Föreläsning 7
FK2002
Föreläsning 7
• Binomialfördelning
• Poissonfördelning
• Att testa en hypotes
Binomialfördelningen
Betrakta ett experiment som består av försök varav är
. Mätningar har diskreta värden (lyckade, inte lyckade).
T.ex. att kasta en tärning, att flippa ett mynt.
Det finns en viss sanno
n lyckade försök
ν
likhet att ett vi får ett
1 1
t.ex. vi kasta en "tre" ( ), vi får klave inte krona ( )
6 2
=sannolikheten att vi inte får ett lycket försök =1- Vad är sannolikheten att få
p lyckat försök
p p
q p
lyckade försö ν
= =
,
( )
i försök ? ( , ) !
!( )!
binomial
n n p
k n
P n B n p q
n B
ν ν
ν ν
ν ν
= = −
−
≡
Fråga
Man drar ett kort från en kortlek och tittar på det. Sedan lägger man tillbaka kortet. Man gör detta fyra gånger.
Vad är sannolikheten att dra minst tre hjärter ?
3 1
4 0
! 1 3
; 4, ,
!( )! 4 4
4! 1 3
sannolikheten att få 3 hjärter: 3 0.05 5%
3!1! 4 4
4! 1 3
sannolikheten att få 4 hjärter: 4 0.004 0.4%
4!0! 4 4 sannoli
n n
P p q n p q
n
P
P
ν ν
ν ν
ν
ν
= − = = =
−
= = = =
= = = =
kheten att få minst 3 hjärter=5+0.4=5.4%
Egenskaper av en binomialfördelning
( )
( ) ( )
( )2
2
,
, ,
2
(1) Betrakta en binomialfördelning för ett visst värde av . Om är stor (>~20) blir
binomialfördelningen normalfördelningen
normalfunktion= e
=medelvärdet, stand
n p
n p X
X
B
p n
B G
G A
X
σ
ν σ
ν
ν ν
σ
−
−
=
=
∼
∼
ardavvikelsen, =konstant (2) Standardavvikelsen av antalet lyckade försök:
(1 )
A
np p
σ
ν= −
En jämförelse mellan en binomial- och normalfördelning
Binomialfördelningen Normalfördelningen
När n blir stor blir
Normalfördelning ~ binomialfördelning
Att testa en hypotes
En vaxtillverkare vill testa en ny typ av vax som
används mellan en skid och marken. Hur kan han/hon bestämma om vaxet fungerar.
En allmänn princip för att utföra ett statistiskt test:
(1) Uppskatta sannolikheten att resultatet av testet är konsekvent med den s.k. nollhypotesen dvs att vaxet inte fungerar.
(2) Om sannolikheten är mindre än en sannolikhetsgräns (t.ex.
5%) säger vi att det finns starka bevis för att vaxet fungerar.
Att testa vaxet
10,1 2
Betrakta ett test som består av 10 skidlopp.
Nollhypotesen innebär att sannolikheten att en behandlad skid skulle vinna: 1 .
2
Sannolikheten att de behandlade skidorna skulle vinna skidlopp (
p
P B
ν ν
=
=
10
10 10,1
2
10! 1
) !(10 )! 2
Sannolikheten att de behandlade skidorna skulle vinna 10 skidlopp
10! 1
(10) 0.1%.
10!(10 10)! 2 P B
ν ν
=
−
= = =
−
1 1 1
10, 10, 10,
2 2 2
10 10 10
Sannolikheten att de behandlade skidorna skulle vinna minst 8 skidlopp
(8) (9) (10)
10! 1 10! 1 10! 1
5.5%
8!(10 8)! 2 9!(10 9)! 2 10!(10 10)! 2
Tillverkaren kan kv
P = B + B + B
= + + =
− − −
antifiera hur framgångsrikt sitt vax är !
Ett annat exempel
Två kandidater deltar i ett val. Kandidat-1 påstår att sin opinionsundersökning visar att 60% av väljare ska rösta på honom. Kandidat-2 vill kolla detta påstående.
Hon gör sin egen opinionsundersökning.
Hon frågor 600 väljare som slumpmässigt valdes ut. Om 330 väljare säger att de ska rösta på kandidat-1 är detta konskevent med hans påstående ?
,
( )
Sannolikheten att väljare ska rösta på kandidat 1
Detta exempel handlar om en binomialfördelning med en stor (600)
normalfördelning binomialfördelning.
Medelvärdet av 600 0.6 360 Stan
P Bn p
n
X
ν ν
=
⇒
= × =
∼
dardavvikelsen = (1 ) 600 0.6(1 0.6) 12 360 330 30 2.5
np p
σ
σ
− = × − =
− = =
Använd tabellen:
Vi behöver arean under fördelningen
för 2.5 .
Andelen av arean=1- 0.99 0.01 Sannolikheten 1%
Det är väldigt osannolikt att kandidat-1 har rätt.
ν < X − σ
⇒
∼
∼
Poissonfördelning
( )
Sannolikheten att ett antal oberoende händelser t.ex. radioaktiva
sönderfall äger rum inom ett visst tidsintervall eller inom en viss volym.
Poissonfördelningen:
!
medelvärdet av antalet
P e
ν µ µ
ν µ
ν µ
= −
= händelser ; antalet händelser.
Standardavvikelser = .
Obs! En Binomialfördelning Poissonfördelning när sannolikheten av en händelse är liten och antalet prov är stort. T.ex. ett radioaktivt pr
p
ν µ
=
→
20
20
ov består av 10 kärnor och sannolikheten att en av dem ska sönderfalla inom ett visst intervall är ∼10− .
Radioaktivt sönderfall
Ett radioaktivt prov emitterar alfapartiklar : 2 alfapartiklar per minut.
(a) Om antalet alfapartiklar som emitteras inom två minuter räknas vad är det förväntade resultatet för medelvärdet ?
(b) Vad är sannolikheten att ett experiment skulle finna att antalet alfapartiklar =medelvärdet ?
(c) Vad är sannolikheten för att observera alfapartiklar om 0,1, 2,3, 4 och för 5 ?
ν
ν = ν ≥
( )
4 4
(a) Det förväntade resultatet : medelvärdet = 2 x 2 =4 Sannolikheten att få partiklar:
Prob( partiklar)= 4
! P e
ν
µ ν
ν ν
ν
−
=
( )
4 4
4 4
4 0 4 1
4 2 4 3
(b) Sannolikheten att få partiklar:
Prob( partiklar)= 4
! Prob(4 partiklar)= 4 0.20
4!
4 4
(c) Prob(0)= 0.02 ; Prob(1)= 0.07 ;
0! 1!
4 4
Prob(2)= 0.15 ; Prob(3)= 0.20
2! 3!
Prob(
P e
e
e e
e e
ν
ν
ν ν
ν
ν
−
−
− −
− −
=
=
= =
= =
≥
4 5 4 6 4 7
4 4 4
5)= ... 0.37
5! 6! 7!
e
−e
−e
−+ + + =
Poissonfördelningar
Varje kärna har en viss sannolikhet att sönderfalla inom ett tvåminutesintervall
Poissonfördelningar är diskreta och osymmetriska
(för µ<∼5)
Ett exempel till
18 hönor bor i ett hönshus. Varje höna i hönshuset lägger ett ägg om dagen i
genomsnitt.
(a) Om jag kollar hönorna varje timme och tar
bort ägg som jag hittar vad är medelvärdet av antalet ägg som jag hittar när jag besöker
hönshuset ?
(b) Vad är sannolikheten att jag skulle hitta
0,1,2,3 eller fler än 3 ägg.
( ) ( )
0.75 0
0.75
0.75 1
0.75
0.75
(a) Medelvärdet av antalet ägg jag skulle förvänta mig att hitta varje timme:
= 1 18 0.75 24
(b) Prob(0 ägg)= 0 0.75 0.47 0!
Prob(1 ägg)= 1 0.75 =0.35 1!
Prob(2 ägg)=
P e
P e
P
µ
−
−
× =
= =
=
( ) ( )
0.75 2
0.75 3
0.75
0.75 4 0.75 5
2 0.75 =0.13
2!
Prob(3 ägg)= 3 0.75 =0.03 3!
0.75 0.75
Prob( 4 ägg)= + +...=0.007
4! 5!
e
P e
e e
−
−
− −
=
=
≥
Standardavvikelse
( )
21
Standardavvikelsen av en Poissonfördelning med medelvärdet
1 =
1
Man tolkar som ett fel i en individuell mätning.
T.ex. om man mäter radioaktivt sönderfall inom ett visst tidsinterva
N
i
N i
N
µ
σ ν µ µ
σ
=
= −
− ∑
ll är mätningen: .
Det är lättare att göra en kvantitativ tolkning av hur kan betraktas som ett fel i en mätning när blir stor (nästa sidan).
N N
N
µ
±
Poisson- och normalfördelningar
( )
,( )
När blir stor (> ~5)
Poissonfördelning = Normalfördelning där och =
Detta betyder att vi kan använda normalfördelningen för att tolka osäkerheter. T.ex. en 68% sannolikhet att en m
Pµ GX σ X
µ
ν ν µ σ µ
⇒
⇒ = =
ätning ligger mellan -
µ σ
<µ
<µ σ
+ .ν
9
( )
P ν
Normal: 9, =3Poisson: =9
X σ
µ
=
Ett exempel
Student A påstår att han har gjort en mätning av medelvärdet av kosmisk strålning dvs partiklar som träffar en detektor inom ett visst tidsintervall. Han har hittat i genomsnitt 9 partiklar per minut med en försummbart osäkerhet.
(a) Student B räknar antalet partiklar inom en minut. Hon mäter 12 partiklar. Är hennes
mätningar konsekvent med student As resultat ? (b) Student C räknar 115 partiklar inom 10 minuter.
Är student Cs mätningar konsekvent med
student As resultat ?
(a) Mätningen av medelvärdet (av student ) ger 9 partiklar per minut. Vi antar att osäkerheten är försummbar.
Om student As resultat är korrekt:
Felet i en individuell mätningen = 9 3 Student
A
⇒
=
⇒ Bs mätning :
12 3 partiklar inom en minut.
Konsekvent med student . A
±
⇒
Det ”korrekta” värdet av student A
Student Bs värde 9
( )
P ν
ν
(c) Student A medelvärde över ett intervall av 10 minuter:
=10 9 90
Felet i en individuell mätning över 10 minuter = 90 10.
Student C mäter 115 10.
Det är en stor skillnad (2.
s
µ
σ
× =
≈
±
5 ).
Sannolikheten att göra en mätning större än +2.5 1 0.99 0.01
Det är väldigt osannolikt att mätningarna är konsekventa.
σ
µ σ −
⇒
∼ ∼
Radioaktiva sönderfall med bakgrund
En student undersöker ett radioaktivt prov. Han mäter
2540 sönderfall inom 10 minuter. Han tar bort provet och mäter 95 sönderfall inom 3 minuter.
Vad är antalet sönderfall per minut från provet ?
Sig
( )
nal + bakgrund inom 10 minuter =2540 2540 2540 2540
Signal + bakgrund per minut = 254 5
10 Bakgrund inom 3 minuter =95 95
95 95
Bakgrund per minut = 32 3 3
Antalet sönderfall per minut = 254 5 3
±
⇒ ± = ±
±
⇒ ± = ±
⇒ ± −
(
2 3±)
= 222 6±Normal-, Binomial- och Poissonfördelningar
Fördelningen Funktion Standardevvikel
se (eller ”felet i en individuell
mätning”)
När uppstår denna fördelning ?
Normal En viss mätning ν kan ha kontinuerliga
värden och det finns att antal olika mätfel som förklarar varför mätningen inte har medelvärdet.
Binomial Två möjliga diskreta värden (t.ex.
krona,klave) . Vi vill beräkna
sannolikheten att få t.ex. ν kronor efter n prov om sannolikheten att få ett
lyckat försök är p.
Poisson Två möjliga diskreta värden (t.ex. en
kärna sönderfäller eller sönderfäller inte) eller . Vi vill beräkna
sannolikheten att få t.ex. ν
sönderfallna kärnor om medelvärdet är µ.
En Binomial -> Poissonfördelning när p är lite n och n är stor.
( )2
2 2
= e
X
G A
ν σ
−
−
, ( )
!
!( )!
n n p
B n p q
n
ν ν
ν ν ν
= −
−
σ
(1 ) np − p
( ) !
P e
ν µ µ
ν µ
ν
= − µ
Binomalfördelning
Poissonfördelning
Normalfördelning
ν
( )
P
µν
( )
,
B
n pν
blir stor
µ
blir stor blir liten.
n p
n=3
9
( ) P ν
ν
En gammal tentafråga
2006
En gammal tentafråga
2005
0 1 2 3 4 5 6 7