Exempelfrågor och diskussion om sannolikhetsfördelning
Sannolikhetsfördelning är ett av de grundläggande begreppen inom statistik och sannolikhet. Den används för att förstå sannolikheten för att olika värden på ett slumptal inträffar. Sannolikhetsfördelningar kan ta sig många former beroende på vilken typ av data som analyseras. De två vanligaste typerna av sannolikhetsfördelningar är diskreta och kontinuerliga. I den här artikeln kommer vi att granska flera exempelproblem och diskutera sannolikhetsfördelningar för att hjälpa oss att bättre förstå detta ämne.
Diskret distribution
En diskret fördelning är en fördelning som beräknar sannolikheten för en diskret slumpmässig variabel, det vill säga en variabel som bara kan anta vissa värden. Välkända exempel på diskreta fördelningar är binomialfördelningen och poissonfördelningen.
Exempel 1: Binomialfördelning
Binomialfördelningen beskriver antalet framgångar i en serie Bernoulli-försök. Varje Bernoulli-försök har två utfall: framgång eller misslyckande. Sannolikheten för framgång förblir konstant under hela försöket.
Fråga:
Ett läkemedelsföretag testar ett nytt läkemedel på 10 patienter. Sannolikheten att läkemedlet fungerar på en enda patient är 0.7. Beräkna sannolikheten att läkemedlet fungerar på exakt 7 av 10 patienter.
Diskussion:
Den slumpmässiga variabeln \(X\) följer en binomialfördelning med \(n = 10\) och \(p = 0.7\). Den binomiala sannolikhetsfunktionen är:
[P(X = k) = \binom{n}{k} p^k(1 – p)^{n – k} \]
För \(k = 7\):
[P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Beräkning av binomialkoefficienten \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Beräkning av sannolikhetsvärden:
[P(X = 7) = 120 × (0.7)^7 × (0.3)^3]
[P(X = 7) = ca 120 × 0.0823543 × 0.027]
[P(X = 7) = ungefär 0.231]
Så sannolikheten att läkemedlet fungerar hos exakt 7 av 10 patienter är cirka 0.231 eller 23.1 %.
Exempel 2: Poissonfördelning
Poissonfördelningen används för att modellera antalet förekomster av en sällsynt händelse inom ett givet tids- eller rumsintervall.
Fråga:
En butik får i genomsnitt 4 kunder per timme. Vad är sannolikheten att butiken får exakt 5 kunder på en timme?
Diskussion:
Den slumpmässiga variabeln \(X\) följer en Poissonfördelning med parameter \(\lambda = 4\). Poisson-sannolikhetsfunktionen för massor är:
[P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
För \(k = 5\):
[P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Räkna:
[P(X = 5) = 1024 e^{-4}}{120}]
[P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
[P(X = 5) = ungefär 0.156]
Så sannolikheten att butiken får exakt 5 kunder på en timme är ungefär 0.156, eller 15.6 %.
Kontinuerlig distribution
Kontinuerliga fördelningar används när den slumpmässiga variabeln som mäts kan anta vilket värde som helst inom ett visst intervall. Välkända exempel på kontinuerliga fördelningar är normalfördelningen och exponentialfördelningen.
Exempel 3: Normalfördelning
Normalfördelningen, ofta kallad Gaussfördelningen, är en fördelning som vanligtvis används inom olika områden, inklusive vetenskap, teknik och ekonomi.
Fråga:
Längderna för vuxna män i en stad är normalfördelade med ett medelvärde på 170 cm och en standardavvikelse på 10 cm. Vad är sannolikheten att en slumpmässigt vald man är mellan 160 cm och 180 cm lång?
Diskussion:
Vi behöver beräkna z-poängen för 160 cm och 180 cm. Z-poängen definieras som:
\[ Z = \frac{X – \mu}{\sigma} \]
För \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
För \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Nu behöver vi titta på sannolikhetsvärdena från -1 till 1 i z-tabellen. Värdet från z = -1 till z = 1 är ungefär 0.6826.
Så sannolikheten att en slumpmässigt vald man är mellan 160 cm och 180 cm lång är ungefär 0.6826 eller 68.26 %.
Exempel 4: Exponentialfördelning
Exponentialfördelningen används för att modellera tiden mellan händelser i en Poisson-process.
Fråga:
Den genomsnittliga tiden mellan två kunders ankomster i en butik är 15 minuter. Vad är sannolikheten att tiden mellan två kunders ankomster är mindre än 10 minuter?
Diskussion:
Exponentialfördelningen har en parameter \(\lambda\) som är inversen av medelvärdet (\(\mu\)). Med ett medelvärde på 15 minuter:
[\lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Den exponentiella kumulativa fördelningsfunktionen är:
[P(X ≤ x) = 1 – e^{-Δx}]
För \(x = 10\):
[P(X ≤ 10) = 1 – e⁻{-0.0667 × 10}]
[P(X ≤ 10) = 1 – e^{-0.667}]
[P(X ≤ 10) = ungefär 1–0.5134]
[P(X ≤ 10) = ungefär 0.4866]
Så sannolikheten att tiden mellan två kunders ankomster är mindre än 10 minuter är ungefär 0.4866 eller 48.66 %.
slutsats
Sannolikhetsfördelningar, både diskreta och kontinuerliga, är mycket användbara koncept för att modellera och förstå beteendet hos slumpmässiga variabler. Binomial- och Poissonfördelningar används ofta för diskreta variabler, medan normal- och exponentialfördelningar är exempel på kontinuerliga fördelningar.
Genom exemplen ovan hoppas vi att du har fått en bättre förståelse för hur man beräknar och tolkar sannolikheter i sannolikhetsfördelningar. Med konsekvent övning kommer din förmåga att förstå sannolikhetsfördelningar att förbättras och kan tillämpas inom olika discipliner.
