Adil olması gerekmeyen bir yazı turasının olasılık dağılımı modellemesi
Gelen Olasılık teorisi ve istatistik , Bernoulli dağılımı İsviçre matematikçi adını, Jacob Bernoulli , bir kesikli olasılık dağılımı a rastgele değişkenin bir olasılık ile 1 değerini ve olasılıkla değeri 0 . Daha az resmi olarak, evet-hayır sorusu soran herhangi bir tek deneyin olası sonuçları için bir model olarak düşünülebilir . Bu tür sorular sebep sonuçları şunlardır boolean -valued: Tek bir bit değeri başarı / olup evet / gerçek / tek ile olasılık p ve başarısızlık / hayır / yanlış / sıfır ile olasılık q . 1 ve 0'ın sırasıyla "tura" ve "tura" yı (veya tersi) temsil edeceği (veya tersi) bir (muhtemelen taraflı) yazı tura atışını temsil etmek için kullanılabilir ve p , madalyonun yazı veya tura gelme olasılığı olacaktır, sırasıyla . Özellikle, haksız madeni paralar
P
{\görüntüleme stili p}
Q
=
1
-
P
{\displaystyle q=1-p}
P
≠
1
/
2.
{\görüntüleme stili p\neq 1/2.}
Bernoulli dağılımı, tek bir denemenin yürütüldüğü binom dağılımının özel bir durumudur ( böyle bir binom dağılımı için n 1 olur). Ayrıca, olası sonuçların 0 ve 1 olması gerekmeyen iki noktalı dağılımın özel bir durumudur .
Özellikler
Eğer o zaman bu dağılım, bir rasgele değişkendir:
x
{\görüntüleme stili X}
Halkla İlişkiler
(
x
=
1
)
=
P
=
1
-
Halkla İlişkiler
(
x
=
0
)
=
1
-
Q
.
{\displaystyle \Pr(X=1)=p=1-\Pr(X=0)=1-q.}
Olasılık kütle fonksiyonu bu dağılımın, olası sonuçlar üzerinde k , olup
F
{\görüntüleme stili f}
F
(
k
;
P
)
=
{
P
Eğer
k
=
1
,
Q
=
1
-
P
Eğer
k
=
0.
{\displaystyle f(k;p)={\begin{durumlar}p&{\text{if }}k=1,\\q=1-p&{\text{if }}k=0.\end{durumlar }}}
Bu şu şekilde de ifade edilebilir
F
(
k
;
P
)
=
P
k
(
1
-
P
)
1
-
k
için
k
∈
{
0
,
1
}
{\displaystyle f(k;p)=p^{k}(1-p)^{1-k}\quad {\text{için }}k\in \{0,1\}}
veya
F
(
k
;
P
)
=
P
k
+
(
1
-
P
)
(
1
-
k
)
için
k
∈
{
0
,
1
}
.
{\displaystyle f(k;p)=pk+(1-p)(1-k)\quad {\text{için }}k\in \{0,1\}.}
Bernoulli dağılımı özel bir durumdur binom dağılımı ile
n
=
1.
{\görüntüleme stili n=1.}
Basıklık yüksek ve düşük değerleri için sonsuza giden ama için Bernoulli dağılımı dahil olmak üzere, iki nokta dağılımları daha düşük olması , fazla basıklığını , yani herhangi bir başka olasılık dağılımı daha -2.
P
,
{\görüntüleme stili p,}
P
=
1
/
2
{\görüntüleme stili p=1/2}
Üstel bir aile oluşturmak için Bernoulli dağılımları .
0
≤
P
≤
1
{\displaystyle 0\leq p\leq 1}
Kestirim arasında rasgele numune göre olan örnek ortalaması .
P
{\görüntüleme stili p}
Anlamına gelmek
Beklenen değer, bir Bernoulli rastgele değişkenin olduğu
x
{\görüntüleme stili X}
E
(
x
)
=
P
{\displaystyle \operatöradı {E} \sol(X\sağ)=p}
Bunun nedeni, bir Bernoulli için dağıtılmış rasgele değişken için ve bulduğumuz
gerçeğinden kaynaklanmaktadır.
x
{\görüntüleme stili X}
Halkla İlişkiler
(
x
=
1
)
=
P
{\görüntüleme stili \Pr(X=1)=p}
Halkla İlişkiler
(
x
=
0
)
=
Q
{\görüntüleme stili \Pr(X=0)=q}
E
[
x
]
=
Halkla İlişkiler
(
x
=
1
)
⋅
1
+
Halkla İlişkiler
(
x
=
0
)
⋅
0
=
P
⋅
1
+
Q
⋅
0
=
P
.
{\displaystyle \operatöradı {E} [X]=\Pr(X=1)\cdot 1+\Pr(X=0)\cdot 0=p\cdot 1+q\cdot 0=p.}
Varyans
Varyans dağıtılmış bir Bernoulli olduğu
x
{\görüntüleme stili X}
Var
[
x
]
=
P
Q
=
P
(
1
-
P
)
{\displaystyle \operatöradı {Var} [X]=pq=p(1-p)}
ilk biz buluruz
E
[
x
2
]
=
Halkla İlişkiler
(
x
=
1
)
⋅
1
2
+
Halkla İlişkiler
(
x
=
0
)
⋅
0
2
=
P
⋅
1
2
+
Q
⋅
0
2
=
P
=
E
[
x
]
{\displaystyle \operatöradı {E} [X^{2}]=\Pr(X=1)\cdot 1^{2}+\Pr(X=0)\cdot 0^{2}=p\cdot 1 ^{2}+q\cdot 0^{2}=p=\operatöradı {E} [X]}
Bundan sonra
Var
[
x
]
=
E
[
x
2
]
-
E
[
x
]
2
=
E
[
x
]
-
E
[
x
]
2
=
P
-
P
2
=
P
(
1
-
P
)
=
P
Q
{\displaystyle \operatöradı {Var} [X]=\operatöradı {E} [X^{2}]-\operatöradı {E} [X]^{2}=\operatöradı {E} [X]-\operatöradı { E} [X]^{2}=pp^{2}=p(1-p)=pq}
Bu sonuçla, herhangi bir Bernoulli dağılımı için varyansının içinde bir değere sahip olacağını kanıtlamak kolaydır .
[
0
,
1
/
4
]
{\görüntüleme stili [0,1/4]}
çarpıklık
Çarpıklık olduğunu . Biz standardize Bernoulli rasgele değişken dağıtılan çekerken bulduğumuz bu rastgele değişken doldurduğu olasılığıyla ve attains olasılığıyla . Böylece elde ederiz
Q
-
P
P
Q
=
1
-
2
P
P
Q
{\displaystyle {\frac {qp}{\sqrt {pq}}}={\frac {1-2p}{\sqrt {pq}}}}
x
-
E
[
x
]
Var
[
x
]
{\displaystyle {\frac {X-\operatöradı {E} [X]}{\sqrt {\operatöradı {Var} [X]}}}}
Q
P
Q
{\displaystyle {\frac {q}{\sqrt {pq}}}}
P
{\görüntüleme stili p}
-
P
P
Q
{\displaystyle -{\frac {p}{\sqrt {pq}}}}
Q
{\görüntüleme stili q}
y
1
=
E
[
(
x
-
E
[
x
]
Var
[
x
]
)
3
]
=
P
⋅
(
Q
P
Q
)
3
+
Q
⋅
(
-
P
P
Q
)
3
=
1
P
Q
3
(
P
Q
3
-
Q
P
3
)
=
P
Q
P
Q
3
(
Q
-
P
)
=
Q
-
P
P
Q
.
{\displaystyle {\begin{aligned}\gamma _{1}&=\operatöradı {E} \left[\left({\frac {X-\operatöradı {E} [X]}{\sqrt {\operatöradı { Var} [X]}}}\sağ)^{3}\sağ]\\&=p\cdot \sol({\frac {q}{\sqrt {pq}}}\sağ)^{3}+ q\cdot \left(-{\frac {p}{\sqrt {pq}}}\sağ)^{3}\\&={\frac {1}{{\sqrt {pq}}^{3} }}\left(pq^{3}-qp^{3}\sağ)\\&={\frac {pq}{{\sqrt {pq}}^{3}}}(qp)\\&= {\frac {qp}{\sqrt {pq}}}.\end{hizalı}}}
Daha yüksek anlar ve birikimler
Ham anların tümü, ve nedeniyle eşittir .
1
k
=
1
{\ Displaystyle 1^{k}=1}
0
k
=
0
{\ Displaystyle 0^{k}=0}
E
[
x
k
]
=
Halkla İlişkiler
(
x
=
1
)
⋅
1
k
+
Halkla İlişkiler
(
x
=
0
)
⋅
0
k
=
P
⋅
1
+
Q
⋅
0
=
P
=
E
[
x
]
.
{\displaystyle \operatöradı {E} [X^{k}]=\Pr(X=1)\cdot 1^{k}+\Pr(X=0)\cdot 0^{k}=p\cdot 1 +q\cdot 0=p=\operatöradı {E} [X].}
Merkezi düzen anı tarafından verilir
k
{\görüntüleme stili k}
μ
k
=
(
1
-
P
)
(
-
P
)
k
+
P
(
1
-
P
)
k
.
{\displaystyle \mu _{k}=(1-p)(-p)^{k}+p(1-p)^{k}.}
İlk altı merkezi an
μ
1
=
0
,
μ
2
=
P
(
1
-
P
)
,
μ
3
=
P
(
1
-
P
)
(
1
-
2
P
)
,
μ
4
=
P
(
1
-
P
)
(
1
-
3
P
(
1
-
P
)
)
,
μ
5
=
P
(
1
-
P
)
(
1
-
2
P
)
(
1
-
2
P
(
1
-
P
)
)
,
μ
6
=
P
(
1
-
P
)
(
1
-
5
P
(
1
-
P
)
(
1
-
P
(
1
-
P
)
)
)
.
{\displaystyle {\begin{hizalanmış}\mu _{1}&=0,\\\mu _{2}&=p(1-p),\\\mu _{3}&=p(1- p)(1-2p),\\\mu _{4}&=p(1-p)(1-3p(1-p)),\\\mu _{5}&=p(1-p) )(1-2p)(1-2p(1-p)),\\\mu _{6}&=p(1-p)(1-5p(1-p)(1-p(1-p) ))).\end{hizalanmış}}}
Yüksek momentler açısından daha kompakt eksprese edilebilir ve
μ
2
{\displaystyle \mu _{2}}
μ
3
{\görüntüleme stili \mu _{3}}
μ
4
=
μ
2
(
1
-
3
μ
2
)
,
μ
5
=
μ
3
(
1
-
2
μ
2
)
,
μ
6
=
μ
2
(
1
-
5
μ
2
(
1
-
μ
2
)
)
.
{\displaystyle {\begin{hizalanmış}\mu _{4}&=\mu _{2}(1-3\mu _{2}),\\\mu _{5}&=\mu _{3 }(1-2\mu _{2}),\\\mu _{6}&=\mu _{2}(1-5\mu _{2}(1-\mu _{2})) .\end{hizalanmış}}}
İlk altı kümülant
κ
1
=
P
,
κ
2
=
μ
2
,
κ
3
=
μ
3
,
κ
4
=
μ
2
(
1
-
6
μ
2
)
,
κ
5
=
μ
3
(
1
-
12
μ
2
)
,
κ
6
=
μ
2
(
1
-
30
μ
2
(
1
-
4
μ
2
)
)
.
{\displaystyle {\begin{aligned}\kappa _{1}&=p,\\\kappa _{2}&=\mu _{2},\\\kappa _{3}&=\mu _{ 3},\\\kappa _{4}&=\mu _{2}(1-6\mu _{2}),\\\kappa _{5}&=\mu _{3}(1- 12\mu _{2}),\\\kappa _{6}&=\mu _{2}(1-30\mu _{2}(1-4\mu _{2})).\end {hizalı}}}
İlgili dağılımlar
Eğer bağımsız olarak, aynı (dağıtılmış IID ) rastgele değişkenler, bütün Bernoulli denemeleri başarı olasılığı ile p , daha sonra toplam dağıtılan bir uygun binom dağılımı parametreleri ile , n ve p :
x
1
,
…
,
x
n
{\displaystyle X_{1},\dots ,X_{n}}
∑
k
=
1
n
x
k
∼
B
(
n
,
P
)
{\displaystyle \sum _{k=1}^{n}X_{k}\sim \operatöradı {B} (n,p)}
( binom dağılımı ).
Bernoulli dağılımı basitçe şu şekilde de yazılır:
B
(
1
,
P
)
{\displaystyle \operatöradı {B} (1,p)}
B
e
r
n
Ö
sen
ben
ben
ben
(
P
)
.
{\textstyle \mathrm {Bernoulli} (p).}
Kategorik dağılımı ayrı değerlerin herhangi bir sabit sayıda değişkenler için Bernoulli dağılımı genelleştirilmesidir.
Beta dağılımı olan eşlenik önce Bernoulli dağılımı.
Geometrik dağılım modelleri bağımsız ve özdeş Bernoulli denemelerinin sayısı bir başarı elde etmek için gerekli.
Eğer , o zaman bir Rademacher dağılımına sahiptir .
Y
∼
B
e
r
n
Ö
sen
ben
ben
ben
(
1
2
)
{\textstyle Y\sim \mathrm {Bernoulli} \left({\frac {1}{2}}\sağ)}
2
Y
-
1
{\textstyle 2Y-1}
Ayrıca bakınız
Referanslar
daha fazla okuma
Johnson, NL; Kotz, S.; Kemp, A. (1993). Tek Değişkenli Ayrık Dağılımlar (2. baskı). Wiley. ISBN'si 0-471-54897-9 .
Peatman, John G. (1963). Uygulamalı İstatistiklere Giriş . New York: Harper ve Satır. s. 162-171.
Dış bağlantılar
<img src="https://en.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">