G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Vigtige diskrete fordelinger<br />
7.7 APPROKSIMATIONER<br />
Vi har undertiden benyttet os af, at det under visse forudsætninger er muligt med en rimelig<br />
nøjagtighed, at foretage approksimationer, f.eks. at approksimere en binomialfordeling med en<br />
normalfordeling. I appendix 7.1 er angivet en samlet oversigt over de mulige approksimationer.<br />
Approksimation af hypergeometrisk fordeling med binomialfordeling. At erstatte den<br />
hypergeometriske fordeling h (N, M, n) med binomialfordelingen b (n, p) vil for de fleste anvendelser<br />
kunne gøres med en passende nøjagtighed, hvis stikprøvestørrelsen n er mindre end eller lig 10% af<br />
partistørrelsen N ( n ). I så fald sættes i binomialfordelingen .<br />
N<br />
≤ p<br />
10<br />
M<br />
=<br />
N<br />
Eksempel 7.12. Approksimation af hypergeometrisk fordeling til binomialfordeling.<br />
I eksempel 7.1, hvor man udtog 25 komponenter fra æsker på 600 komponenter, skete udtagningen<br />
logisk nok uden tilbagelægning. Imidlertid er det klart, at da æskerne indeholder mange komponenter<br />
vil sandsynligheden for at få en defekt ikke ændrer sig meget, hvis man i stedet havde foretaget<br />
udtagningen med tilbagelægning. Der blev antaget, at der var 10 defekte i en sådan æske med 600,<br />
og dette antal defekte vil så være konstant, under hver udtrækning.<br />
10 1<br />
Vi har derfor, at P(at få en defekt) = = . Betingelserne for at benytte binomialfordelingen er<br />
600 60<br />
nu til stede.<br />
Løsningen af problemet i eksempel 7.1 vil derfor nu være:<br />
pa = P( X ≤ 1) = P( X = 0) + P( X = 1)<br />
= 25<br />
0 25 1 24<br />
⎛ ⎞ 1 1 25 1 1<br />
⎜ ⎟ ⋅ 1<br />
1 0 6569 0 2784 0 9353<br />
⎝ 0 ⎠ 60 60 1 60 60<br />
⎛ ⎞ ⎛ ⎞<br />
⎜ ⎟ ⋅⎜− ⎟ +<br />
⎝ ⎠ ⎝ ⎠<br />
⎛ ⎞<br />
⎜ ⎟ ⋅<br />
⎝ ⎠<br />
⎛ ⎞ ⎛ ⎞<br />
⎜ ⎟ ⋅⎜− ⎟ = . + . = .<br />
⎝ ⎠ ⎝ ⎠<br />
Det ses, at vi får praktisk samme resultat som i eksempel 7.1.<br />
Approksimation af binomialfordeling til Poissonfordeling. Som det fremgår af det i “Supplement til statistiske<br />
<strong>grundbegreber</strong>” afsnit 7C angivne bevisskitse for sætning 7.3 kan en binomialfordeling b (n, p) approksimeres med en<br />
Poissonfordeling , hvor , hvis p er lille (og dermed n stor) 1) p( µ ) µ = n ⋅ p<br />
. I praksis vil en approksimation være<br />
tilstrækkelig god, hvis blot p ≤ . 1<br />
10<br />
Eksempel 7.13. Approksimation af hypergeometrisk fordeling til binomialfordeling videre til Poissonfordeling<br />
I eksempel 7.12 betragtede vi følgende kvalitetskontrolproblem , hvor vi beregnede acceptsandsynligheden<br />
pa = P( X ≤1)<br />
dels ud fra den hypergeometriske fordeling h(600, 10, 25), dels ved approksimation til b(25, p), hvor<br />
10 1<br />
p = = .<br />
600 60<br />
Denne gang ønskes acceptsandsynligheden beregnet ved anvendelse af Poissonfordelingen.<br />
P ( X = x) ⎯ ⎯ → P ( X = x)<br />
→∞ µ µ = n⋅ p<br />
1<br />
) Matematisk formulering: bnp ( , ) , hvor<br />
n p(<br />
)<br />
98