Példakérdések és a valószínűségeloszlás megvitatása
A valószínűségeloszlás a statisztika és a valószínűségszámítás egyik alapvető fogalma. Arra szolgál, hogy megértsük egy véletlenszám különböző értékeinek előfordulási valószínűségét. A valószínűségeloszlások sokféle formát ölthetnek az elemzett adatok jellegétől függően. A valószínűségeloszlások két leggyakoribb típusa a diszkrét és a folytonos. Ebben a cikkben számos példafeladatot tekintünk át, és a valószínűségeloszlásokat tárgyaljuk, hogy jobban megértsük ezt a témát.
Diszkrét eloszlás
A diszkrét eloszlás egy olyan eloszlás, amely egy diszkrét véletlen változó, azaz egy olyan változó valószínűségét számítja ki, amely csak bizonyos értékeket vehet fel. A diszkrét eloszlások jól ismert példái a binomiális eloszlás és a Poisson-eloszlás.
1. példa: Binomiális eloszlás
A binomiális eloszlás a Bernoulli-kísérletek sorozatában elért sikerek számát írja le. Minden Bernoulli-kísérletnek két kimenetele van: siker vagy kudarc. A siker valószínűsége a kísérlet során végig állandó marad.
Kérdés:
Egy gyógyszergyár egy új gyógyszert tesztel 10 betegen. Annak a valószínűsége, hogy a gyógyszer bármelyik betegnél hatni fog, 0.7. Számítsa ki annak a valószínűségét, hogy a gyógyszer 10 betegből pontosan 7-nél hatni fog.
Vita:
Az \(X\) véletlen változó binomiális eloszlást követ, ahol \(n = 10\) és \(p = 0.7\). A binomiális valószínűségi függvény:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
(k = 7) esetén:
\[P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
A binomiális együttható kiszámítása \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Valószínűségi értékek kiszámítása:
\[P(X = 7) = 120 szorozva (0.7)^7 szorozva (0.3)^3]
\[P(X = 7) \kb. 120 \szor 0.0823543 \szor 0.027 \]
\[ P(X = 7) \kb. 0.231 \]
Tehát annak a valószínűsége, hogy a gyógyszer pontosan 7 betegnél hat 10-ből, körülbelül 0.231, azaz 23.1%.
2. példa: Poisson-eloszlás
A Poisson-eloszlás egy ritka esemény adott idő- vagy térintervallumon belüli előfordulásainak számát modellezi.
Kérdés:
Egy üzletben átlagosan óránként 4 vásárló fordul meg. Mi a valószínűsége annak, hogy pontosan 5 vásárló fordul meg egy óra alatt?
Vita:
Az \(X\) véletlen változó Poisson-eloszlást követ \(\lambda = 4\) paraméterrel. A Poisson-féle valószínűségi tömegfüggvény:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
(k = 5) esetén:
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Szám:
\[P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \kb. 0.156 \]
Tehát annak a valószínűsége, hogy az üzlet pontosan 5 vásárlót fogad egy óra alatt, körülbelül 0.156, azaz 15.6%.
Folyamatos eloszlás
A folytonos eloszlásokat akkor használjuk, ha a mért valószínűségi változó egy adott tartományon belül bármilyen értéket felvehet. A folytonos eloszlások jól ismert példái a normális eloszlás és az exponenciális eloszlás.
3. példa: Normális eloszlás
A normális eloszlás, amelyet gyakran Gauss-eloszlásnak is neveznek, egy olyan eloszlás, amelyet gyakran használnak különböző területeken, beleértve a természettudományokat, a mérnöki tudományokat és a közgazdaságtant.
Kérdés:
Egy városban a felnőtt férfiak magassága normális eloszlást követ, átlagosan 170 cm, szórása pedig 10 cm. Mi a valószínűsége annak, hogy egy véletlenszerűen kiválasztott férfi 160 cm és 180 cm között van?
Vita:
Ki kell számolnunk a z-értéket 160 cm-re és 180 cm-re. A z-érték a következőképpen definiálható:
\[ Z = \frac{X – \mu}{\sigma} \]
Az \(X = 160\) esetén:
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Az \(X = 180\) esetén:
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Most meg kell vizsgálnunk a valószínűségi értékeket -1-től 1-ig a z táblázatban. A z = -1 és z = 1 közötti érték körülbelül 0.6826.
Tehát annak a valószínűsége, hogy egy véletlenszerűen kiválasztott férfi 160 cm és 180 cm magas, körülbelül 0.6826, azaz 68.26%.
4. példa: Exponenciális eloszlás
Az exponenciális eloszlást a Poisson-folyamat eseményei között eltelt idő modellezésére használják.
Kérdés:
Egy üzletben két vásárló érkezése között átlagosan 15 perc telik el. Mi a valószínűsége annak, hogy két vásárló érkezése között kevesebb, mint 10 perc telik el?
Vita:
Az exponenciális eloszlásnak van egy \lambda\ paramétere, amely az átlag inverze (\mu\). 15 perces átlaggal:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Az exponenciális kumulatív eloszlásfüggvény a következő:
∫P(X ≤ x) = 1 – e^{-λητι}]
x = 10 esetén:
\[P(X ≤ 10) = 1 – e^{-0.0667 × 10} \]
\[P(X ≤ 10) = 1 – e^{-0.667} \]
P(X ≤ 10) kb. 1 – 0.5134]
\[ P(X ≤ 10) \kb. 0.4866 \]
Tehát annak a valószínűsége, hogy két vásárló érkezése között kevesebb, mint 10 perc telik el, körülbelül 0.4866, azaz 48.66%.
Következtetés
A valószínűségi eloszlások, mind a diszkrét, mind a folytonos, nagyon hasznos fogalmak a véletlen változók viselkedésének modellezéséhez és megértéséhez. A binomiális és a Poisson-eloszlást gyakran használják diszkrét változók esetén, míg a normális és az exponenciális eloszlás a folytonos eloszlások példái.
Reméljük, hogy a fenti példákon keresztül jobban megértetted, hogyan kell kiszámítani és értelmezni a valószínűségeket a valószínűségeloszlásokban. Rendszeres gyakorlással a valószínűségeloszlások megértésének képessége fejlődni fog, és számos tudományterületen alkalmazható lesz.
