Binomiale verdeling

Binomiale verdeling
Kansfunctie
Verdelingsfunctie
Parameters	$n\geq 0$ aantal pogingen (geheel) $0\leq p\leq 1$ kans op succes (reëel)
Drager	$k\in \{0,\dots ,n\}$
Kansfunctie	${\tbinom {n}{k}}p^{k}(1-p)^{n-k}$
Verdelingsfunctie	$I_{1-p}(n-\lfloor k\rfloor ,1+\lfloor k\rfloor )$ met $I$ de onvolledige bètafunctie.
Verwachtingswaarde	$n\,p$
Mediaan	een uit $\{\lfloor n\,p\rfloor -1,\lfloor n\,p\rfloor ,\lfloor n\,p\rfloor +1\}$
Modus	$\lfloor (n+1)\,p\rfloor$
Variantie	$n\,p\,(1-p)$
Scheefheid	${\frac {1-2\,p}{\sqrt {n\,p\,(1-p)}}}$
Kurtosis	${\frac {1-6\,p\,(1-p)}{n\,p\,(1-p)}}$
Moment- genererende functie	$(1-p+p\,e^{t})^{n}$
Karakteristieke functie	$(1-p+p\,e^{i\,t})^{n}$
Portaal    Wiskunde

In de kansrekening en de statistiek is de binomiale verdeling een discrete kansverdeling die de verdeling is van het aantal successen $X$ in een reeks van $n$ onafhankelijke alternatieven alle met succeskans $p$. Zo'n experiment wordt ook wel een bernoulli-experiment genoemd.

In het geval $n=1$, komt de binomiale verdeling overeen met de bernoulli-verdeling.

Definitie

In een reeks van $n$ bernoulli-experimenten kunnen $0,1,\ldots ,n$ successen voorkomen. Het aantal successen is een stochastische variabele $X$. Als $p$ de kans op succes is, zegt men dat $X$ binomiaal verdeeld is met parameters $n$ en succeskans $p$, en noteert:

$X\sim B(n,p)$,

of ook

$X\sim \mathrm {Bin} (n,p)$

De kans op precies $k$ successen kan gemakkelijk berekend worden door te bedenken dat elke reeks uitkomsten met $k$ successen en $n-k$ mislukkingen dezelfde kans $p^{k}(1-p)^{n-k}$ heeft. Omdat er ${\tbinom {n}{k}}$ (zie binomiaalcoëfficiënt) verschillende reeksen zijn met precies $k$ successen, wordt de kansfunctie voor $k=0,1,\ldots ,n$ gegeven door:

$f(k;n,p)=P(X=k)={\tbinom {n}{k}}p^{k}(1-p)^{n-k}$

Voorbeeld

We gooien 4 keer met een (eerlijke) dobbelsteen. We kunnen 0, 1, 2, 3 of 4 keer een 6 gooien. Het aantal keren dat we 6 gooien, $X$, is $B(4,1/6)$-verdeeld. Hoe groot is de kans dat we van de 4 worpen 1 keer een 6 gooien? Hier is $n=4,\ p=1/6$ en $k=1$, dus:

$P(X=1)=f(1;4,{\tfrac {1}{6}})={\tbinom {4}{1}}({\tfrac {1}{6}})^{1}(1-{\tfrac {1}{6}})^{3}=4\times {\tfrac {1}{6}}\times {\tfrac {125}{216}}=0{,}386$

Momenten

De verwachtingswaarde en de variantie van een $B(n,p)$-verdeelde stochastische variabele $X$ laten zich het eenvoudigst bepalen door $X$ te schrijven als de som van $n$ onafhankelijke, $B(1,p)$-verdeelde variabelen: $X=X_{1}+\ldots +X_{n}$. Dan volgt:

$EX=E(X_{1}+\ldots +X_{n})=nE(X_{1})=np$

en

$\operatorname {var} (X)=\operatorname {var} (X_{1}+\ldots +X_{n})=n\,\operatorname {var} (X_{1})=np(1-p)$.

De bovenstaande relaties kunnen ook afgeleid worden met behulp van berekeningen soortgelijk aan de volgende:

$EX(X-1)(X-2)=\sum _{k=0}^{n}k(k-1)(k-2){\frac {n!}{k!(n-k)!}}p^{k}(1-p)^{n-k}$

$=n(n-1)(n-2)p^{3}\sum _{k=3}^{n}{\frac {(n-3)!}{(k-3)!(n-k)!}}p^{k-3}(1-p)^{n-k}=n(n-1)(n-2)p^{3}$.

Uit deze betrekking kan het derde moment $EX^{3}$ bepaald worden, en daarmee de scheefheid van de verdeling.

Ook volgt daaruit direct:

$EX=\sum _{k=0}^{n}k{\frac {n!}{k!(n-k)!}}p^{k}(1-p)^{n-k}=np$

en

$EX(X-1)=\sum _{k=0}^{n}k(k-1){\frac {n!}{k!(n-k)!}}p^{k}(1-p)^{n-k}=n(n-1)p^{2}$.

Uit deze laatste relatie volgt weer:

$EX^{2}=n(n-1)p^{2}+np$,

zodat

$\operatorname {var} (X)=EX^{2}-(EX)^{2}=n(n-1)p^{2}+np-n^{2}p^{2}=np(1-p)$.

Benadering

Het is nogal bewerkelijk of bijna ondoenlijk om voor grote waarden van het aantal experimenten $n$ de exacte kansen te berekenen. Dit is ook niet nodig omdat de binomiale verdeling voor grote $n$ benaderd kan worden door een normale verdeling of door een Poissonverdeling.

Als vuistregel neemt men wel dat de $B(n,p)$-verdeling voor $n>25$ goed benaderd kan worden door een geschikte normale verdeling, mits de succeskans $p$ niet te klein of te groot is. Als vuistregel geldt: $np>5$ en $n(1-p)>5$. Voor kleinere en grotere waarden van $p$ is de binomiale verdeling te scheef om door de symmetrische normale verdeling goed benaderd te worden. Een benadering door een geschikte Poissonverdeling is dan mogelijk.

Normale benadering

De stochastische variabele $X$ is $B(n,p)$-verdeeld. Voor toenemende $n$ nadert de verdeling van $X$ naar een normale verdeling, dus met verwachtingswaarde $EX=np$ en variantie $\mathrm {var} (X)=np(1-p)$. Er geldt dus:

$P(X\leq k)\approx P(Y\leq k)=P\left(Z\leq {\frac {k-np}{\sqrt {np(1-p)}}}\right)$.

Daarin is $Y\ N(np,np(1-p))$-verdeeld en $Z$ standaardnormaal verdeeld.

Omdat de binomiale verdeling een discrete verdeling is, geldt

$P(X\leq k)=P(X<k+1)\approx P(Y\leq k+1)$,

hetgeen leidt tot twee (en meer) mogelijke benaderingen, die voor niet al te grote waarden van $n$ nogal verschillen. Om dit probleem te ondervangen past men wel de zogenaamde continuïteitscorrectie toe, en neemt als betere benadering een waarde tussen de genoemde uitersten, en wel:

$P(X\leq k)=P(X<k+1)\approx P(Y\leq k+{\begin{matrix}{\frac {1}{2}}\end{matrix}})=P\left(Z\leq {\frac {k+{\begin{matrix}{\frac {1}{2}}\end{matrix}}-np}{\sqrt {np(1-p)}}}\right)$.

Voorbeeld

Hoe groot is de kans om in 25 worpen met een zuivere munt ten hoogste 10 keer kruis te gooien? Noem $X$ het aantal keren kruis; $X$ is dus $B(25,{\tfrac {1}{2}})$-verdeeld is. De gevraagde kans is:

$P(X\leq 10)=0{,}2122$.

Omdat $EX=np=12{,}5$ en $\mathrm {var} (X)=np(1-p)=6{,}25$, kan deze kans benaderd worden met behulp van een $N(12{,}5;6{,}25)$-verdeling.

$P(X\leq 10)\approx P(Y\leq 10)=P\left(Z\leq {\frac {10-12{,}5}{\sqrt {6{,}25}}}\right)=P(Z<-1)=0{,}1587$.

Men kan ook berekenen:

$P(X<11)\approx P(Y<11)=P\left(Z\leq {\frac {11-12{,}5}{\sqrt {6{,}25}}}\right)=P(Z<-0{,}6)=0{,}2743$.

Dat zijn twee benaderingen die nogal uiteenlopen, maar waar de werkelijke waarde wel tussen ligt. Met de continuïteitscorrectie wordt de benadering:

$P(X\leq 10)\approx P(Y\leq 10{,}5)=P\left(Z\leq {\frac {10{,}5-12{,}5}{\sqrt {6{,}25}}}\right)=P(Z<-0{,}8)=0{,}2119$.

Poissonbenadering

Omdat de $B(n,p)$-verdeling voor toenemende $n$ en constante waarde van $np=\mu$ nadert naar de Poissonverdeling met parameter $\mu$, kan de $B(n,p)$-verdeling voor grote waarden van $n$ en waarden van $p$ in de buurt van 0 benaderd worden door een geschikte Poissonverdeling. In dat geval geldt dus: $X\sim B(n,p)$:

$P(X\leq k)\approx P(Y\leq k)$.

Daarin is $Y$ Poissonverdeeld met parameter $np$.

Ook voor waarden van $p$ in de buurt van 1 kan deze benadering gebruikt worden, zij het dat men niet de verdeling van $X$ benadert, maar de verdeling van $n-X$, die $B(n,1-p)$-verdeeld is, dus met een kleine waarde van $Bp$.

Voorbeeld

Hoe groot is de kans om in 25 worpen met een zuivere dobbelsteen ten hoogste 2 keer 6 te gooien? Noem $X$ het aantal keren 6. Dus $X$ is $B(25,1/6)$-verdeeld. De gevraagde kans is:

$P(X\leq 2)=0{,}1887$.

Omdat $EX=np=25/6$ kan we deze kans benaderd worden met behulp van een Poissonverdeling met parameter 25/6.

$P(X\leq 2)\approx P(Y\leq 2)=0{,}2147$.

Hoe groot is de kans om in 25 worpen met een zuivere dobbelsteen minstens 20 keer geen 6 te gooien? Noem $X$ het aantal keren dat geen 6 gegooid wordt. $X$ is dus $B(25,5/6)$-verdeeld. De gevraagde kans is:

$P(X\geq 20)=0{,}7720$.

Nu is $p$ tamelijk groot, maar de vraag kan ook geformuleerd worden als de kans op ten hoogste 5 keer 6.

$P(X\geq 20)=P(25-X\leq 5)$.

En $25-X$ is weer $B(25,1/6)$-verdeeld, dus:

$P(X\geq 20)=P(25-X\leq 5)\approx P(Y\leq 5)=0{,}7586$.

Zie ook

• De multinomiale verdeling is een uitbreiding van de binomiale verdeling die gebruikt wordt wanneer het experiment geen twee, maar meer uitkomsten heeft.
• De hypergeometrische verdeling is het analogon van de binomiale verdeling wanneer er sprake is van een steekproef uit een eindige populatie zonder terugleggen.
• Binomium van Newton.

· ·

Kansverdelingen

Mediabestanden

Zie de categorie Binomial distributions van Wikimedia Commons voor mediabestanden over dit onderwerp.