Биномиальное распределение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Ссылки)
(Материал является полемическим и должен быть вынесен в отдельную статью)
Строка 120: Строка 120:
*[http://ru.wikipedia.org/wiki/%D0%91%D0%B8%D0%BD%D0%BE%D0%BC%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5 Биномиальное распределение] (Википедия)
*[http://ru.wikipedia.org/wiki/%D0%91%D0%B8%D0%BD%D0%BE%D0%BC%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5 Биномиальное распределение] (Википедия)
*[http://en.wikipedia.org/wiki/Binomial_distribution Binomial distribution] (Wikipedia)
*[http://en.wikipedia.org/wiki/Binomial_distribution Binomial distribution] (Wikipedia)
-
 
-
 
-
 
-
== Интерпретация 21-го века ==
 
-
 
-
{|border=1 align="center"
 
-
|+Таблица 1 – Характеристики биномиального распределения интерпретации 21-го века
 
-
| Пространство элементарных событий
 
-
| <tex>\sum_{i=1}^2\Omega_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})</tex>
 
-
|-
 
-
|Вероятность
 
-
|<tex>\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! n_2!}p_1^{n_1}p_2^{n_2}</tex>
 
-
|-
 
-
| Максимальная вероятность
 
-
 
-
(при математическом ожидании
 
-
 
-
распределения)
 
-
 
-
|<tex> \left(\frac{n!}{n_i!n_2!}p_1^{n_1}p_2^{n_2}\right)_{max}= \frac{1}{2}</tex>
 
-
|-
 
-
| Математическое ожидание
 
-
 
-
(как максимальное произведение
 
-
 
-
математических ожиданий
 
-
 
-
случайных величин)
 
-
|<tex>\left(\prod_{i=1}^2E(t_i, X_i=n_i \mid t_{i-1},X_{i-1})\right)_{max}=\frac{1}{2}</tex>
 
-
|-
 
-
| Дисперсия
 
-
|<tex>\sum_{i=1}^2D(t_i,X_i \mid t_{i-1},X_{i-1})=\sum_{i=1}^2(n-n_{i-1})p_iq_i</tex>
 
-
|-
 
-
| Максимальная дисперсия
 
-
 
-
(при математическом ожидании
 
-
 
-
распределения)
 
-
 
-
|<tex>D(X_1,X_2|X_1)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{3}{4}</tex>
 
-
|-
 
-
|Ковариационная матрица
 
-
|<tex>B=\| b_{ij} \|</tex>, где :<tex>\rho _{ij} = \begin{cases} 1, & i=j,\\0, & i \not= j\end{cases} </tex>
 
-
|-
 
-
|Корреляционная матрица
 
-
|<tex>P=\| \rho_{ij} \|</tex>, где
 
-
:<tex>\rho_{ij} = \begin{cases} 1, & i=j,\\0, & i \not= j\end{cases}</tex>
 
-
|-
 
-
|<tex>\chi^2</tex> - критерий
 
-
|<tex> \chi^2=\sum_{i=1}^2 [X_i-(n -n_{i-1})p_i^{(0)}]^2/(n -n_{i-1})p_i^{(0)}=</tex>
 
-
<tex>=-n+\sum_{i=1}^2X_i^2 /(n-n_{i-1})p_i^{(0)}</tex>
 
-
|}
 
-
 
-
==Биномиальная схема повторных циклов случайных зависимых экспериментов==
 
-
 
-
Каждый цикл экспериментов осуществляют '''методом выбора без возвращения''' в дискретной временной последовательности
 
-
 
-
::<tex>t_1, t_2.</tex>
 
-
 
-
Каждая из случайных величин распределения
 
-
 
-
 
-
::<tex>X_i=n_i \mid X_{i-1}=n_{i-1}</tex>
 
-
 
-
это <tex>n_i</tex> наступлений одного события
 
-
 
-
::<tex>x_i, i =1,2</tex>
 
-
 
-
в <tex>i</tex> - ый момент времени при условии, что в <tex>(i-1)</tex> - ый момент произошло <tex>n_{i-1}</tex> наступлений предшествующего события <tex>x_{i-1}</tex>, &mdash;
 
-
[[ распределение Бернулли | распределения Бернулли]] с успехом, вероятности которых <tex>p_i</tex> нормированы
 
-
 
-
::<tex>p_1+p_2=1</tex>
 
-
 
-
и неизменны во время проведения экспериментов.
 
-
 
-
Если в каждом цикле экспериментов вероятность наступления события <tex>x_i</tex> равна <tex>p_i</tex>, то биномиальная вероятность равна вероятности того, что при <tex>n</tex> экспериментах события <tex>x_1, x_2</tex> наступят <tex>n_1, n_2</tex> раз соответственно.
 
-
 
-
'''Случайная величина биномиального распределения''' в соответствующей точке дискретной временной последовательности <tex>t_1, t_2</tex> имеет:
 
-
 
-
пространство элементарных событий
 
-
 
-
::<tex>\Omega_i(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})= [0\le n_i \le n-n_{i-1}], </tex>
 
-
 
-
вероятность
 
-
 
-
::<tex>P(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})={n-n_{i-1}\choose n_i}p_i^{n_i},</tex>
 
-
 
-
математическое ожидание
 
-
 
-
::<tex>E(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=( n-n_{i-1})p_i</tex>
 
-
 
-
и дисперсию
 
-
 
-
::<tex>D(t_i,X_i \mid t_{i-},X_{i-1})=( n -n_{i-1})p_iq_i, \quad q_i=1-p_i .</tex>
 
-
 
-
'''Пространство элементарных событий биномиального распределения''' есть сумма точечных пространств элементарных событий его случайных величин, образующих дискретную последовательность точек <tex> t_1, t_2 </tex> цикла, а ''вероятность биномиального распределения'' &mdash; произведение вероятностей его случайных величин.
 
-
 
-
==Биномиальное распределение &mdash; совместное распределение '''двух''' случайных величин <ref> http://ru.wikiznanie.org/wiki/ Биномиальное распределение, Настоящая интерпретация 21-го века. </ref>==
 
-
 
-
::<tex>\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! n_2!}p_1^{n_1} p_2^{n_2},\qquad \frac{n!}{n_1!n_2!}={n\choose n_1,n_2}= {n \choose n_1}={n\choose n_2}, </tex>
 
-
 
-
::<tex>2\le k \le n <\infty, \qquad n_1+n _2=n, \qquad p_1+p_2=1,</tex>
 
-
 
-
определённых на точечных пространствах элементарных событий
 
-
 
-
::<tex>\Omega_1, \Omega _2</tex>
 
-
 
-
и принимающих в дискретные последовательные моменты времени
 
-
 
-
::<tex>t_1, t_2, \quad t_i<t_{i+1}</tex>
 
-
 
-
целые неотрицательные значения
 
-
 
-
::<tex>n_1, n_2,</tex>
 
-
 
-
взаимосвязанные условием
 
-
 
-
::<tex>n_1 +n_2=n,</tex>
 
-
 
-
согласно которому
 
-
 
-
::<tex>X_2=n_2 \mid X_1=n_1</tex>
 
-
 
-
если в первый момент времени <tex>t_1</tex> первая случайная величина <tex>X_1</tex> приняла значение
 
-
 
-
::<tex>n_1, \quad 0\le n_1\le n,</tex>
 
-
 
-
то во второй момент времени <tex>t_2</tex>вторая случайная величина
 
-
<tex>X _2</tex> принимает значение
 
-
 
-
::<tex> n _2, \quad 0\le n_2\le n- n_1.</tex>
 
-
 
-
==Характер зависимости случайных величин в каждом цикле экспериментов:==
 
-
 
-
*только первая случайная величина является независимой, а вторая случайная величина зависима от первой;
 
-
 
-
* если первая случайная величина в первый момент времени приняла своё максимально возможное значение, равное <tex>X_1=n</tex>, то вторая случайная величина во второй момент времени обязана принять своё минимальное (нулевое) значение <tex>X_2=n_2=0</tex> в противном случае не будет выполнено условие суммирования числовых значений случайных величин распределения, согласно которому <tex>n_1+n _2=n</tex>;
 
-
 
-
* если первая случайная величина в первый момент времени приняла своё минимальное (нулевое) значение <tex>X_1=n_1=0</tex>, то вторая случайная величина во второй момент времени обязана принять своё максимальное значение <tex>X_2=n_2=n</tex> в противном случае не будет выполнено условие <tex>n_1+n _2=n</tex>.
 
-
 
-
 
-
==Характеристики случайных величин биномиального распределения:==
 
-
 
-
пространство элементарных событий
 
-
 
-
::<tex>\Omega_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=[0 \le n_i \le n-n_{i-1}],</tex>
 
-
 
-
вероятность
 
-
 
-
::<tex>P(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})={n-n_{i-1}\choose n_i}p_i^{n_i},</tex>
 
-
 
-
математическое ожидание
 
-
 
-
::<tex>E(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=(n-n_{i-1})p_i,</tex>
 
-
 
-
Дисперсия
 
-
 
-
::<tex>D(t_i,X_i \mid t_{i-1},X_{i-1})=(n -n_{i-1})p_iq_i, \quad q_i=1-p_i,</tex>
 
-
 
-
производящая
 
-
 
-
::<tex>A(s_i)=(1+p_is_i)^{n-n_{i-1}}</tex>
 
-
 
-
и характеристическая
 
-
 
-
::<tex>f(t_i)=(1+p_ie^{jt_i})^{n-n_{i-1}}</tex>
 
-
 
-
функции.
 
-
 
-
==Характеристики биномиального распределения:==
 
-
 
-
пространство элементарных событий
 
-
 
-
::<tex>\sum_{i=1}^2\Omega_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1}), </tex>
 
-
 
-
расположенное в точках <tex>t_1, t_2</tex> временной последовательности,
 
-
 
-
вероятность
 
-
 
-
::<tex>\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1!n_2!}p_1^{n_1}p_2^{n_2},</tex>
 
-
дисперсия
 
-
 
-
::<tex>\sum_{i=1}^2D(t_i,X_i \mid t_{i-1},X_{i-1})=\sum_{i=1}^2(n-n_{i-1})p_iq_i,</tex>
 
-
 
-
ковариационная матрица <tex>B=\| b_{ij} \|</tex>, где
 
-
 
-
::<tex>b_{ij} = \begin{cases} (n-n_{i-1})p_iq_i, & i=j,\\0, & i \not= j,\end{cases}</tex>
 
-
 
-
корреляционная матрица <tex>P=\| \rho_{ij} \|</tex>, где
 
-
 
-
::<tex>\rho _{ij} = \begin{cases} 1, & i=j,\\0, & i \not= j,\end{cases}</tex>
 
-
 
-
::<tex>\chi^2</tex> - квадрат критерий для полиномиально распределенных случайных величин
 
-
 
-
::<tex>\chi^2=\sum_{i=1}^2 [X_i-(n -n_{i-1})p_i^{(0)}]^2/(n -n_{i-1})p_i^{(0)}= </tex>
 
-
 
-
::<tex>=-n+\sum_{i=1}^2X_i^2 /(n-n_{i-1})p_i^{(0)}.</tex>
 
-
 
-
'''Урновая модель биномиального распределения''' содержит одну исходную урну и две приёмные урны. В начальный момент времени исходная урна содержит <tex>n</tex>- множество различимых неупорядоченных элементов, а приёмные урны пусты.
 
-
Объем каждой из них не менее объёма исходной урны. Нумерация приёмных урн соответствует нумерации случайных величин биномиального распределения.
 
-
 
-
Первая [[выборка]]
 
-
 
-
::<tex>n_1,\quad 0\le n_1\le n</tex>
 
-
 
-
в первый момент времени направляется в первую приёмную урну с вероятностью <tex>p_1</tex> каждого элемента.
 
-
 
-
Во второй момент времени все оставшиеся <tex>n-n_1</tex> элементы исходной урны, образующие вторую выборку
 
-
 
-
::<tex>n_2,\quad 0\le n-n_1\le n,</tex>
 
-
 
-
направляются во вторую приёмную урну с вероятностью <tex>p_2</tex> каждого элемента.
 
-
 
-
В результате исходная урна пуста, а все её элементы размещены в приёмных урнах.
 
-
 
-
После обработки результатов разбиения множества на подмножества элементы возвращают на прежнее место, и урновая модель готова к проведению очередного цикла зависимых экспериментов.
 
-
 
-
Произведение вероятностей попадания <tex>n_1, n_2</tex> элементов в две приёмные урны есть '''биномиальное распределение. '''
 
-
 
-
==Математическое ожидание биномиального распределения==
 
-
 
-
получают одним из двух способов: как максимум произведения математических ожиданий его случайных величин, или как максимум вероятности распределения.
 
-
 
-
'''Необходимые'''
 
-
 
-
::<tex>k=n, \qquad n_i=1, \qquad 0<p_i<1,</tex>
 
-
 
-
'''и достаточные'''
 
-
 
-
::<tex>p_1=p_2=2^{-1}</tex>
 
-
 
-
'''условия''' получения математического ожидания биномиального распределения.
 
-
 
-
Математическое ожидание
 
-
 
-
::<tex>\left(\prod_{i=1}^2E(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})\right)_{max}=\left(\prod_{i=1}^2(n-n_{i-1})p_i\right)_{max}=\frac{n!}{n^n}=\frac{1}{2},</tex>
 
-
 
-
максимальная вероятность
 
-
 
-
::<tex>\left(\prod_{i=1}^2P(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})\right)_{max}=\left(\frac{n!}{n_i!n_2!}p_1^{n_1}p_2^{n_2}\right)_{max}=\frac{n!}{n^n}= \frac{1}{2}</tex>
 
-
 
-
равна математическому ожиданию,
 
-
 
-
максимальная дисперсия
 
-
 
-
::<tex>D(X_1,X_2|X_1)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{n^2-1}{2n}=\frac{3}{4}.</tex>
 
-
 
-
Пространство элементарных событий биномиального распределения при получении его математического ожидания
 
-
 
-
::<tex>\Omega(t_1, X_1=n_1=1 \mid t_2,X_2=n_2=1)</tex>
 
-
 
-
расположено в точках <tex>t_1, t_2</tex> временной последовательности.
 
-
 
-
'''Урновая модель получения математического ожидания биномиального распределения''' содержит одну исходную урну и две приёмные урны единичных объемов. Нумерация приёмных урн соответствует нумерации случайных величин биномиального распределения.
 
-
 
-
В начальный момент времени исходная урна содержит два различимых элемента, а приёмные урны пусты.
 
-
 
-
В первый момент времени из исходной урны выбирают один элемент <tex>n_1=1</tex> и направляют его в первую приёмную урну с вероятностью <tex>p_1=0,5</tex> .
 
-
 
-
Во второй момент времени оставшийся элемент <tex>n_2=1</tex> исходной урны отправляют во вторую приёмную урну с вероятностью <tex>p_2=0,5</tex>.
 
-
 
-
В результате исходная урна пуста, а её два элемента по одному размещены в приёмных урнах. После обработки результатов разбиения исходного множества на два подмножества все элементы из приёмных урн возвращают в исходную урну. На этом один цикл повторных зависимых экспериментов закончен, и урновая модель готова к проведению следующего цикла экспериментов.
 
-
 
-
Произведение вероятностей попадания по одному произвольному элементу в каждую приёмную урну есть '''математическое ожидание биномиального распределения. '''
 
-
 
-
'''Изменение характеристик биномиального распределения в окрестности его математического ожидания''' приведено в таблице 2.
 
-
 
-
{|border=1 align="center"
 
-
|+Таблица 2 – Окрестности математического ожидания биномиального распределения настоящей интерпретации 21-го века
 
-
| Числовые значения первой случайной величины <tex>X_1=n_1</tex>
 
-
| Числовые значения второй случайной величины <tex>X_2=n_2| X_1=n_1</tex>
 
-
|Вероятность распределения
 
-
|Дисперсия распределения
 
-
|Математическое ожидание распределения
 
-
|-
 
-
|1
 
-
|1
 
-
|0,50
 
-
|0,75
 
-
|0,50
 
-
|-
 
-
|2
 
-
|0
 
-
|0,25
 
-
|0,50
 
-
|rowspan=2 |
 
-
|-
 
-
|0
 
-
|2
 
-
|0,25
 
-
|0,50
 
-
|}
 
-
 
-
Вероятность биномиального распределения как функция двух переменных является симметричной функцией относительно своего математического ожидания.
 
-
 
-
==Биномиальное распределение как процесс выполнения взаимосвязанных действий над объектами==
 
-
 
-
[[Объект | Объекты]]: [[множество | множество]], его [[подмножества | подмножества]] и их [[элемент | элементы]] как объективная [[реальность | реальность]], существующая вне нас и независимо от нас.
 
-
Биномиальное распределение это:
 
-
 
-
* [[случайный процесс | случайный процесс ]] безвозвратного разделения последовательно во времени <tex> t_1, t_2 </tex> и в пространстве конечного <tex> n</tex>- множества различимых неупорядоченных элементов на две части <tex> n_1, n_2 </tex> случайных объёмов, сумма которых равна объёму исходного множества: <tex> n_1+ n_2=n, \quad 2\le n<\infty </tex>,
 
-
 
-
* разделение множества осуществляют [[выборка | выборками]] без возвращения (изъятые из множества элементы не возвращают обратно во множество до полного окончания экспериментов),
 
-
 
-
* вероятность попадания одного произвольного элемента множества в каждое из подмножеств принимают за вероятность случайной величины [[ распределение Бернулли |распределения Бернулли]] с положительным исходом <tex> 0\le p_i<1, \quad i=1,2</tex>,
 
-
 
-
* результаты испытаний Бернулли неизменны во время проведения разбиения множества и пронормированы <tex> \sum _{i=1}^2 p_i =1</tex> согласно [[аксиоматика Колмогорова | аксиоматике Колмогорова]],
 
-
* очерёдность следования выборок принимают за очередность следования во времени и нумерацию случайных величин <tex> X_1, X_2 </tex> биномиального распределения,
 
-
 
-
*случайный объём каждой выборки <tex> n_i, \quad i=1,2</tex> в момент времени <tex> t_i, \quad i=1,2</tex> принимают за числовое значение соответствующей случайной величины <tex> X_i=n_i, \quad i=1,2</tex> биномиального распределения,
 
-
 
-
* первая случайная величина биномиального распределения является независимой и может принимать любое случайное значение в пределах от нуля до числового значения исходного множества <tex> X_1=n_1, \quad 0\le n_1\le n<\infty </tex>,
 
-
 
-
* вторая случайная величина биномиального распределения принимает числовое значение <tex> n_2 </tex>, равное числу элементов множества оставшееся после изъятия из него первой выборкой случайного числа элементов <tex> n_1: \quad n_2=n-n_1 </tex>,
 
-
 
-
* результаты каждого разбиения обрабатывают вероятностными методами, определяют технические характеристике всех выборок и принимают их за технические характеристики случайных величин биномиального распределения,
 
-
 
-
* минимально необходимый набор технических характеристик случайных величин и биномиального распределения в целом это: [[пространство элементарных событий | пространство элементарных событий]], [[ вероятность ]], [[математическое ожидание |математическое ожидание]] и [[дисперсия |дисперсия]],
 
-
 
-
* математическое ожидание биномиального распределения имеет место, когда число выборок <tex>k</tex> равно числу элементов <tex> n</tex>-множества <tex> k=n</tex> и численно равно <tex> \frac{n!}{n^n}=\frac{2!}{2^2}=\frac{1}{2} </tex>.
 
-
 
-
==Сравнительная оценка характеристик биномиальных распределений настоящей и традиционной интерпретаций==
 
-
 
-
Цель сравнительной оценки показать, что биномиальное распределение настоящей интерпретации соответствует, а биномиальное распределение традиционной интерпретации не соответствует современным требованиям аксиоматики Колмогорова.
 
-
 
-
Несоответствие состоит в том, что, во-первых, биномиальное распределение традиционной интерпретации представлено распределением одной случайной величины, а по своей сути и определению оно должно быть распределением двух случайных величин.
 
-
 
-
Во-вторых, при неограниченном увеличении числа независимых испытаний ( <tex>n </tex>) математическое ожидание (<tex>np </tex>) биномиального распределения традиционной интерпретации устремляется к бесконечности, что недопустимо, поскольку сумма всех вероятностей распределения, включая и его математическое ожидание, в любом распределении обязана быть равной единице (см., например, таблицу 1). Кроме того, математическое ожидание (<tex>np_1 </tex>) и дисперсия (<tex>np_1q_1 </tex>) первой случайной величины биномиального распределения настоящей интерпретации приняты за математическое ожидание (<tex>np </tex>) и дисперсию (<tex>npq</tex>) биномиального распределения традиционной интерпретации.
 
-
 
-
Историческая справка <ref> http://ru.wikiznanie.org/wiki/ Биномиальное распределение, Настоящая интерпретация 21-го века, раздел Историческая справка</ref>
 
-
 
-
==Связь с другими распределениями==
 
-
 
-
Если <tex>k>2</tex>,то получаем [[мультиномиальное распределение]] распределение настоящей интерпретации 21-го века.
 
[[Категория:Вероятностные распределения]]
[[Категория:Вероятностные распределения]]

Версия 13:25, 20 декабря 2012

Биномиальное распределение
Функция вероятности
Функция распределения
Параметры n \geq 0 — число «испытаний»
0\leq p \leq 1 — вероятность «успеха»
Носитель k \in \{0,\ldots,n\}\!
Функция вероятности {n \choose k}\,p^k q^{n-k} \!
Функция распределения I_{1-p}(n-\lfloor k\rfloor, 1+\lfloor k\rfloor) \!
Математическое ожидание np\!
Медиана одно из \{[np]-1, [np], [np]+1\}
Мода \lfloor (n+1)\,p\rfloor\!
Дисперсия npq\!
Коэффициент асимметрии \frac{1-2p}{\sqrt{npq}}\!
Коэффициент эксцесса \frac{1-6pq}{npq}\!
Информационная энтропия  \frac12 \log_2 \big( 2\pi e\, np(1-p) \big) + O \left( \frac{1}{n} \right)
Производящая функция моментов (q + pe^t)^n \!
Характеристическая функция (q + pe^{it})^n \!


Содержание

Определение

Биномиальное распределение — дискретное распределение вероятностей случайной величины X, принимающей целочисленные значения k=0,1,\ldots,n с вероятностями:

P(X=k)={n \choose k}p^k(1-p)^{n-k}.

Данное распределение характеризуется двумя параметрами: целым числом n>0, называемым числом испытаний, и вещественным числом p, 0\le p\le 1, называемом вероятностью успеха в одном испытании. Биномиальное распределение — одно из основных распределений вероятностей, связанных с последовательностью независимых испытаний. Если проводится серия из n независимых испытаний, в каждом из которых может произойти "успех" с вероятностью p, то случайная величина, равная числу успехов во всей серии, имеет указанное распределение. Эта величина также может быть представлена в виде суммы X=X_1+\cdots+X_n независимых слагаемых, имеющих распределение Бернулли.

Основные свойства

Характеристическая функция: \phi(t)=(1+p(e^{it}-1))^n.

Моменты:

  • Математическое ожидание: MX=np.
  • Дисперсия: DX=np(1-p).
  • Асимметрия: \gamma_1=\frac{1-2p}{\sqrt{np(1-p)}}; при p=0.5 распределение симметрично относительно центра n/2.

Асимптотические приближения при больших n

Если значения n велики, то непосредственное вычисление вероятностей событий, связанных с данной случайной величиной, технически затруднительно. В этих случаях можно использовать приближения биномиального распределения распределением Пуассона и нормальным (приближение Муавра-Лапласа).

Приближение Пуассона

Приближение распределением Пуассона применяется в ситуациях, когда значения n большие, а значения p близки к нулю. При этом биномиальное распределение аппроксимируется распределением Пуассона с параметром \lambda=np.

Строгая формулировка: если n\to\infty и p\to 0 таким образом, что np\to\lambda, то

P(X=k)\to\frac{\lambda^k}{k!}e^{-\lambda},\quad k=0, 1, 2, \ldots

Более того, справедлива следующая оценка. Пусть Y — случайная величина, имеющая распределение Пуассона с параметром \lambda=np. Тогда для произвольного множества B\subset\{0,1,2,\ldots\} справедливо неравенство:

|P(X\in B) - P(Y\in B)|\le 2np^2.

Доказательство и обзор более точных результатов, касающихся точности данного приближения, можно найти в [1, гл. III, §12].

Нормальное приближение

Приближение нормальным распределением используется в ситуациях, когда n\to\infty, а p фиксировано. Это приближение можно рассматривать как частный случай центральной предельной теоремы, применение которой основано на представлении X в виде суммы n слагаемых. Приближение основано на том, что при указанных условиях распределение нормированной величины

X'=\frac{X-MX}{\sqrt{DX}}=\frac{X-np}{\sqrt{npq}, где q=1-p,

близко к стандартному нормальному.

Локальная теорема Муавра-Лапласа

Данная теорема используется для приближенного вычисления вероятностей отдельных значений биномиального распределения. Она утверждает [1, гл. I, §6], что равномерно по всем значениям k, таким что |k-np|=o(npq)^{2/3}, имеет место

P(X=k)\sim\frac{1}{\sqrt{2\pi npq}}e^{-\frac{(k-np)^2}{2npq}}=\frac{1}{\sqrt{npq}}\varphi\left(\frac{k-np}{\sqrt{npq}}\right),

где \varphi — плотность стандартного нормального распределения.

Интегральная теорема Муавра-Лапласа

На практике необходимость оценки вероятностей отдельных значений, которую дает локальная теорема Муавра-Лапласа, возникает нечасто. Гораздо более важно оценивать вероятности событий, включающих в себя множество значений. Для этого используется интегральная теорема, которую можно сформулировать в следующем виде [1, гл. I, §6]:

\sup_{-\infty\le a<b\le\infty}\left|P\left(a<\frac{X-np}{\sqrt{npq}}\le b\right) - P(a<Z\le b)\right|\to 0 при n\to\infty,

где случайная величина Y имеет стандартное нормальное распределение \mathcal{N}(0,1), и аппроксимирующая вероятность определяется по формуле

P(a<Z\le b)=\Phi(b)-\Phi(a),

где \Phi(t) — функция распределения стандартного нормального закона: \Phi(t)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^t e^{-t^2/2}\,dt.

Есть ряд результатов, позволяющих оценить скорость сходимости. В [1, гл. I, §6] приводится следующий результат, являющийся частным случаем теоремы Берри-Эссеена:

\sup_{-\infty\le x\le\infty}|F_n(x)-\Phi(x)|\le\frac{p^2+q^2}{\sqrt{npq}},

где F_n(x) — функция распределения случайной величины X'=\frac{X-np}{\sqrt{npq}}. На практике решение о том, насколько следует доверять нормальному приближению, принимают исходя из величины npq. Чем она больше, тем меньше будет погрешность приближения.

Заметим, что асимптотический результат не изменится, если заменить строгие неравенства на нестрогие и наоборот. Предельная вероятность от такой замены также не поменяется, так как нормальное распределение абсолютно непрерывно и вероятность принять любое конкретное значение для него равна нулю. Однако исходная вероятность от такой замены может измениться, что вносит в формулу некоторую неоднозначность. Для больших значений n изменение будет невелико, однако для небольших n это может внести дополнительную погрешность.

Для устранения этой неоднозначности, а также повышения точности приближения рекомендуется задавать интересующие события в виде интервалов с полуцелыми границами. При этом приближение получается точнее. Это связано с тем интуитивно понятным соображением, что аппроксимация кусочно-постоянной функции (функции распределения биномиального закона) с помощью непрерывной функции дает более точные приближения между точками разрыва, чем в этих точках.

Пример

Пусть n=20, p=0.5. Оценим вероятность того, что число успехов будет отличаться от наиболее вероятного значения 10 не более чем на 3. Заметим, что значение npq=5 очень мало, поэтому применение нормального приближения здесь довольно ненадежно.

Точная вероятность рассматриваемого события равна

P(7\le X\le 13)\approx 0.8846.

Применим нормальное приближение с той расстановкой неравенств, которая дана выше (снизу строгое, сверху нестрогое):

P(7\le X\le 13)=P(6<X\le 13)=P\left(\frac{6-10}{\sqrt{5}}<\frac{X-np}{\sqrt{npq}}\le\frac{13-10}{\sqrt{5}}\right)=P\left(-\frac{4}{\sqrt{5}}<\frac{X-np}{\sqrt{npq}}\le\frac{3}{\sqrt{5}}\right)\approx P\left(-\frac{4}{\sqrt{5}}<Z\le\frac{3}{\sqrt{5}}\right)=\Phi\left(\frac{3}{\sqrt{5}}\right) - \Phi\left(-\frac{4}{\sqrt{5}}\right)\approx 0.8733.

Ошибка приближения равна 0.0113.

Теперь построим приближение, используя интервал с концами в полуцелых точках:

P(7\le X\le 13)=P(6.5<X< 13.5)=P\left(-\frac{3.5}{\sqrt{5}}<\frac{X-np}{\sqrt{npq}}\le\frac{3.5}{\sqrt{5}}\right)\approx P\left(-\frac{3.5}{\sqrt{5}}<Z\le\frac{3.5}{\sqrt{5}}\right)=\Phi\left(\frac{3.5}{\sqrt{5}}\right) - \Phi\left(-\frac{3.5}{\sqrt{5}}\right)\approx 0.8824.

Ошибка приближения равна 0.0022 — примерно в 5 раз меньше, чем в предыдущем подходе.

Литература

1. Ширяев А.Н. Вероятность. — М.: МЦНМО, 2004.

Ссылки

Личные инструменты