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.
93<br />
7.3 Binomialfordelingen<br />
TI 89 benytter netop denne formel i sin beregning, dvs. man skal altid her først undersøge om<br />
forudsætningen er opfyldt.<br />
APPS\STATS/List\F7\5:1-PropZInt\ENTER<br />
Menuen udfyldes med x: 85 n: 100 C-level: 0.95 ENTER<br />
Resultat: C Int : [0.78 ; 0.92 ]<br />
Direkte metode til beregning.<br />
Hvis betingelserne for approksimation med normalfordeling ikke er opfyldt, må man benytte binomialfordelingen direkte.<br />
Eksempel 7.7. Beregning af konfidensinterval hvis betingelserne ikke er opfyldt<br />
I forbindelse med et reklamefremstød ønskede man at undersøge om borgerne i en mindre by havde set en bestemt<br />
reklame. Man spurgte et antal tilfældigt udvalgte husstande, og af 45 svar havde 9 set reklamen.<br />
Opstil et 95% konfidensinterval for sandsynligheden p for at man har set reklamen.<br />
Løsning:<br />
9<br />
Vi har, at $p = = 20%<br />
45<br />
Da n⋅p$ ⋅= 9< 10 er betingelsen ikke opfyldt.<br />
Udenfor et 95% konfidensinterval ligger 5%, og af symmetrigrunde ligger der 2,5% på hver side. (jævnfør figuren)<br />
Jo større den sande værdi p er i forhold til 0.20 jo mindre bliver sandsynligheden for at få 9 svar eller færre. Vi leder derfor<br />
i grænsen efter et p > 0.20 , så P( X ≤ 9)<br />
= 0.025.<br />
solve(binomCdf(45, p,0,9)=0.025,p) x > 0 Resultatet blev p = 0.346.<br />
Dernæst findes nedre grænse ved at lade p falde, indtil P( X ≥ 9) ≈ 0. 025<br />
Heraf fås solve(binomCdf(45, p,9,45)=0.025,p) x > 0 Resultatet blev p = 0.0958.<br />
Konfidensinterval: [0.096; 0.346]<br />
Bemærk, at konfidensintervallet her ikke ligger symmetrisk omkring 0.20, da binomialfordelingen i netop disse situationer<br />
netop ikke er symmetrisk omkring 0.20<br />
7.4 POISSONFORDELINGEN<br />
Ved udførelsen af Binomial-eksperimenter med lille sandsynlighed p, men stort n, er n undertiden<br />
ukendt: Man kan registrere antal gange en hændelse forekommer, men ikke eller kun meget<br />
approksimativt antal gange hændelsen ikke forekommer. Eksempler: Antal α partikler et radioaktivt<br />
præparat udsender pr. tidsenhed, antal trafikuheld på en bestemt vejstrækning i løbet af et år, antal<br />
støvpartikler i et bestemt lille volumen, antal defekte pr. km kabel, og antal varevogne der ankommer<br />
pr time til et stort varehus.<br />
Under sådanne omstændigheder kan man ofte benytte den i det følgende omtalte Poissonfordeling<br />
som statistisk model for antallet af "impulser" pr. tidsenhed eller volumenenhed eller længdeenhed<br />
o.s.v.