G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
89<br />
7.3 Binomialfordelingen<br />
DEFINITION af binomialfordeling.<br />
1) Lad et tilfældigt eksperiment have 2 udfald “succes” og “fiasko”<br />
2) Lad eksperimentet blive gentaget n gange uafhængigt af hinanden, og lad<br />
sandsynligheden for succes være en konstant p<br />
Lad X være antallet af succeser blandt de n gentagelser<br />
X er en diskret stokastisk variabel med tæthedsfunktionen<br />
⎛ n x n x<br />
p ( p) f ( x)<br />
=<br />
⎜<br />
⎝ x<br />
x { , , ,..., n}<br />
⎞ ⎧<br />
−<br />
⎪ ⎟ ⋅ ⋅ 1− ⎨ ⎠<br />
⎪<br />
⎩ 0<br />
for<br />
ellers<br />
∈ 012<br />
X siges at være binomialfordelt b ( n, p).<br />
SÆTNING 7.1. (middelværdi og spredning for binomialfordeling).<br />
Lad X være binomialfordelt b (n, p).<br />
Der gælder da E ( X )= n ⋅ p og σ σ ( X ) = n ⋅ p ⋅ ( 1<br />
− p ) .<br />
Bevis: Lad os betragte et eksperiment, hvor resultatet “succes” har sandsynligheden p for at ske.<br />
Lad os foretage n uafhængige gentagelser af eksperimentet. At gentagelserne er uafhængige<br />
betyder, at udfaldet af et eksperiment ikke afhænger af udfaldet af de forrige eksperimenter.<br />
Lad os betragte n stokastiske variable X1, X2,..., Xn, hvor X i = ⎧1 ⎨<br />
⎩0<br />
hvis i' te gentagelse af eksperimentet giver succes.<br />
ellers<br />
Vi har E( Xi) = ∑ xi f ( xi) = 1⋅ p+ 0⋅( 1−<br />
p) = p,<br />
og<br />
i<br />
2 2 2 2<br />
V( Xi) = ∑ ( xi − µ ) f ( xi) = ( 1− p) ⋅ p+ ( 0− p) ⋅( 1− p) = p− p = p⋅( 1−<br />
p)<br />
i<br />
Idet X = X1 + X2 + ... + Xner binomialfordelt b ( n, p) fås af linearitetsreglen (kapitel 1afsnit<br />
5), at E( X) = E( X ) + E( X ) + E( X ) + ... + E( X ) = p+ p+ p+ ... + p= n⋅ p.<br />
1 2 3<br />
Endvidere fås af kvadratreglen i kapitel 1 afsnit 5, idet vi har uafhængige gentagelser, at<br />
V( X) = V( X1) + V( X2) + ... + V( Xn) = p⋅( 1− p) + p⋅( 1− p) + ... + p⋅( 1−<br />
p)<br />
,<br />
eller V( X) = n⋅ p⋅( 1 − p)<br />
.<br />
n