26.07.2013 Views

G:\Statistiske grundbegreber-v8\s1v8-forside.wpd

G:\Statistiske grundbegreber-v8\s1v8-forside.wpd

G:\Statistiske grundbegreber-v8\s1v8-forside.wpd

SHOW MORE
SHOW LESS

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

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!