Očekivana vrijednost binomne distribucije
Binomna distribucija jedna je od najčešćih diskretnih distribucija vjerojatnosti u statistici i vjerojatnosti. Ova distribucija opisuje broj uspjeha u nizu neovisnih binarnih pokušaja (pokušaji sa samo dva ishoda: uspjeh ili neuspjeh). Kako bismo bolje razumjeli binomnu distribuciju, važno je razumjeti koncept očekivane vrijednosti, koji opisuje prosječnu vrijednost niza ponovljenih pokušaja tijekom dugog razdoblja. Ovaj članak će pregledati koncept očekivane vrijednosti u kontekstu binomne distribucije.
Definicija binomne distribucije
Binomna distribucija nastaje u kontekstima gdje provodimo niz identičnih i neovisnih pokušaja, a svaki pokušaj ima dva međusobno isključiva ishoda, obično nazvana "uspjeh" i "neuspjeh". Na primjer, bacanje novčića (glava ili rep), odgovaranje na ispitno pitanje (točno ili netočno) ili medicinsko ispitivanje (izliječen ili neizliječen).
Binomna distribucija definirana je s dva parametra:
– n, broj pokušaja.
– p , vjerojatnost uspjeha u svakom pokušaju.
Grubo govoreći, ako je X slučajna varijabla koja predstavlja broj uspjeha u n pokušaja, tada X slijedi binomnu distribuciju s parametrima n i p, označenu kao X ~ Binomial(n, p).
Funkcija vjerojatnosti
Funkcija vjerojatnosti 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 vjerojatnost uspjeha u svakom pokušaju.
– \( (1-p) \) je vjerojatnost neuspjeha u svakom pokušaju.
Očekivana vrijednost
Očekivana vrijednost ili srednja vrijednost distribucije vjerojatnosti jedna je od najvažnijih mjera središnjeg položaja. 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 upotrijebiti svojstvo linearnosti očekivane vrijednosti i vidjeti kako se binarne varijable zbrajaju u svom doprinosu.
Definirajmo \( X \) kao broj uspjeha u n binarnih pokušaja. Točnije, 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 zapisati \( X \) kao:
\[ X = X_1 + X_2 + \ldots + X_n \]
Budući da je svaki \( X_i \) binarna varijabla s vjerojatnošću uspjeha p, očekivana vrijednost \( X_i \) je:
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Za očekivanu vrijednost X možemo koristiti svojstvo linearnosti očekivane vrijednosti:
\[ E(X) = E(X_1 + X_2 + \ldots + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
\[ E(X) = np \]
To 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 (vjerojatnost dobivanja glave, budući da je novčić pošten)
Dakle, očekivana vrijednost je:
\[ E(X) = np = 10 \puta 0.5 = 5 \]
To znači da ako bacamo novčić 10 puta uzastopno tijekom dugog razdoblja, u prosjeku ćemo 5 puta dobiti glavu.
Varijanca i standardna devijacija
Osim očekivane vrijednosti, važno je razumjeti i varijancu 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 varijance i također mjeri raspršenost podataka, ali u istim jedinicama kao i izvorni podaci.
Zaključak
Binomna distribucija je temeljni koncept u statistici i vjerojatnosti, koji se često susreće u raznim stvarnim primjenama, od poslovanja do društvenih znanosti i biologije. Očekivana vrijednost binomne distribucije, izračunata kao np, pruža važan uvid u prosječan broj uspjeha u nizu binarnih pokušaja. Razumijevanjem koncepata očekivane vrijednosti, varijance i standardne devijacije možemo dobiti 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 vjerojatnosti i nesigurnosti. Razumijevanje očekivane vrijednosti i binomne distribucije može nam pomoći da donosimo točnija predviđanja i informiranije odluke.
