Binomijakauman odotusarvo
Binomijakauma on yksi yleisimmin esiintyvistä diskreeteistä todennäköisyysjakaumista tilastotieteessä ja todennäköisyyslaskennassa. Tämä jakauma kuvaa onnistumisten lukumäärää sarjassa riippumattomia binäärisiä kokeita (kokeita, joilla on vain kaksi lopputulosta: onnistuminen tai epäonnistuminen). Binomijakauman ymmärtämiseksi paremmin on tärkeää ymmärtää odotusarvon käsite, joka kuvaa pitkällä aikavälillä toistetun kokeen keskimääräistä arvoa. Tässä artikkelissa tarkastellaan odotusarvon käsitettä binomijakauman kontekstissa.
Binomijakauman määritelmä
Binomijakauma syntyy tilanteissa, joissa suoritamme useita identtisiä ja toisistaan riippumattomia kokeita, ja jokaisella kokeella on kaksi toisensa poissulkevaa lopputulosta, joita yleensä kutsutaan "onnistukseksi" ja "epäonnistukseksi". Esimerkiksi kolikon heittäminen (kruna tai klaava), tenttikysymykseen vastaaminen (tosi tai taru) tai lääketieteellinen koe (parantunut tai ei parantunut).
Binomijakauma määritellään kahdella parametrilla:
– n , kokeiden lukumäärä.
– p , kunkin kokeen onnistumistodennäköisyys.
Karkeasti sanottuna, jos X on satunnaismuuttuja, joka edustaa onnistumisten lukumäärää n yrityksessä, niin X noudattaa binomijakaumaa parametreilla n ja p, merkitään X ~ Binomial(n, p).
Todennäköisyysfunktio
Binomijakauman todennäköisyysfunktio on seuraava:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Jossa:
– \( \binom{n}{k} \) on binomikerroin, joka lasketaan muodossa \( \frac{n!}{k!(nk)!} \).
– \(k \) on haluttu onnistumisten lukumäärä.
– \(n \) on kokeiden lukumäärä.
– \(p \) on kunkin kokeen onnistumistodennäköisyys.
– \( (1-p) \) on kunkin kokeen epäonnistumistodennäköisyys.
Odotusarvo
Todennäköisyysjakauman odotusarvo eli keskiarvo on yksi tärkeimmistä keskeisen sijainnin mittareista. Binomijakaumassa satunnaismuuttujan X odotusarvo Binomial(n, p):n jälkeen on:
\[ E(X) = np \]
Odotusarvon todistus
Ymmärtääksemme, miksi binomijakauman odotusarvo on np, voimme käyttää odotusarvon lineaarisuusominaisuutta ja tarkastella, miten binäärimuuttujien kontribuutiot summautuvat.
Määritellään \(X \) n binäärikokeilun onnistumisten lukumääräksi. Tarkemmin sanottuna olkoon \(X_i \) satunnaismuuttuja, joka tarkoittaa i:nnen kokeen tulosta, missä \(X_i = 1 \), jos i:s koe onnistuu, ja \(X_i = 0 \), jos se epäonnistuu. Tällöin voimme kirjoittaa \(X \) muodossa:
\[ X = X_1 + X_2 + \ldots + X_n \]
Koska jokainen \(X_i \) on binäärimuuttuja, jonka onnistumistodennäköisyys on p, \(X_i \) :n odotusarvo on:
\[E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Voimme käyttää odotusarvon lineaarisuusominaisuutta X:n odotusarvolle:
\[ E(X) = E(X_1 + X_2 + ≤ √ + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + ⋅ pisteet + E(X_n) \]
\[ E(X) = p + p + ⋅ pisteet + p \]
\[ E(X) = np \]
Tämä osoittaa, että binomijakauman odotusarvo on np.
Havainnollistava esimerkki
Tarkastellaan tapausta, jossa heitämme reilua kolikkoa 10 kertaa. Kysytään, mikä olisi kruunaan johtavien heittojen lukumäärän odotusarvo.
Tässä tapauksessa:
– n = 10 (kolikonheittojen lukumäärä)
– p = 0.5 (kruunan saamisen todennäköisyys, koska kolikko on reilu)
Joten odotusarvo on:
\[ E(X) = np = 10 kertaa 0.5 = 5 \]
Tämä tarkoittaa, että jos heitämme kolikkoa 10 kertaa toistuvasti pitkällä aikavälillä, saamme keskimäärin kruunan 5 kertaa.
Varianssi ja keskihajonta
Odotusarvon lisäksi on tärkeää ymmärtää binomijakauman varianssi ja keskihajonta.
Binomijakauman varianssi \( \sigma^2 \) ja keskihajonta \( \sigma \) ovat seuraavat:
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]
Varianssi mittaa, kuinka paljon data poikkeaa odotetusta arvosta. Keskihajonta on varianssin neliöjuuri ja mittaa myös datan hajontaa, mutta samoissa yksiköissä kuin alkuperäinen data.
Johtopäätös
Binomijakauma on tilastotieteen ja todennäköisyyslaskennan peruskäsite, jota esiintyy usein erilaisissa tosielämän sovelluksissa liike-elämästä yhteiskuntatieteisiin ja biologiaan. Binomijakauman odotusarvo, joka lasketaan muodossa np, antaa tärkeää tietoa keskimääräisestä onnistumisten määrästä binäärikokeilujen sarjassa. Ymmärtämällä odotusarvon, varianssin ja keskihajonnan käsitteet voimme saada selkeämmän käsityksen binomijakauman ominaisuuksista ja siitä, miten se kuvaa tiettyjä ilmiöitä arkielämässä.
Tämä tieto on erittäin hyödyllistä paitsi data-analyysissä ja tilastoissa, myös päätöksenteossa, joka vaatii todennäköisyyden ja epävarmuuden arviointia. Odotusarvon ja binomijakauman ymmärtäminen voi auttaa meitä tekemään tarkempia ennusteita ja tietoisempia päätöksiä.
