STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2007-10-08 – sida 167 – # 171<br />
3.14 APPROXIMATIONER AV FÖRDELNINGAR 167<br />
1. En stor ändlig population är ungefär detsamma som en oändlig population.<br />
2. Om ett försök som upprepas har liten sannolikhet, p, att lyckas i varje enskilt<br />
försök, så är det förväntade antal lyckade försök en mycket viktigare<br />
parameter än hur många försök som utfördes.<br />
3. Om många oberoende observationer görs, <strong>och</strong> det totala förväntade värdet<br />
<strong>och</strong> standardavvikelsen är relativt stora så är summan <strong>och</strong> <strong>med</strong>elvärdet<br />
approximativt normalfördelade.<br />
Påstående 3 ovan är helt enkelt normalapproximationen från föregående avsnitt,<br />
<strong>med</strong>an de andra inte presenterats tidigare.<br />
Den första principen är av intresse när man har att göra <strong>med</strong> hypergeometrisk<br />
fördelning. En slumpvariabel X sades vara hypergeometriskt fördelad<br />
<strong>med</strong> parametrar N, n <strong>och</strong> m, där N var populationens storlek, m antalet<br />
i populationen som har en viss egenskap av intresse, <strong>och</strong> slumpvariabeln X<br />
anger hur många bland n utan återläggning dragna element som har egenskapen<br />
av intresse. Som nämndes när den hypergeometriska fördelningen presenterades<br />
uppstår ett beroende mellan dragningar eftersom den kvarvarande<br />
populationsandelen <strong>med</strong> egenskapen efterhand ändras. Om å andra sidan populationsstorleken<br />
N är relativt stor <strong>och</strong> vi inte drar alltför många element n<br />
är detta beroende mycket svagt vilket motiverar att vi kan approximera den<br />
hypergeometriska fördelningen <strong>med</strong> fördelningen då vi i varje dragning har<br />
samma sannolikhet att få egenskapen <strong>och</strong> där dragningarna sker oberoende,<br />
dvs <strong>med</strong> binomialfördelningen <strong>med</strong> parametrar n <strong>och</strong> p = m/N (som är sannolikheten<br />
för lyckat, dvs att vi får egenskapen av intresse).<br />
Argumentet ovan är inte matematiskt stringent men syftar till att motivera<br />
approximationen. Rent matematiskt baseras approximation på det faktum att<br />
när N är stor <strong>och</strong> n/N liten så gäller<br />
pX(k) =<br />
mN−m k n−k<br />
N n<br />
<br />
≈<br />
n<br />
k<br />
<br />
m<br />
N<br />
<br />
k<br />
n−k<br />
N − m<br />
,<br />
N<br />
<strong>och</strong> det senare är sannolikhetsfunktionen för just Bin(n, m/N). Approximation<br />
gäller <strong>med</strong> likhet asymptotiskt om k <strong>och</strong> n är fixa, <strong>med</strong>an N → ∞ <strong>och</strong><br />
m → ∞ på ett sådant sätt att m/N → p där 0 < p < 1. Tumregeln som brukar<br />
användas för att få använda approximation är att n/N < 0.1.