Normalfordelingen - matematikfysik
Normalfordelingen - matematikfysik
Normalfordelingen - matematikfysik
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
© Erik Vestergaard – www.matematiksider.dk 31<br />
Bemærkning 28 (Uafhængighed)<br />
Som nævnt er uafhængigheden af de enkelte basiseksperimenter en vigtig forudsætning<br />
for, at vi har at gøre med en binomialfordeling. Derfor skal man være påpasselig med at<br />
overveje, om denne forudsætning kan siges at være opfyldt i den enkelte situation. Ved<br />
man statistisk over en lang periode, at Brøndbys fodboldhold plejer at vinde 70% af<br />
deres kampe, og man vil vurdere sandsynligheden for, at holdet vinder to af de næste tre<br />
kampe, så skal man passe på. For er holdet inde i en god stime, så ved man godt, at<br />
sandsynligheden for gevinst øges i næste kamp, fordi selvtilliden er i top. Udfaldene er<br />
med andre ord ikke uafhængige!<br />
8. <strong>Normalfordelingen</strong>s forbindelse til binomialfordelingen<br />
Når binomialfordelingen finder anvendelse i så mange tilfælde, skyldes det som nævnt,<br />
at dens definition indeholder generelle elementer, der passer på så mange situationer.<br />
Binomialfordelingen er en såkaldt diskret fordeling, fordi den stokastiske variabel kun<br />
kan antage endeligt mange værdier. <strong>Normalfordelingen</strong>, derimod, er en kontinuert fordeling,<br />
fordi den stokastiske variabel kan antage et helt interval af værdier. Det er derfor<br />
meget overraskende, at binomialfordelingen kan tilnærmes med normalfordelingen.<br />
Som et eksempel kan vi se på en binomialfordelt stokastisk variabel X med antalsparameter<br />
n = 20 og basissandsynlighed p = 0,6 . På figuren nedenfor er sandsynlighedsfordelingen<br />
for X afbildet, så søjlerne har centrum i de værdier, de hører til. Ifølge forrige<br />
afsnit er middelværdien for X givet ved EX ( ) = n⋅ p=<br />
20⋅ 0,6 = 12 og variansen er<br />
givet ved Var( X) = n⋅p⋅(1 − p) = 4, 8 . På figuren er desuden indtegnet tæthedsfunktionen<br />
for normalfordelingen med de samme værdier for middelværdi og varians:<br />
2<br />
N ( μσ<br />
, ) = N(12;4,8)<br />
. Vi ser, at approksimationen er overraskende god!