Atendata Valoro de Binoma Distribuo
La binoma distribuo estas unu el la plej ofte renkontataj diskretaj probablodistribuoj en statistiko kaj probablokalkulo. Ĉi tiu distribuo priskribas la nombron da sukcesoj en serio de sendependaj duumaj provoj (provoj kun nur du rezultoj: sukceso aŭ malsukceso). Por pli bone kompreni la binoman distribuon, gravas kompreni la koncepton de atendata valoro, kiu priskribas la mezan valoron de provo ripetata dum longa tempo. Ĉi tiu artikolo revizios la koncepton de atendata valoro en la kunteksto de la binoma distribuo.
Difino de Binoma Distribuo
La binoma distribuo aperas en kuntekstoj kie ni plenumas plurajn identajn kaj sendependajn provojn, kaj ĉiu provo havas du reciproke ekskluzivajn rezultojn, kutime nomatajn "sukceso" kaj "malsukceso". Ekzemple, ĵeti moneron (kapo aŭ vosto), respondi ekzamenan demandon (vera aŭ malvera), aŭ kuracista provo (kuracita aŭ nekuracita).
La binoma distribuo estas difinita per du parametroj:
– n, nombro da provoj.
– p, la probableco de sukceso en ĉiu provo.
Malglate parolante, se X estas hazarda variablo reprezentanta la nombron da sukcesoj en n provoj, tiam X sekvas binoman distribuon kun parametroj n kaj p, indikita kiel X ~ Binomo(n, p).
Probablofunkcio
La probablofunkcio de la binoma distribuo estas jena:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Kie:
– \( \binom{n}{k} \) estas la binoma koeficiento, kiu estas kalkulata kiel \( \frac{n!}{k!(nk)!} \).
– \(k \) estas la dezirata nombro da sukcesoj.
– \(n \) estas la nombro de provoj.
– \(p\) estas la probableco de sukceso en ĉiu provo.
– \((1-p) \) estas la probableco de malsukceso en ĉiu provo.
Atendata Valoro
La atendata valoro aŭ meznombro de probabla distribuo estas unu el la plej gravaj mezuroj de centra lokigo. Por la binoma distribuo, la atendata valoro de hazarda variablo X kiu sekvas binomian(n, p) estas:
\[ E(X) = np \]
Pruvo de Atendata Valoro
Por kompreni kial la atendata valoro de la binoma distribuo estas np, ni povas uzi la linearecan propraĵon de la atendata valoro kaj vidi kiel la duumaj variabloj sumiĝas al sia kontribuo.
Ni difinu ∫(X) kiel la nombron da sukcesoj en n duumaj provoj. Pli specife, estu ∫(X_i) hazarda variablo indikanta la rezulton de la i-a provo, kun ∫(X_i = 1) se la i-a provo estas sukceso, kaj ∫(X_i = 0) se ĝi estas malsukceso. Tiam, ni povas skribi ∫(X) kiel:
\[ X = X_1 + X_2 + ... + X_n \]
Ĉar ĉiu ∫(X_i) estas duuma variablo kun probableco de sukceso p, la atendata valoro de ∫(X_i) estas:
E(X_i) = 1 ∫p + 0 ∫(1-p) = p
Ni povas uzi la linearecan propraĵon de atendata valoro por la atendata valoro de X:
\[ E(X) = E(X₁ + X₂ + ... + X₄) \]
E(X) = E(X_1) + E(X_2) + ... + E(X_n)
E(X) = p + p + ... + p
\[ E(X) = np \]
Tio montras, ke la atendata valoro de la binoma distribuo estas np.
Ilustra Ekzemplo
Konsideru la kazon, kie ni ĵetas moneron 10 fojojn. Ni demandu, kia estus la atendata valoro de la nombro da ĵetoj, kiuj rezultigas kapojn.
En ĉi tiu kazo:
– n = 10 (nombro de monerĵetoj)
– p = 0.5 (probablo ricevi kapojn, ĉar la monero estas justa)
Do, la atendata valoro estas:
E(X) = np = 10 × 0.5 = 5
Tio signifas, ke se ni ĵetas moneron 10 fojojn plurfoje dum longa tempo, averaĝe ni ricevos kapojn 5 fojojn.
Varianco kaj Norma Devio
Aldone al la atendata valoro, gravas ankaŭ kompreni la variancon kaj norman devion de la binoma distribuo.
Por la binoma distribuo, la varianco σ² kaj la norma devio σ estas jenaj:
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]
Varianco mezuras kiom malproksime la datumoj estas disigitaj de la atendata valoro. La norma devio estas la kvadrata radiko de la varianco kaj ankaŭ mezuras la disvastiĝon de la datumoj, sed en la samaj unuoj kiel la originalaj datumoj.
Konkludo
La binoma distribuo estas fundamenta koncepto en statistiko kaj probablokalkulo, ofte renkontata en diversaj realmondaj aplikoj, de komerco ĝis sociaj sciencoj kaj biologio. La atendata valoro de la binoma distribuo, kalkulita kiel np, provizas gravajn komprenojn pri la averaĝa nombro da sukcesoj en serio de duumaj provoj. Komprenante la konceptojn de atendata valoro, varianco kaj norma devio, ni povas akiri pli klaran komprenon pri la karakterizaĵoj de la binoma distribuo kaj kiel ĝi priskribas certajn fenomenojn en la ĉiutaga vivo.
Ĉi tiu scio estas ekstreme utila ne nur en datumanalizo kaj statistiko, sed ankaŭ en decidiĝo, kiu postulas taksadon de probableco kaj necerteco. Kompreni atendatan valoron kaj la binoman distribuon povas helpi nin fari pli precizajn prognozojn kaj fari pli informitajn decidojn.
