Binomialfordelingen

Definition af n!
𝑛∈ℕ
𝑛! = 𝑛 ⋅ 𝑛 − 1 ⋅ 𝑛 − 2 ⋅ … ⋅ 2 ⋅ 1
0! = 1
Tallet n! kaldes n fakultet, og er (bl.a.) udtryk for, hvor mange måder n elementer kan ordnes på (der
er n muligheder for 1. plads, n-1 til den næste osv.)
Permutationer
Hvis man udtager r elementer fra en n-mængde og sætter dem i rækkefølge, siger man at have udtaget
en r-permutation. Da der er n muligheder til den 1. plads, n-1 til den næste osv. har vi
n!
P(n, r ) = n × (n - 1) × (n - 2) × ... × (n - r + 1) =
(n - r )!
Tallet kan – med lidt forkortning ved store tal – beregnes i hånden, slås op i tabel-
ler, eller lettest nu til dags ved at benytte TI-89’s indbyggede nPr.

Bemærk, at hvis n=r fungerer formlen også pga. vores definition af 0!

Kombinationer
Ofte er vi dog ligeglade med rækkefølgen (eksempelvis ved gruppesammensætning, udtrække tal til
LOTTO mm.)
Antallet af måder man kan vælge r elementer ud af en n-mængde, når rækkefølgen er underordnet,
kaldes
ænö
K (n, r ) = ç ÷ (læses også ”n over r”).
èrø
Tallet K(n,r) kaldes en binomialkoefficient. De kan udregnes i Nspire:
Sætning 1
n!
K (n, r ) =
r !(n - r )!
Bevis
Vi udtager en r-permutation af en n-mængde på 2 måder:
n!
a) En r-permutation udtages – det kan gøres på P(n, r ) = måder
(n - r )!
b) En r-kombination udtages – det kan gøres på K(n,r) måder, derefter sættes elementerne i ræk-
kefølge, hvilket kan gøres på r! måder (idet der er r muligheder til 1. plads, r-1 til den næste
osv.). I alt giver det K (n, r ) × r ! måder
Disse tal må være ens, dvs.
n! n!
= K (n, r ) × r ! Û K (n, r ) = hvilket skulle bevises.
(n - r )! r !(n - r )!

1
Binomialfordelingen
Vi vil nu se på en særlig slags eksperimenter – binomialforsøg – der er kendetegnet ved kun at have 2
forskellige udfald, eller hvor vi kun interesserer os for 2 forskellige hændelser.
Eksempler:
Kast en mønt: plat eller krone
Fød et barn dreng eller pige
kast en terning sekser eller ikke-sekser
”Hvad stemmer du til valget” Liste Q eller ej
Et binomialforsøg er et forsøg med kun 2 mulige udfald: ”succes” eller ”fiasko”.
Vi interesserer os for gentagelser af denne slags forsøg, og vi antager at gentagelserne er uafhængige af
hinanden. I statistisk forstand betyder det, at sandsynligheder i det samlede forsøg kan findes ved at
gange sandsynligheder for delforsøgene sammen.
Eksempel: Vi kaster en terning – ”succes” er at få en sekser. P(succes) = 1/6. Hvis forsøget gentages
3 gange kan vi finde sandsynligheden for at få 3 seksere ved således: P(3 seksere) = 16 × 16 × 16 = 216
1

”Fiasko” er her at få ”ikke-sekser”. P(fiasko) = 1- 16 = 5

6

Denne definition af ”uafhængighed” er heldigvis i overensstemmelse med vores intuition, at 2 forsøg

er uafhængige, hvis udfaldet af det ene ikke påvirker det andet.
Eksempel på afhængige hændelser: I Lotto-udtrækningen skal der udtrækkes 7 tal ud af 36. I det første
forsøg er P(tallet 5 trækkes) = 1/36. Den næste trækning af afhængig af den foregående: Hvis 5 ikke
er blevet trukket er P(tallet 5 trækkes) = 1/35. Hvis 5 blev trukket første gang er P(tallet 5 trækkes) =
0.
I Joker-trækningen er forsøgene derimod uafhængige, da alle tal er med i hver trækning.
Sætning 2
Et binomialforsøg med udfaldene s (”succes”) og f (”fiasko”), P(s) = p og P(f) = 1-p. Forsøget gen-
tages n gange, og gentagelserne er uafhængige.
Den stokastiske variabel X angiver, hvor mange gange forsøget giver s. Da gælder
r = 0, 1, 2,…,n
Bevis
For at få ”succes” r gange skal præcis r af forsøgene give udfaldet s og (n-r) forsøg skal give f. Da
udfaldene er uafhængige vil en vilkårlig rækkefølge af r succeser og (n-r) fiaskoer have sandsynligheden
p r × (1 - p)n-r
Vi er ligeglade med rækkefølgen af succeser og fiaskoer. Antallet af forskellige måder vi kan finde
præcis r succeser ud af n mulige er K(n,r). Dvs.
P(netop r succeser) = P( X = r ) = K (n, r ) × p r × (1 - p)n-r
Vi siger, at X er binomialfordelt med antalsparameter n og sandsynlighedsparameter p. Kort skriver vi
𝑋~𝑏(𝑛, 𝑝)

2
Tabeller
Det er slidsomt at udregne sandsynligheder i binomialfordelingen, hvorfor man indtil for nylig brugte
tabeller over kumulerede sandsynligheder for forskellige værdier af p, dvs. f.eks. kan man slå P ( X £ 3)
op. Hvis man ønsker at finde P ( X ³ 4) må man tænke, at ”større end eller lig 4” er det modsatte af
”mindre end eller lig 3”, dvs. P( X ³ 4) = 1 - P( X £ 3) .
Tilsvarende kunne man finde enkeltsandsynligheder: P( X = 2) = P( X £ 2) - P( X £ 1)
Nspire
Heldigvis er det indbygget i maskinen:
binomPdf(n,p,X) hvor n er antal gentagelser, p sandsynligheden for succes, X er det ønskede antal
succeser.
3
Dvs. hvis 𝑋~𝑏 20, kan vi finde P(X=12) ved at taste binompdf(20,1/3,12).
4

Hvis vi ønsker at finde 𝑃(3 ≤ 𝑋 ≤ 5) kan vi lægge sammen – finde den kumulerede sandsynlighed:
𝑃 𝑋 = 3 + 𝑃 𝑋 = 4 + 𝑃(𝑋 = 5).
Men det kan gøres lettere. Den kumulerede fordeling er indbygget i Nspire som binomCdf.
𝑃 𝑋 ≤ 𝑎 = 𝑏𝑖𝑛𝑜𝑚𝐶𝑑𝑓(𝑛, 𝑝, 𝑎)
og
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑏𝑖𝑛𝑜𝑚𝐶𝑑𝑓(𝑛, 𝑝, 𝑎, 𝑏)

Hvis vi ønsker at finde P(3 £ X £ 12) tastes binomCdf(20,1/3,3,12), dvs. syntaksen er

binomCdf(n,p,nedre grænse, øvre grænse).

Opgaver
1. 5 personer i en bestyrelse skal vælge formand, næstformand, sekretær, revisor og et menigt
medlem. Hvor mange måder kan de gøre det på?
2. 2.v (22 elever) skal sende 1 elev til DUSK, 1 til elevrådet og 1 til fredagscafé. Hvor mange
måder kan det gøres på?
(flere opgaver på næste side)

3
3.