Processing math: 100%

субота, 21 листопада 2015 р.

Властивості біноміального розподілу

S_n - кількість успіхів у вибірці розміру n.
b(k) = b_n(k,p) = {n \choose k}p^kq^{n-k}, (k = 0,1,\cdots,n)

Унімодальність

\frac{b(k)}{b(k-1)} = \frac{{n \choose k}p^kq^{n-k}}{{n \choose k-1}p^{k-1}q^{n-k+1}}=\frac{(n-k+1)p}{kq}. Отже, ймовірність зростає допоки \frac{(n-k+1)p}{kq} > 1.
b(k) > b(k-1) тоді і тільки тоді, коли (n-k+1)p > kq. Або: np+p>kp+kq = k.
S_n/n, співвідношення успіхів у вибірці розміру n досягає максимуму біля p.

Центр мас

\mu = 0 \cdot b(0) + 1 \cdot b(1) + \cdots + k \cdot b(k) + \cdots + n \cdot b(n) = \sum_{k=1}^n k\cdot b_n(k;p) =: \mbox{E}(S_n) \mbox E - математичне сподівання.
Погравшись із коефіцієнтами і факторіалами ми можемо отримати такі дві тотожності: k\cdot b_n(k;p) = np \frac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}q^{n-k} = np \cdot b_{n-1}(k-1;p) k^2\cdot b_n(k;p) = n(n-1)p^2\cdot b_{n-2}(k-2;p)+np\cdot b_{n-1}(k-1;p) Використовуючи першу тотожність маємо, що \mbox E(S_n) = np \sum_{k=1}^n b_{n-1}(k-1;p) = np. Таким чином, ми бачимо, що центр мас майже збігається з піком на графіку біноміального розподілу, тобто маси розподілені майже порівну по обидва боки піка.

Момент інерції

Згадаємо, що таке момент інерції: I = mr^2 Дисперсія S_n: \sigma^2 = (0 - np)^2\cdot b(0) + (1-np)^2\cdot b(1) + \cdots +(k-np)^2\cdot b(k) + \cdots + (n-np)^2\cdot b(n) \mbox{Var}(S_n) := \sigma^2 = \Sigma_k (k-np)^2\cdot b_n(k;p) Отже, дисперсія - це момент інерції, де b(k) - це функція маси. Очікуване квадратичне відхилення.
Стандартне відхилення S_n: \sigma = \sqrt{\mbox{Var}(S_n)}.

Тут нам і стануть в нагоді отримані в попередньому розділі тотожності.
\sigma^2= \Sigma_k (k-np)^2\cdot b_n(k;p)
= \Sigma_k k^2 \cdot b_n(k;p) - 2np\Sigma_k k\cdot b_n(k;p) + n^2p^2\Sigma_k b_n(k;p)
= \big(n(n-1)p^2 + np\big) - 2np\big(np\big) +n^2p^2\big(1\big)
= -np^2+np
= npq
Якщо S_n \sim \mbox{Binomial}(n,p), тоді \mbox{Var}(S_n) := \sigma^2 = npq.
Отже, \sigma = \sqrt{npq}.

Немає коментарів:

Дописати коментар