A binomiális eloszlás várható értéke
A binomiális eloszlás az egyik leggyakrabban előforduló diszkrét valószínűségi eloszlás a statisztikában és a valószínűségszámításban. Ez az eloszlás a sikeres kísérletek számát írja le egy sorozat független bináris kísérletben (olyan kísérletek, amelyeknek csak két kimenetele van: siker vagy kudarc). A binomiális eloszlás jobb megértéséhez fontos megérteni a várható érték fogalmát, amely egy hosszú távon megismételt kísérlet átlagos értékét írja le. Ez a cikk a várható érték fogalmát tekinti át a binomiális eloszlás kontextusában.
A binomiális eloszlás definíciója
A binomiális eloszlás olyan esetekben merül fel, amikor több azonos és független kísérletet végzünk, és minden kísérletnek két, egymást kizáró eredménye van, amelyeket általában „sikernek” és „kudarcnak” nevezünk. Például egy érme feldobása (fej vagy írás), egy vizsgakérdésre való válaszadás (igaz vagy hamis), vagy egy orvosi vizsgálat (gyógyult vagy nem gyógyult).
A binomiális eloszlást két paraméter határozza meg:
– n , a próbálkozások száma.
– p , az egyes próbák sikerének valószínűsége.
Nagyjából fogalmazva, ha X egy valószínűségi változó, amely n kísérletből álló sikeres események számát jelöli, akkor X binomiális eloszlást követ n és p paraméterekkel, jelölése: X ~ Binomial(n, p).
Valószínűségi függvény
A binomiális eloszlás valószínűségi függvénye a következő:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Ahol:
– \( \binom{n}{k} \) a binomiális együttható, amelyet a következőképpen számítunk ki: \( \frac{n!}{k!(nk)!} \).
– \(k \) a sikerek kívánt száma.
– \(n \) a próbálkozások száma.
– \(p \) az egyes kísérletek sikerének valószínűsége.
– \( (1-p) \) az egyes kísérletek kudarcának valószínűsége.
Várható érték
A valószínűségi eloszlás várható értéke vagy átlaga a centrális elhelyezkedés egyik legfontosabb mérőszáma. Binomiális eloszlás esetén a Binomial(n, p) eloszlást követő X véletlen változó várható értéke:
_[E(X) = np_]
A várható érték bizonyítása
Annak megértéséhez, hogy a binomiális eloszlás várható értéke miért np, felhasználhatjuk a várható érték linearitási tulajdonságát, és megnézhetjük, hogyan adódnak össze a bináris változók a hozzájárulásukhoz.
Definiáljuk X-et n bináris kísérlet sikerességeinek számaként. Pontosabban, legyen X_i egy véletlen változó, amely az i-edik kísérlet kimenetelét jelöli, ahol X_i = 1, ha az i-edik kísérlet sikeres, és X_i = 0, ha kudarc. Ekkor X-et a következőképpen írhatjuk fel:
\[ X = X_1 + X_2 + \ldots + X_n \]
Mivel minden \(X_i \) egy bináris változó, p valószínűséggel, az \(X_i \) várható értéke:
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Az X várható értékére a várható érték linearitási tulajdonságát használhatjuk:
\[ E(X) = E(X_1 + X_2 + ≤ + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
_[E(X) = np_]
Ez azt mutatja, hogy a binomiális eloszlás várható értéke np.
Szemléltető példa
Tekintsük azt az esetet, amikor egy szabályos érmét tízszer feldobunk. Tegyük fel a kérdést, hogy mi a fejet eredményező feldobások számának várható értéke.
Ebben az esetben:
– n = 10 (érmefeldobások száma)
– p = 0.5 (fej dobásának valószínűsége, mivel az érme szabályos)
Tehát a várható érték:
\[ E(X) = np = 10 szorozva 0.5 = 5 \]
Ez azt jelenti, hogy ha hosszú távon tízszer ismételten feldobunk egy érmét, átlagosan ötször kapunk fejet.
Variancia és szórás
A várható érték mellett fontos megérteni a binomiális eloszlás varianciáját és szórását is.
A binomiális eloszlás esetében a variancia \( \sigma^2 \) és a szórás \( \sigma \) a következő:
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]
A variancia azt méri, hogy az adatok mennyire térnek el a várható értéktől. A szórás a variancia négyzetgyöke, és szintén az adatok szórását méri, de ugyanabban a mértékegységben, mint az eredeti adatok.
Következtetés
A binomiális eloszlás a statisztika és a valószínűségszámítás alapvető fogalma, amellyel gyakran találkozunk a valós alkalmazásokban, az üzleti élettől a társadalomtudományokon át a biológiáig. A binomiális eloszlás várható értéke, amelyet np-ként számítunk ki, fontos betekintést nyújt a bináris kísérletek sorozatában a sikerek átlagos számába. A várható érték, a variancia és a szórás fogalmának megértésével világosabb képet kaphatunk a binomiális eloszlás jellemzőiről és arról, hogy hogyan írja le a mindennapi élet bizonyos jelenségeit.
Ez a tudás rendkívül hasznos nemcsak az adatelemzésben és a statisztikában, hanem a valószínűség és a bizonytalanság értékelését igénylő döntéshozatalban is. A várható érték és a binomiális eloszlás megértése segíthet pontosabb előrejelzéseket tenni és megalapozottabb döntéseket hozni.
