6 Stokastiske variabler og binomisk fordeling
Hvor mange bor i en tilfeldig valgt husholdning? Hvor mye vinner du i gjennomsnitt på et lykkehjul? Hvor mange riktige får du hvis du gjetter på alle spørsmålene i en flervalgsprøve? Svarene er tall som avhenger av tilfeldigheter. I dette kapittelet beskriver vi slike tall med sannsynlighetsfordelinger, og vi måler hva vi kan forvente og hvor mye det varierer. Til slutt ser vi på den binomiske fordelingen, som beskriver antall suksesser i en serie uavhengige forsøk.
Last ned oppgaveheftet for kapittel 6 (PDF): oppsummering, gjennomregnede eksempler og oppgaver med fasit, til arbeid uten PC.
Læringsmål
Etter å ha arbeidet med kapittelet skal du kunne
- forklare hva en stokastisk variabel og en sannsynlighetsfordeling er,
- regne ut og tolke forventningsverdi, varians og standardavvik,
- forklare sammenhengen mellom gjennomsnitt og forventningsverdi, og mellom utvalgsstandardavvik og standardavvik,
- forklare forutsetningene for binomisk fordeling og kjenne igjen binomiske situasjoner,
- regne ut binomiske sannsynligheter med tabeller og Python,
- regne ut og tolke forventning og standardavvik i en binomisk fordeling.
6.1 Stokastiske variabler
Seksjonen handler om tall som bestemmes av tilfeldigheter. Vi beskriver dem med en sannsynlighetsfordeling, og vi oppsummerer fordelingen med forventningsverdi og standardavvik, slik vi oppsummerte data med gjennomsnitt og standardavvik i kapittel 3.
6.1.1 Stokastiske variabler
Velg en tilfeldig husholdning i Norge. Hvor mange personer bor der? Svaret er et tall, men vi kan ikke vite hvilket før vi har trukket. SSB har likevel tall for hvor vanlig hver husholdningsstørrelse er:
| Personer | Andel |
|---|---|
| 1 | \(0{,}413\) |
| 2 | \(0{,}308\) |
| 3 | \(0{,}118\) |
| 4 | \(0{,}111\) |
| 5 eller flere | \(0{,}050\) |
Tabellen er en sannsynlighetsmodell, slik som i 5.2.1. Det nye er at utfallene er tall. Da kan vi regne med dem: finne et gjennomsnitt, en spredning og sannsynligheten for at tallet er større enn noe.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare hva en stokastisk variabel er,
- lage og lese en sannsynlighetsfordeling, både som tabell og som søylediagram,
- regne ut sannsynligheter som \(P(X \le 2)\) og \(P(X > 3)\).
Stokastisk variabel og sannsynlighetsfordeling
Variablene i dette kapittelet er diskrete: De kan bare få bestemte verdier, som regel hele tall. I kapittel 7 ser vi på kontinuerlige variabler, som høyde og tid.
Sannsynligheter for flere verdier
Ofte spør vi etter sannsynligheten for at \(X\) ligger i et område. Da legger vi sammen sannsynlighetene for verdiene i området. Pass på forskjellen mellom \(<\) og \(\le\):
- \(P(X \le 2)\): \(X\) er \(2\) eller mindre.
- \(P(X < 2)\): \(X\) er mindre enn \(2\), altså høyst \(1\).
En sannsynlighet som \(P(X \le x)\) kalles kumulativ. Den brukes mye i tabeller, og komplementsetningen gir
\[ P(X > x) = 1 - P(X \le x) \]
- \(P(X < 3)\) er ikke det samme som \(P(X \le 3)\). For en diskret variabel er \(P(X < 3) = P(X \le 2)\).
- Komplementet til \(X \le 2\) er \(X > 2\), altså \(X \ge 3\). Ikke \(X \ge 2\).
- Summen av alle sannsynlighetene i fordelingen skal være \(1\).
- \(X\) er variabelen, \(x\) er en verdi. \(P(X = 3)\) betyr «sannsynligheten for at \(X\) blir \(3\)».
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Sannsynlighetsfordeling
\(P(X = x)\) for hver verdi. Summen er \(1\).
Komplementet
\[ P(X > x) = 1 - P(X \le x) \]
Diskret variabel
\[ P(X < 3) = P(X \le 2) \]
- Stor bokstav (\(X\)) er variabelen, liten bokstav (\(x\)) er en verdi.
- Pass på forskjellen mellom \(<\) og \(\le\).
6.1.2 Forventningsverdi
Elevrådet skal ha et lykkehjul på skoleballet. Hjulet har \(10\) like store felter. Ett felt gir \(100\) kr, to felter gir \(30\) kr, og de sju andre gir ingenting. Et spill koster \(20\) kr. Tjener elevrådet penger? Noen spillere vinner \(100\) kr, og de fleste vinner ingenting. Det vi trenger å vite, er hvor mye hjulet betaler ut i gjennomsnitt per spill når det spilles mange ganger.
Læringsmål
Etter dette delkapittelet skal du kunne
- regne ut forventningsverdien \(E(X)\),
- tolke forventningsverdien som gjennomsnittet i det lange løp,
- bruke forventningsverdien til å vurdere spill og forsikringer.
Forventningsverdi
Tenk deg at hjulet spilles \(1000\) ganger. Omtrent \(100\) ganger gir det \(100\) kr, omtrent \(200\) ganger \(30\) kr og omtrent \(700\) ganger \(0\) kr. Til sammen betaler det ut omtrent
\[ 100 \cdot 100 + 200 \cdot 30 + 700 \cdot 0 = 16\,000 \text{ kr} \]
altså \(16\) kr per spill. Det samme får vi direkte med sannsynlighetene: \(100 \cdot 0{,}1 + 30 \cdot 0{,}2 + 0 \cdot 0{,}7 = 16\).
Symbolet \(\sum\) (sigma) betyr «summen av», her over alle verdiene \(X\) kan få. Ifølge store talls lov er forventningsverdien det gjennomsnittet vi nærmer oss når forsøket gjentas mange ganger. Figuren viser gjennomsnittlig gevinst i en simulering med \(2000\) spill. Trykk på «Spill av».
Spillerne betaler \(20\) kr og får i gjennomsnitt \(16\) kr tilbake. Elevrådet tjener i gjennomsnitt \(4\) kr per spill.
- Forventningsverdien trenger ikke være en verdi \(X\) kan få. En terning viser aldri \(3{,}5\).
- Forventningsverdien er ikke den mest sannsynlige verdien. Den vanligste gevinsten på lykkehjulet er \(0\) kr, men forventningsverdien er \(16\) kr.
- Husk å trekke fra prisen når du vurderer et spill. Nettogevinsten er gevinst minus pris.
- Ta med alle verdiene, også dem som gir \(0\) (de bidrar med \(0\), men sannsynlighetene må summere til \(1\)).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Forventningsverdi
\[ E(X) = \sum x \cdot P(X = x) \]
Tolkning
Gjennomsnittet i det lange løp.
Rettferdig spill
Forventet gevinst = pris.
- \(E(X)\) trenger ikke være en mulig verdi.
- Nettogevinst er gevinst minus pris.
6.1.3 Varians og standardavvik
Elevrådet vurderer et annet spill i stedet for lykkehjulet: Du kaster en mynt og får \(10\) kr for mynt og \(22\) kr for kron. Forventet gevinst er \(10 \cdot 0{,}5 + 22 \cdot 0{,}5 = 16\) kr, akkurat som på lykkehjulet. Likevel er spillene svært forskjellige. På myntspillet får du alltid mellom \(10\) og \(22\) kr. På lykkehjulet får du som regel ingenting, men av og til \(100\) kr. Forventningsverdien sier ingenting om hvor mye utfallet varierer. Det måler vi med standardavviket, som for data i 3.2.3.
Læringsmål
Etter dette delkapittelet skal du kunne
- regne ut varians og standardavvik for en diskret stokastisk variabel,
- tolke standardavviket som et mål for usikkerhet og risiko,
- regne ut forventningsverdi og standardavvik med Python.
Varians og standardavvik
Avviket fra forventningsverdien er \(x - \mu\). Som for data kvadrerer vi avvikene, så positive og negative avvik ikke nuller hverandre ut, og tar gjennomsnittet. Men nå er gjennomsnittet vektet med sannsynlighetene.
Standardavviket har samme enhet som \(X\), og det sier omtrent hvor langt fra forventningsverdien utfallet typisk havner. Variansen har kvadrert enhet (kr²), så den er vanskeligere å tolke.
Det er lurt å regne i en tabell. Her er myntspillet, med \(\mu = 16\):
| \(x\) | \(P\) | \((x - \mu)^2\) | Ganget med \(P\) |
|---|---|---|---|
| 10 | \(0{,}5\) | \((-6)^2 = 36\) | 18 |
| 22 | \(0{,}5\) | \(6^2 = 36\) | 18 |
\(\operatorname{Var}(X) = 18 + 18 = 36\) og \(\sigma = \sqrt{36} = 6\) kr.
Standardavvik som risiko
- Kvadrer avviket før du ganger med sannsynligheten: \((x - \mu)^2 \cdot P\), ikke \((x - \mu) \cdot P\).
- Standardavviket er kvadratroten av variansen. Glem ikke roten.
- Ikke del på antall verdier. Sannsynlighetene er vektene.
- To variabler kan ha samme forventningsverdi, men svært ulikt standardavvik.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Varians
\[ \operatorname{Var}(X) = \sum (x - \mu)^2 \cdot P(X = x) \]
Standardavvik
\[ \sigma = \sqrt{\operatorname{Var}(X)} \]
- Standardavviket måler usikkerhet: hvor langt fra \(\mu\) utfallet typisk havner.
- Kvadrer avvikene, gang med sannsynligheten, og ta roten til slutt.
6.1.4 Fra modell til data
I kapittel 3 regnet vi ut gjennomsnitt og standardavvik for data. I dette kapittelet har vi regnet ut forventningsverdi og standardavvik for en modell. Hvordan henger de sammen? Kast en terning \(20\) ganger og regn ut gjennomsnittet \(\bar{x}\) og standardavviket \(s\) av kastene. Du får neppe akkurat \(3{,}5\) og \(1{,}71\), men sannsynligvis noe i nærheten. Kaster du flere ganger, kommer du nærmere.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare sammenhengen mellom gjennomsnitt og forventningsverdi,
- forklare sammenhengen mellom utvalgsstandardavvik og standardavvik,
- sammenlikne data med en modell, og vurdere om forskjellen er stor.
Modell og data
Modellen beskriver det vi venter i det lange løp. Data er det vi faktisk observerer. Tabellen viser hvordan de tilsvarer hverandre:
| Modell (populasjon) | Data (utvalg) |
|---|---|
| Sannsynlighet \(P(X = x)\) | Relativ frekvens |
| Forventningsverdi \(\mu = E(X)\) | Gjennomsnitt \(\bar{x}\) |
| Standardavvik \(\sigma\) | Utvalgsstandardavvik \(s\) |
| Andel \(p\) | Andel i utvalget \(\hat{p}\) |
Tabellen viser en simulering med en vanlig terning, der \(\mu = 3{,}5\) og \(\sigma \approx 1{,}71\):
| Antall kast \(n\) | \(\bar{x}\) | \(s\) |
|---|---|---|
| \(10\) | \(2{,}90\) | \(1{,}91\) |
| \(100\) | \(3{,}54\) | \(1{,}64\) |
| \(1000\) | \(3{,}46\) | \(1{,}69\) |
| \(10\,000\) | \(3{,}49\) | \(1{,}71\) |
Figuren viser gjennomsnittet etter hvert kast i en simulering med \(1000\) kast.
Dette er grunnen til at vi deler på \(n - 1\) i \(s\) (3.2.3): Med \(n - 1\) treffer \(s^2\) i gjennomsnitt akkurat \(\sigma^2\).
- \(\mu\) og \(\sigma\) er faste tall for modellen. \(\bar{x}\) og \(s\) regnes ut fra data og varierer fra utvalg til utvalg.
- Et gjennomsnitt som avviker litt fra \(\mu\), betyr ikke at modellen er feil. Spørsmålet er om avviket er stort sammenliknet med den vanlige variasjonen.
- \(s\) regnes med \(n - 1\). \(\sigma\) i en modell regnes med sannsynlighetene, uten å dele på noe.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Gjennomsnitt og forventning
\(\bar{x}\) nærmer seg \(\mu\) når \(n\) øker.
Standardavvik
\(s\) nærmer seg \(\sigma\) når \(n\) øker.
Andel
\(\hat{p}\) nærmer seg \(p\) når \(n\) øker.
- \(\mu\), \(\sigma\) og \(p\) er faste. \(\bar{x}\), \(s\) og \(\hat{p}\) varierer fra utvalg til utvalg.
- Avvik fra modellen må vurderes mot den vanlige variasjonen.
6.2 Binomisk fordeling
Seksjonen handler om en fordeling som dukker opp overalt: antall suksesser i en serie like, uavhengige forsøk. Antall riktige når du gjetter på en flervalgsprøve, antall gutter blant de fødte i en kommune og antall seksere på ti kast følger alle en binomisk fordeling.
6.2.1 Binomiske forsøk
Du har glemt å lese til en flervalgsprøve og gjetter på alle spørsmålene. Hvert spørsmål har fire svaralternativer, og ett er riktig. På hvert spørsmål er sannsynligheten for riktig svar \(\frac{1}{4}\), uansett hvordan det gikk på de andre spørsmålene. Antall riktige er en stokastisk variabel. Situasjonen har en bestemt struktur som går igjen i mange sammenhenger, og som gir en fordeling vi kan regne ut.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare de fire forutsetningene for binomisk fordeling,
- avgjøre om en situasjon er binomisk, og finne \(n\) og \(p\),
- regne ut \(P(X = k)\) for små \(n\) ved å telle veier i et sannsynlighetstre.
Forutsetningene
«Suksess» er bare navnet på det vi teller. Teller vi antall seksere, er en sekser en suksess, selv om vi kanskje ikke ønsket den.
Å telle veier
Se på flervalgsprøven med bare \(3\) spørsmål. \(X\) er antall riktige, og \(X \sim B(3, \frac{1}{4})\). Hvordan kan vi få nøyaktig \(2\) riktige? Med R for riktig og F for feil er det tre veier: RRF, RFR og FRR. Hver vei har to riktige og én feil, så hver har sannsynligheten
\[ \frac{1}{4} \cdot \frac{1}{4} \cdot \frac{3}{4} = \frac{3}{64} \]
Rekkefølgen spiller ingen rolle for produktet. Derfor er
\[ P(X = 2) = 3 \cdot \frac{3}{64} = \frac{9}{64} \approx 0{,}141 \]
Hele fordelingen for de tre spørsmålene:
| \(k\) | 0 | 1 | 2 | 3 |
|---|---|---|---|---|
| Antall veier | 1 | 3 | 3 | 1 |
| \(P(X = k)\) | \(\frac{27}{64}\) | \(\frac{27}{64}\) | \(\frac{9}{64}\) | \(\frac{1}{64}\) |
- Sjekk alle fire forutsetningene før du bruker binomisk fordeling. Den vanligste feilen er at delforsøkene ikke er uavhengige, eller at \(p\) endrer seg.
- Husk antall veier. \(p^k (1 - p)^{n - k}\) er sannsynligheten for én vei.
- Eksponenten til \(1 - p\) er antall fiaskoer, \(n - k\).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Forutsetninger
\(n\) bestemt, to utfall, samme \(p\), uavhengige delforsøk.
Notasjon
\[ X \sim B(n, p) \]
Binomisk sannsynlighet
\(P(X = k) = (\text{antall veier}) \cdot p^k (1 - p)^{n - k}\)
- Alle veier med \(k\) suksesser har samme sannsynlighet.
- Trekk uten tilbakelegging fra en stor populasjon er nesten binomisk.
6.2.2 Binomisk sannsynlighet
En flervalgsprøve har \(20\) spørsmål med fire alternativer, og du trenger \(10\) riktige for å stå. Hva er sannsynligheten for å stå hvis du gjetter på alt? Nå er det altfor mange veier til å telle dem for hånd. Bare for nøyaktig \(10\) riktige er det \(184\,756\) veier. Vi trenger hjelpemidler: en tabell eller Python.
Læringsmål
Etter dette delkapittelet skal du kunne
- bruke binomialkoeffisienten \(\binom{n}{k}\) i formelen for \(P(X = k)\),
- finne binomiske sannsynligheter i tabellen i bilag A,
- finne binomiske sannsynligheter med Python.
Formelen
Antall veier med \(k\) suksesser i \(n\) forsøk skrives \(\binom{n}{k}\) og leses «\(n\) over \(k\)». Det er tallene i Pascals trekant. For store \(n\) regner vi dem ut med Python, for eksempel math.comb(20, 10), som gir \(184\,756\).
Med glideren kan du se hvordan fordelingen endrer seg med \(p\) når \(n = 20\):
Når \(p\) er liten, ligger fordelingen til venstre og er skjev mot høyre. Når \(p = 0{,}5\), er den symmetrisk.
Tabellen
På eksamen har du ikke Python. Tabellen i bilag A gir de kumulative sannsynlighetene \(P(X \le k)\) for \(n\) opp til \(20\). Andre sannsynligheter finner vi med komplementet og ved å trekke fra:
Tegn gjerne en tallinje og marker verdiene som er med. Da ser du hva som skal trekkes fra.
Med Python
SciPy har den binomiske fordelingen. binom.pmf(k, n, p) gir \(P(X = k)\), og binom.cdf(k, n, p) gir \(P(X \le k)\).
- Tabellen gir \(P(X \le k)\), ikke \(P(X = k)\).
- \(P(X \ge k) = 1 - P(X \le k - 1)\), ikke \(1 - P(X \le k)\). Verdien \(k\) skal være med.
- Når \(p > 0{,}5\), må du telle fiaskoene og bruke \(1 - p\).
binom.cdf(k, n, p)har rekkefølgen \(k\), \(n\), \(p\).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Binomisk sannsynlighet
\[ P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k} \]
Minst \(k\)
\[ P(X \ge k) = 1 - P(X \le k - 1) \]
Nøyaktig \(k\)
\[ P(X = k) = P(X \le k) - P(X \le k - 1) \]
Python
binom.pmf(k, n, p) og binom.cdf(k, n, p)
- Tabellen i bilag A gir \(P(X \le k)\).
- Når \(p > 0{,}5\), tell fiaskoene: \(n - X \sim B(n, 1 - p)\).
6.2.3 Forventning og spredning i binomisk fordeling
Gjetter du på \(20\) spørsmål med fire alternativer, venter du å få omtrent en firedel riktig, altså \(5\). Men du får sjelden nøyaktig \(5\). Hvor mye varierer det? Og hvor mange riktige må du få før det er grunn til å tro at du ikke bare gjettet?
Læringsmål
Etter dette delkapittelet skal du kunne
- regne ut forventningsverdi og standardavvik i en binomisk fordeling,
- bruke \(\mu \pm 2\sigma\) til å avgjøre om et resultat er uvanlig,
- tolke resultatene i en kontekst.
Forventningsverdi og standardavvik
Ett delforsøk gir \(1\) suksess med sannsynlighet \(p\) og \(0\) med sannsynlighet \(1 - p\). Forventningsverdien er \(1 \cdot p + 0 \cdot (1 - p) = p\), og variansen er \((1 - p)^2 p + (0 - p)^2 (1 - p) = p(1 - p)\). Med \(n\) uavhengige delforsøk legger vi sammen \(n\) slike bidrag, og det gjelder både forventningsverdien og variansen.
At variansene kan legges sammen for uavhengige forsøk, ser vi nærmere på i kapittel 8.
Vanlige og uvanlige verdier
For de fleste binomiske fordelinger havner omtrent \(95\ \%\) av utfallene innenfor to standardavvik fra forventningsverdien. Det gjelder best når fordelingen ikke er for skjev, altså når \(n\) er stor og \(p\) ikke er for nær \(0\) eller \(1\). Vi bruker det som en tommelfingerregel:
For prøven er intervallet \(5 - 2 \cdot 1{,}94 \approx 1{,}1\) til \(5 + 2 \cdot 1{,}94 \approx 8{,}9\). Vanlige resultater er altså \(2\) til \(8\) riktige, og tabellen gir \(P(2 \le X \le 8) = 0{,}9591 - 0{,}0243 = 0{,}9348\). Får du \(10\) riktige, har du trolig ikke bare gjettet.
Figuren viser alle kommunene med fødsler i 2025. For hver kommune er avviket fra forventningen målt i standardavvik: \(\frac{x - \mu}{\sigma}\). Hold over et punkt for å se kommunen. De stiplede linjene er \(\pm 2\).
Kilde: SSB, tabell 04231. Den vannrette aksen er logaritmisk.
Av de \(356\) kommunene ligger \(15\), altså \(4{,}2\ \%\), utenfor \(\pm 2\) standardavvik. Det er omtrent det vi venter hvis sannsynligheten for gutt er \(0{,}514\) overalt. I motsetning til andelene i 5.1.1 ligger de små kommunene ikke lenger ytterst: Når avviket måles i standardavvik, er variasjonen den samme for store og små kommuner.
- \(\sigma = \sqrt{np(1 - p)}\). Ikke glem kvadratroten.
- \(\mu \pm 2\sigma\) er en tommelfingerregel. Den passer dårlig når \(n\) er liten og \(p\) er nær \(0\) eller \(1\).
- Et uvanlig resultat beviser ikke at modellen er feil. Det skjer i omtrent \(5\ \%\) av tilfellene, også når modellen stemmer.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Forventning
\[ E(X) = np \]
Standardavvik
\[ \sigma = \sqrt{np(1 - p)} \]
Vanlige verdier
\[ \mu \pm 2\sigma \]
- Utenfor \(\mu \pm 2\sigma\) er uvanlig (omtrent \(5\ \%\)), men ikke umulig.
- Standardavviket er størst når \(p = 0{,}5\).
6.3 Oppgaver
Oppgavene blander stoff fra hele kapittelet.
6.4 Oppsummering
Stokastiske variabler
Sannsynlighetsfordeling
\(P(X = x)\) for hver verdi. Summen er \(1\).
Forventningsverdi
\[ E(X) = \sum x \cdot P(X = x) \]
Varians
\[ \operatorname{Var}(X) = \sum (x - \mu)^2 \cdot P(X = x) \]
Standardavvik
\[ \sigma = \sqrt{\operatorname{Var}(X)} \]
Modell og data
\(\bar{x} \to \mu\), \(s \to \sigma\) og \(\hat{p} \to p\) når \(n\) øker.
- \(E(X)\) er gjennomsnittet i det lange løp, ikke nødvendigvis en mulig verdi.
- Standardavviket måler usikkerhet og risiko.
Binomisk fordeling
Forutsetninger
\(n\) bestemt, to utfall, samme \(p\), uavhengige delforsøk.
Binomisk sannsynlighet
\[ P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k} \]
Minst \(k\)
\[ P(X \ge k) = 1 - P(X \le k - 1) \]
Forventning
\[ E(X) = np \]
Standardavvik
\[ \sigma = \sqrt{np(1 - p)} \]
Vanlige verdier
\[ \mu \pm 2\sigma \]
- Tabellen i bilag A gir \(P(X \le k)\).
- Når \(p > 0{,}5\), tell fiaskoene: \(n - X \sim B(n, 1 - p)\).