Przykładowe pytania i dyskusja na temat rozkładu prawdopodobieństwa
Rozkład prawdopodobieństwa jest jednym z fundamentalnych pojęć w statystyce i rachunku prawdopodobieństwa. Służy do zrozumienia prawdopodobieństwa wystąpienia różnych wartości liczby losowej. Rozkłady prawdopodobieństwa mogą przybierać różne formy, w zależności od charakteru analizowanych danych. Dwa najpopularniejsze typy rozkładów prawdopodobieństwa to rozkład dyskretny i rozkład ciągły. W tym artykule omówimy kilka przykładowych problemów i rozkłady prawdopodobieństwa, aby lepiej zrozumieć ten temat.
Dystrybucja dyskretna
Rozkład dyskretny to rozkład obliczający prawdopodobieństwo zmiennej losowej dyskretnej, czyli zmiennej, która może przyjmować tylko określone wartości. Znanymi przykładami rozkładów dyskretnych są rozkład dwumianowy i rozkład Poissona.
Przykład 1: Rozkład dwumianowy
Rozkład dwumianowy opisuje liczbę sukcesów w serii prób Bernoulliego. Każda próba Bernoulliego ma dwa wyniki: sukces lub porażkę. Prawdopodobieństwo sukcesu pozostaje stałe przez cały czas trwania próby.
Pytanie:
Firma farmaceutyczna testuje nowy lek na 10 pacjentach. Prawdopodobieństwo, że lek zadziała u dowolnego pacjenta, wynosi 0.7. Oblicz prawdopodobieństwo, że lek zadziała u dokładnie 7 na 10 pacjentów.
Dyskusja:
Zmienna losowa \(X\) ma rozkład dwumianowy z \(n = 10\) i \(p = 0.7\). Dwumianowa funkcja prawdopodobieństwa ma postać:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Dla \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Obliczanie współczynnika dwumianowego \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Obliczanie wartości prawdopodobieństwa:
\[ P(X = 7) = 120 \razy (0.7)^7 \razy (0.3)^3 \]
\[ P(X = 7) \około 120 \razy 0.0823543 \razy 0.027 \]
\[ P(X = 7) \około 0.231 \]
Zatem prawdopodobieństwo, że lek zadziała u dokładnie 7 na 10 pacjentów wynosi około 0.231 lub 23.1%.
Przykład 2: Rozkład Poissona
Rozkład Poissona służy do modelowania liczby wystąpień rzadkich zdarzeń w danym przedziale czasu lub przestrzeni.
Pytanie:
Do sklepu przychodzi średnio 4 klientów na godzinę. Jakie jest prawdopodobieństwo, że w ciągu godziny do sklepu przyjdzie dokładnie 5 klientów?
Dyskusja:
Zmienna losowa \(X\) podlega rozkładowi Poissona z parametrem \(\lambda = 4\). Funkcja masy prawdopodobieństwa Poissona ma postać:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
Dla \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Liczyć:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \w przybliżeniu \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \około 0.156 \]
Zatem prawdopodobieństwo, że sklep odwiedzi dokładnie 5 klientów w ciągu jednej godziny wynosi około 0.156, czyli 15.6%.
Dystrybucja ciągła
Rozkłady ciągłe stosuje się, gdy mierzona zmienna losowa może przyjmować dowolną wartość w określonym przedziale. Znanymi przykładami rozkładów ciągłych są rozkład normalny i rozkład wykładniczy.
Przykład 3: Rozkład normalny
Rozkład normalny, często nazywany rozkładem Gaussa, to rozkład powszechnie stosowany w różnych dziedzinach, m.in. w nauce, inżynierii i ekonomii.
Pytanie:
Wzrost dorosłych mężczyzn w mieście ma rozkład normalny, ze średnią 170 cm i odchyleniem standardowym 10 cm. Jakie jest prawdopodobieństwo, że losowo wybrany mężczyzna ma od 160 do 180 cm wzrostu?
Dyskusja:
Musimy obliczyć wynik z dla 160 cm i 180 cm. Wynik z jest zdefiniowany jako:
\[ Z = \frac{X – \mu}{\sigma} \]
Dla \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Dla \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Teraz musimy przyjrzeć się wartościom prawdopodobieństwa od -1 do 1 w tabeli z. Wartość od z = -1 do z = 1 wynosi w przybliżeniu 0.6826.
Zatem prawdopodobieństwo, że losowo wybrany mężczyzna ma wzrost od 160 cm do 180 cm wynosi w przybliżeniu 0.6826 lub 68.26%.
Przykład 4: Rozkład wykładniczy
Rozkład wykładniczy służy do modelowania czasu pomiędzy zdarzeniami w procesie Poissona.
Pytanie:
Średni czas między przybyciem dwóch klientów do sklepu wynosi 15 minut. Jakie jest prawdopodobieństwo, że czas między przybyciem dwóch klientów będzie krótszy niż 10 minut?
Dyskusja:
Rozkład wykładniczy ma parametr \(\lambda\), który jest odwrotnością średniej (\(\mu\)). Przy średniej 15 minut:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Funkcja rozkładu wykładniczego kumulacyjnego jest następująca:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
Dla \(x = 10\):
\[ P(X \ równoważnik 10) = 1 – e^{-0.0667 \ razy 10} \]
\[ P(X \ równoważnik 10) = 1 – e^{-0.667} \]
\[ P(X \ równoważnik 10) \ około 1 – 0.5134 \]
\[ P(X \ równoważnik 10) \ około 0.4866 \]
Zatem prawdopodobieństwo, że czas pomiędzy przybyciem dwóch klientów będzie krótszy niż 10 minut, wynosi około 0.4866 lub 48.66%.
Wniosek
Rozkłady prawdopodobieństwa, zarówno dyskretne, jak i ciągłe, są bardzo użytecznymi koncepcjami do modelowania i zrozumienia zachowania zmiennych losowych. Rozkłady dwumianowy i Poissona są często stosowane w przypadku zmiennych dyskretnych, natomiast rozkład normalny i wykładniczy są przykładami rozkładów ciągłych.
Mamy nadzieję, że powyższe przykłady pomogą Ci lepiej zrozumieć, jak obliczać i interpretować prawdopodobieństwa w rozkładach prawdopodobieństwa. Dzięki systematycznym ćwiczeniom Twoja umiejętność rozumienia rozkładów prawdopodobieństwa poprawi się i będzie mogła być stosowana w różnych dyscyplinach.
