Очекивана вредност биномне расподеле
Биномна расподела је једна од најчешће сретнутих дискретних расподела вероватноће у статистици и вероватноћи. Ова расподела описује број успеха у низу независних бинарних покушаја (покушаја са само два исхода: успех или неуспех). Да бисмо боље разумели биномну расподелу, важно је разумети концепт очекиване вредности, који описује просечну вредност низа поновљених покушаја током дужег периода. Овај чланак ће размотрити концепт очекиване вредности у контексту биномне расподеле.
Дефиниција биномне расподеле
Биномна дистрибуција се јавља у контекстима где спроводимо низ идентичних и независних покушаја, а сваки покушај има два међусобно искључива исхода, обично названа „успех“ и „неуспех“. На пример, бацање новчића (глава или реп), одговарање на испитно питање (тачно или нетачно) или медицинско испитивање (излечено или неизлечено).
Биномска расподела је дефинисана са два параметра:
– n, број покушаја.
– p , вероватноћа успеха у сваком покушају.
Грубо говорећи, ако је X случајна променљива која представља број успеха у n покушаја, онда X прати биномну расподелу са параметрима n и p, означену као X ~ Binomial(n, p).
Функција вероватноће
Функција вероватноће биномне расподеле је следећа:
\[ П(Кс = к) = \бином{н}{к} п^к (1-п)^{нк} \]
Где:
– \( \binom{n}{k} \) је биномни коефицијент, који се израчунава као \( \frac{n!}{k!(nk)!} \).
– \( k \) је жељени број успеха.
– \(n \) је број покушаја.
– \( p \) је вероватноћа успеха у сваком покушају.
– \( (1-p) \) је вероватноћа неуспеха у сваком покушају.
Очекивана вредност
Очекивана вредност или средња вредност расподеле вероватноће једна је од најважнијих мера централне локације. За биномну расподелу, очекивана вредност случајне променљиве X која следи након Binomial(n, p) је:
\[ E(X) = np \]
Доказ очекиване вредности
Да бисмо разумели зашто је очекивана вредност биномне расподеле np, можемо користити својство линеарности очекиване вредности и видети како се бинарне променљиве сабирају у њихов допринос.
Дефинишимо \( X \) као број успеха у n бинарних покушаја. Прецизније, нека \( X_i \) буде случајна променљива која означава исход i-тог покушаја, где је \( X_i = 1 \) ако је i-ти покушај успешан, а \( X_i = 0 \) ако је неуспешан. Тада можемо написати \( X \) као:
\[ X = X_1 + X_2 + \ldots + X_n \]
Пошто је свака \( X_i \) бинарна променљива са вероватноћом успеха p, очекивана вредност \( X_i \) је:
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Можемо користити својство линеарности очекиване вредности за очекивану вредност X:
\[ E(X) = E(X_1 + X_2 + \ldots + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
\[ E(X) = np \]
Ово показује да је очекивана вредност биномне расподеле np.
Илустративни пример
Размотримо случај где бацимо новчић 10 пута. Хајде да се запитамо која би била очекивана вредност броја бацања која резултирају главом.
У овом случају:
– n = 10 (број бацања новчића)
– p = 0.5 (вероватноћа да падне глава, пошто је новчић фер)
Дакле, очекивана вредност је:
\[ E(X) = np = 10 \пута 0.5 = 5 \]
То значи да ако бацамо новчић 10 пута више пута током дужег периода, у просеку ћемо добити главу 5 пута.
Варијанса и стандардна девијација
Поред очекиване вредности, важно је разумети и варијансу и стандардну девијацију биномне расподеле.
За биномну расподелу, варијанса \( \sigma^2 \) и стандардна девијација \( \sigma \) су следеће:
\[ \сигма^2 = np(1-p) \]
\[ \сигма = \sqrt{np(1-p)} \]
Варијанса мери колико су подаци распоређени од очекиване вредности. Стандардна девијација је квадратни корен варијансе и такође мери распоређеност података, али у истим јединицама као и оригинални подаци.
Закључак
Биномна расподела је фундаментални концепт у статистици и вероватноћи, који се често среће у различитим применама у стварном свету, од пословања до друштвених наука и биологије. Очекивана вредност биномне расподеле, израчуната као np, пружа важан увид у просечан број успеха у низу бинарних покушаја. Разумевањем концепата очекиване вредности, варијансе и стандардне девијације, можемо стећи јасније разумевање карактеристика биномне расподеле и како она описује одређене феномене у свакодневном животу.
Ово знање је изузетно корисно не само у анализи података и статистици, већ и у доношењу одлука које захтевају процену вероватноће и неизвесности. Разумевање очекиване вредности и биномне расподеле може нам помоћи да правимо тачнија предвиђања и доносимо информисаније одлуке.
