθανότητας, τόσο οι διακριτές όσο και οι συνεχείς, είναι πολύ χρήσιμες έννοιες για τη μοντελοποίηση και την κατανόηση της συμπεριφοράς τυχαίων μεταβλητών. Οι διωνυμικές και οι κατανομές Poisson χρησιμοποιούνται συχνά για διακριτές μεταβλητές, ενώ οι κανονικές και οι εκθετικές κατανομές είναι παραδείγματα συνεχών κατανομών.
Μέσα από τα παραπάνω παραδείγματα, ελπίζουμε ότι έχετε κατανοήσει καλύτερα τον τρόπο υπολογισμού και ερμηνείας των πιθανοτήτων στις κατανομές πιθανοτήτων. Με συνεπή εξάσκηση, η ικανότητά σας να κατανοείτε τις κατανομές πιθανοτήτων θα βελτιωθεί και θα μπορεί να εφαρμοστεί σε διάφορους κλάδους.
