Exempel på en diskussionsfråga om det förväntade värdet av en normalfördelning
Normalfördelningen, även känd som Gaussfördelningen, är en av de mest använda kontinuerliga sannolikhetsfördelningarna inom statistik och sannolikhet. Denna fördelning används ofta som ett grundläggande antagande i olika statistiska slutsatser på grund av dess gynnsamma matematiska egenskaper, såsom symmetri och dess unikhet vid parametrisering med medelvärde (µ) och standardavvikelse (σ). Denna artikel kommer att diskutera exempel och diskutera normalfördelningens väntevärde för att ge en djupare förståelse av detta koncept.
Förstå normalfördelningen
Normalfördelningen avbildas av en symmetrisk klockkurva, där de flesta värden är koncentrerade kring mittvärdet, eller medelvärdet. Inom denna fördelning är medelvärdet (µ) och standardavvikelsen (σ) två viktiga parametrar som bestämmer platsen och mängden av spridning i data.
Sannolikhetstäthetsfunktionen (PDF) för normalfördelningen är:
\[f(x) = \frac{1}{\sqrt{2π\sigma^2}} e^{-\frac{(x – μ)^2}{2π\sigma^2}}\]
Där:
– \( \mu \) är medelvärdet eller genomsnittet
– \( \sigma \) är standardavvikelsen
– \(x \) är en stokastisk variabel
Förväntat värde i normalfördelning
Väntevärdet för en stokastisk variabel med normalfördelning är lika med fördelningens medelvärde. Om \( X \sim N(\mu, \sigma^2) \), så är väntevärdet \( E(X) \):
[E(X) = μ]
Låt oss fortsätta med några exempel på problem gällande förväntade värden i normalfördelningar för att stärka vår förståelse.
Exempel på Soal och Pembahasan
Exempelfråga 1:
Antag att \(X \) är en normalfördelad stokastisk variabel med \(\mu = 50 \) och \(\sigma = 10 \). Beräkna det väntevärde av \(X \).
Diskussion:
Som tidigare nämnts är det förväntade värdet \(E(X) \) i en normalfördelning lika med \(\mu \). Så,
[E(X) = μ = 50]
Exempelfråga 2:
Givet att en stokastisk variabel \(Y \) är normalfördelad med \(\mu = 120 \) och \(\sigma = 15 \). Hitta väntevärdet av \(Y \).
Diskussion:
I likhet med det första exemplet är det förväntade värdet för \(Y \) det mellersta värdet eller medelvärdet av normalfördelningen, nämligen:
[E(Y) = μ = 120]
Exempelfråga 3:
Om stokastisk variabel \(Z \) följer en normalfördelning med \(\mu = 0 \) och \(\sigma = 1 \) (standardnormalfördelning), vad är då väntevärdet av \(Z \)?
Diskussion:
Standardnormalfördelningen har medelvärdet μ = 0, så det förväntade värdet E(Z) är:
\[ E(Z) = \mu = 0 \]
Exempelfråga 4:
Antag att \(W \) är en normalfördelad stokastisk variabel med medelvärde \(μ = 75 \) och standardavvikelse \(sigma = 20 \). Om vi definierar en ny stokastisk variabel \(V = 2W + 3 \), vad är det förväntade värdet av \(V \)?
Diskussion:
För att hitta väntevärdet av \(V \) behöver vi använda linjäritetsegenskapen för väntevärdet. Givet \(V = 2W + 3 \) så gäller:
\[ E(V) = E(2W + 3) \]
Baserat på linjäritetsegenskapen hos det förväntade värdet kan vi separera konstanten från den slumpmässiga variabeln:
\[ E(V) = 2 E(W) + E(3) \]
Att veta att det förväntade värdet av en konstant är konstanten själv:
\[ E(3) = 3 \]
Och det förväntade värdet av \( W \) är medelvärdet av normalfördelningen \( W \):
[E(W) = μ = 75]
Så,
[E(V) = 2 × 75 + 3]
\[E(V) = 150 + 3 \]
\[E(V) = 153 \]
Exempelfråga 5:
Den slumpmässiga variabeln Q följer en normalfördelning med medelvärde (μ = 40) och standardavvikelse (sigma = 5). Vad är det förväntade värdet av Q om U = Q/2?
Diskussion:
Vi använder samma princip som i exempel 4, nämligen linjäritetsegenskapen för det förväntade värdet. Givet att \( U = Q/2 \), så gäller:
[E(U) = E(Q/2)]
Baserat på linjäritetsegenskapen för förväntat värde:
[E(U) = 1/2 E(Q)]
Vi vet att det förväntade värdet av \(Q \) är medelvärdet av normalfördelningen \(Q \):
[E(Q) = μ = 40]
Så,
[E(U) = \frac{1}{2} \times 40 \]
\[ E(U) = 20 \]
slutsats
I en normalfördelning är det väntevärde av en stokastisk variabel alltid lika med medelvärdet (µ) av fördelningen. Exempelproblemen ovan visar olika villkor för att beräkna det väntevärde med hjälp av linjäritetsegenskapen. Att förstå detta grundläggande koncept gör det lättare att hantera normalfördelningsproblem inom statistik och sannolikhet.
Normalfördelningen är avgörande inom statistik eftersom den används i en mängd olika praktiska tillämpningar, inklusive hypotesprövning, parameteruppskattning och diverse andra statistiska slutsatser. En god förståelse av det förväntade värdet av denna fördelning är ett viktigt första steg i dataanalys.
Förhoppningsvis ger den här artikeln en tydlig och användbar förklaring av det förväntade värdet i normalfördelningen tillsammans med relevanta exempelfrågor och diskussioner.
