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.
82 KAPITEL 3 SLUMPVARIABLER<br />
BEVIS<br />
2007-10-08 – sida 82 – # 86<br />
E(Y ) = n k=1 k n<br />
k pk (1 − p) n−k (termen för k = 0 kan tas bort eftersom<br />
dess bidrag blir 0). Men,<br />
<br />
n n!<br />
k = k<br />
k k!(n − k)! =<br />
<br />
n − 1<br />
= n .<br />
k − 1<br />
n!<br />
(k − 1)!(n − k)!<br />
Om vi dessutom bryter ut ett p får vi således<br />
E(Y ) = np<br />
n<br />
k=1<br />
<br />
n − 1<br />
p<br />
k − 1<br />
k−1 (1 − p) n−k .<br />
(n − 1)!<br />
= n<br />
(k − 1)!(n − k)!<br />
Om vi skiftar summationsindex ett steg nedåt ser vi att summan utgör alla<br />
termer för en Bin(n−1, p) variabel som alltså summerar sig till 1. Av detta<br />
får vi att E(Y ) = np. För att härleda variansuttrycket behöver vi beräkna<br />
E(Y 2 ) som kan skrivas som<br />
E(Y 2 ) =<br />
=<br />
n<br />
k 2<br />
<br />
n<br />
p<br />
k<br />
k (1 − p) n−k<br />
n<br />
<br />
n<br />
k(k − 1) p<br />
k<br />
k (1 − p) n−k +<br />
k=1<br />
k=1<br />
n<br />
<br />
n<br />
k p<br />
k<br />
k (1 − p) n−k .<br />
Den andra termen blir np enligt ovan <strong>och</strong> den första kan man visa att den<br />
blir n(n − 1)p 2 på liknande sätt <strong>och</strong> överlåts till läsaren (Övning 3.30).<br />
Det kan ta lite tid att räkna ut sannolikheterna ovan <strong>med</strong> en miniräknare.<br />
Om n (<strong>och</strong> k) är lite större finns även viss fara för avrundningsfel eftersom<br />
vi då multiplicerar mycket stora tal <strong>med</strong> mycket små. Än mer tidsödande<br />
blir det att beräkna fördelningsfunktionen. Av denna anledning finns<br />
fördelningsfunktionen för binomialfördelningen tabulerad längst bak i boken<br />
(Tabell 2 på sidan ??). Tabellen finns för n = 2 upp till n = 20 <strong>och</strong> för<br />
p = 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.4 <strong>och</strong> p = 0.5. T.ex. får man ur Tabell<br />
2 att om X är Bin(n = 10, p = 0.3) så gäller att FX(5) = 0.9527. Om man<br />
har ett p som är större än 0.5 kan tabellen ändå kanske användas. Genom att<br />
räkna antalet ”misslyckade” i stället för antalet ”lyckade” får man nämligen<br />
också en binomialfördelning <strong>med</strong> samma n, men <strong>med</strong> nytt p som är 1 minus<br />
k=1