Primeri vprašanj in razprava o porazdelitvi verjetnosti
Porazdelitev verjetnosti je eden temeljnih konceptov v statistiki in verjetnosti. Uporablja se za razumevanje verjetnosti pojava različnih vrednosti naključnega števila. Porazdelitve verjetnosti imajo lahko različne oblike, odvisno od narave analiziranih podatkov. Najpogostejši vrsti porazdelitev verjetnosti sta diskretna in zvezna. V tem članku bomo pregledali več primerov problemov in razpravljali o porazdelitvah verjetnosti, da bomo to temo bolje razumeli.
Diskretna porazdelitev
Diskretna porazdelitev je porazdelitev, ki izračuna verjetnost diskretne naključne spremenljivke, torej spremenljivke, ki lahko sprejme le določene vrednosti. Znana primera diskretnih porazdelitev sta binomska porazdelitev in Poissonova porazdelitev.
Primer 1: Binomska porazdelitev
Binomska porazdelitev opisuje število uspehov v seriji Bernoullijevih poskusov. Vsak Bernoullijev poskus ima dva izida: uspeh ali neuspeh. Verjetnost uspeha ostaja konstantna skozi celoten poskus.
Vprašanje:
Farmacevtsko podjetje testira novo zdravilo na 10 bolnikih. Verjetnost, da zdravilo deluje pri katerem koli bolniku, je 0.7. Izračunajte verjetnost, da zdravilo deluje pri natanko 7 od 10 bolnikov.
Razprava:
Naključna spremenljivka \(X\) sledi binomski porazdelitvi z \(n = 10\) in \(p = 0.7\). Binomska verjetnostna funkcija je:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Za \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Izračun binomskega koeficienta \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Izračun verjetnostnih vrednosti:
\[ P(X = 7) = 120 \krat (0.7)^7 \krat (0.3)^3 \]
\[ P(X = 7) \približno 120 \krat 0.0823543 \krat 0.027 \]
\[ P(X = 7) \približno 0.231 \]
Torej je verjetnost, da zdravilo deluje pri natanko 7 od 10 bolnikov, približno 0.231 ali 23.1 %.
Primer 2: Poissonova porazdelitev
Poissonova porazdelitev se uporablja za modeliranje števila pojavitev redkega dogodka v danem časovnem ali prostorskem intervalu.
Vprašanje:
Trgovina ima povprečno 4 stranke na uro. Kakšna je verjetnost, da bo trgovina v eni uri imela natanko 5 strank?
Razprava:
Naključna spremenljivka \(X\) sledi Poissonovi porazdelitvi s parametrom \(\lambda = 4\). Poissonova verjetnostna masna funkcija je:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
Za \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Število:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \približno \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \približno 0.156 \]
Torej je verjetnost, da trgovina v eni uri prejme natanko 5 strank, približno 0.156 oziroma 15.6 %.
Neprekinjena distribucija
Zvezne porazdelitve se uporabljajo, kadar lahko merjena naključna spremenljivka sprejme katero koli vrednost znotraj določenega območja. Znana primera zveznih porazdelitev sta normalna porazdelitev in eksponentna porazdelitev.
Primer 3: Normalna porazdelitev
Normalna porazdelitev, pogosto imenovana Gaussova porazdelitev, je porazdelitev, ki se pogosto uporablja na različnih področjih, vključno z znanostjo, inženirstvom in ekonomijo.
Vprašanje:
Višina odraslih moških v mestu je normalno porazdeljena s povprečjem 170 cm in standardnim odklonom 10 cm. Kakšna je verjetnost, da je naključno izbran moški visok med 160 cm in 180 cm?
Razprava:
Izračunati moramo z-vrednost za 160 cm in 180 cm. Z-vrednost je definirana kot:
\[ Z = \frac{X – \mu}{\sigma} \]
Za \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Za \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Zdaj si moramo v tabeli z ogledati vrednosti verjetnosti od -1 do 1. Vrednost od z = -1 do z = 1 je približno 0.6826.
Torej je verjetnost, da je naključno izbran moški visok med 160 cm in 180 cm, približno 0.6826 ali 68.26 %.
Primer 4: Eksponentna porazdelitev
Eksponentna porazdelitev se uporablja za modeliranje časa med dogodki v Poissonovem procesu.
Vprašanje:
Povprečen čas med dvema prihodoma strank v trgovino je 15 minut. Kakšna je verjetnost, da je čas med dvema prihodoma strank krajši od 10 minut?
Razprava:
Eksponentna porazdelitev ima parameter λ, ki je obratna vrednost povprečja (μ). S povprečjem 15 minut:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Eksponentna kumulativna porazdelitvena funkcija je:
\[ P(X ≤ x) = 1 – e^{-\lambdax} \]
Za \(x = 10\):
\[ P(X ≤ 10) = 1 – e^{-0.0667 \krat 10} \]
\[ P(X ≤ 10) = 1 – e^{-0.667} \]
\[ P(X ≤ 10) \približno 1 – 0.5134 \]
\[ P(X ≤ 10) \približno 0.4866 \]
Torej je verjetnost, da je čas med dvema prihodoma strank krajši od 10 minut, približno 0.4866 ali 48.66 %.
Zaključek
Verjetnostne porazdelitve, tako diskretne kot zvezne, so zelo uporabni koncepti za modeliranje in razumevanje obnašanja naključnih spremenljivk. Binomska in Poissonova porazdelitev se pogosto uporabljata za diskretne spremenljivke, medtem ko sta normalna in eksponentna porazdelitev primera zveznih porazdelitev.
Upamo, da ste s pomočjo zgornjih primerov bolje razumeli, kako izračunati in interpretirati verjetnosti v verjetnostnih porazdelitvah. Z dosledno vajo se bo vaša sposobnost razumevanja verjetnostnih porazdelitev izboljšala in jo boste lahko uporabili v različnih disciplinah.
