Statistiek

H 4: Discrete stochastische variabelen

Hoofdstuk 4 Hoofdstuk 5

2
 4.1: stochastische variabelen
Een stochastische variabele of kansvariabele X
is een variabele die numerieke waarden aanneemt die horen bij de toevallige
uitkomsten van een experiment.

Vb:
Experiment gooien met 2 muntstukken

X: stochasitische variabele: aantal keren Kop

‘Stochastisch’ betekent:
‘van het toeval afhankelijk’
Het aantal keren Kop bij het gooien van een
2 munten is van het toeval afhankelijk.

4
4.2 kansverdeling voor stochastische variabelen

Theoretische kansen bij gooien 2 eerlijk muntstukken (x = aantal keren kop) :

1
P  X=0  = P(M.M)=
4
1 1 1
P  X=1  = P(M.K)+P(KM) =  
4 4 2
1
P  X=2  = P(KK)=
4
4.2 kansverdeling voor stochastische variabelen

Theoretische kansen bij gooien 2 eerlijk muntstukken: (X = aantal keren kop)

kansfunctie
4.2: kansverdeling voor stochastische variabelen:
eigenschappen

1. p(xi) ≥ 0 voor alle xi

2. p(xi) = 1

7
4.3: Verwachtingswaarde van discrete stochastische
variabelen: voorbeeld
1) Stel we gooien 10 keer met 2 munten en bekomen:
0 keer K: 5
1 keer K:3
2 keer K: 2
Gemiddeld aantal K:


 xi

5 x 0  3 x 1 2 x 2
 0.7
N 10
2) We doen dit experiment opnieuw en bekomen deze keer:
0 keer K: 1
1 keer K: 5
2 keer K: 4
Gemiddeld aantal K:


 xi

1x 0  5 x 1 4 x 2
 1.3
N 10
4.3: Verwachtingswaarde van discrete stochastische
variabelen: voorbeeld
Wanneer we dit experiment niet 10 keer maar duizend keer herhalen (in principe
oneindig keer) zal de relatieve frequentie van optreden naar een constant getal
evolueren = de kans en bijhorende kansfunctie.
Stel we gooien 1000 keer met 2 munten. Wat is dan het gemiddeld aantal keren dat
we K kunnen verwachten op basis van de theoretische kansfunctie?


 xi

250 x 0  500 x 1 250 x 2
N 1000
250 500 250
 0.  1.  2.
1000 1000 1000
 1  1  1
 0.    1.    2.    1
4 2 4

 0.P ( X  0)  1.P ( X  1)  2.P ( X  2)

  xi .p(xi )   xi .P ( X  xi )
4.3: Verwachtingswaarde (gemiddelde) van de
populatie van discrete stochastische variabelen

  E[ X ]   xi  p ( xi )   xi .P( X  xi )

Opm: het is mogelijk dat een stochastische variabele nooit gelijk is aan de
gemiddelde waarde

10
4.3: Verwachtingswaarde (gemiddelde) van de
populatie van discrete stochastische variabelen
Analoog: verwachtingswaarde van een functie van X

  E[ f ( X )]   f ( xi )  p ( xi )   f ( xi ).P ( X  xi )
Voorbeeld. X=aantal keer K (zie hoger) bij worp met twee
muntstukken
Y=2.X+5
? E[Y]

11
Levensverzekering: premie 290€/ uitkering bij
overlijden: 10.000€. Kans op sterven voor deze
leeftijdscategorie: 0,001
? Verwachte winst voor de maatschappij?
4.4: variantie van een discrete
stochastische variabele
zie eerder:
 waarde  gemiddelde 
2
s 
2

variantie
 2  Var [ X ]  E[( X   )2 ]   (xi   )2 P ( X  xi )

standaardafwijking
2
13
 Extra: eigenschappen
W  a  bX  cY met X en Y twee stochastische variabelen
E [W ]  a  bE [ X ]  cE [Y ]

indien X en Y onafhankelijk geldt ook:

Var[W]=b 2 Var[X]+c 2 Var[Y]

indien X en Y onafhankelijk én normaal verdeeld geldt ook:

W  a  bX  cY : normaal verdeeld !
 Extra: eigenschappen
W  a0  a1 X 1  a2 X 2 +...+an X n met X i n stochastische variabelen
E [W ]  a0  a1E [ X 1 ]  a2 E[X 2 ]+...+an E[X n ]

indien alle X i onafhankelijk zijn geldt ook:

Var[W ]  a12Var[ X 1 ]  a22Var[ X 2 ]  ...  an2Var[ X n ]
indien alle X i onafhankelijk én normaal verdeeld geldt ook:
W  a0  a1 X 1  a2 X 2 +...+an X n : normaal verdeeld !
Later: Stel dat de n veranderlijken onafhankelijk zijn en met een willekeurige verdeling
dan is de lineaire combinatie ook normaal verdeeld voor n gaande naar oneindig (in
praktijk n groter dan 30)
Oefening: bewijs dat
BINOMIALE VERDELING
 4.4: De Binomiale
stochastische variabele
K M
veel experimenten hebben slechts 2
mogelijke uitkomsten:

voldoende
afgekeurd
onvoldoende
goedgekeurd

x=
• aantal keren K bij 10 worpen p(x) ?
• aantal afgekeurde producten bij lot van 100
•…. 17
 4.4: De Binomial stochastische variabele
Uit onderzoek blijkt dat slechts 10% van de amerikaanse volwassenen ouder dan
30 voldoet aan een conditietest.

kans dat iemand slaagt: P(S)=0.1

kans dat iemand zakt: P(Z)=0.9

Stel dat vier volwassenen willekeurig worden geselecteerd en elk van hen de
conditietest aflegt.
Noem X=“aantal volwassenen die slagen op de test (van deze 4)”

Leid formule af voor de kansfunctie van X: p(xi)=P(X=xi)?

18
 P(S)=0.1 P(Z)=0.9

x=0 x=1 x=2 x=3 x=4

P ( X  0)  0.9 4

P ( X  1)  4(0.1)  (0.9)3
P ( X  2)  6(0.1)2 (0.9)2

P ( X  3)  4(0.1)3 (0.9)1

P ( X  4)  (0.1)4 (0.9)0
 Vanwaar 6?

combinatie regel:
aantal mogelijke combinaties
van 2 elementen uit verzameling van 4
4!
C 42  6
2!2!

1
4

3
 P(S)=0.1 P(Z)=0.9

x=0 x=1 x=2 x=3 x=4

P ( X  0)  0.9 4

P ( X  1)  4(0.1)  (0.9)3
P ( X  2)  6(0.1)2 (0.9)2

P ( X  3)  4(0.1)3 (0.9)1

n i P ( X  4)  (0.1)4 (0.9)0
P( X  i )  C x 0.1  0.9
n
i i
 4.4: De Binomial stochastische variabele
Eigenschappen van binomiale variabele
i. experiment bestaat uit n identieke deelexperimenten
ii. Deelexperiment is te schrijven als een
uitkomstenverzameling met twee uitkomsten: Succes or
Mislukking V={S,M}
iii. P(S) = p; P(M) = q = 1 – p
iv. de deelexperimenten zijn onafhankelijk
v. de stochastische variabele X = ‘het aantal keren S in n
deelexperimenten’
ni n!
X ~ Bin(n, p ) P( X  i)  p(i)  C p q
i
n
i
 p i q n i
(n  i)!i !
i : 0,1,..., n
23
 De Binomiale stochastische variabele
  E[ X ]   i.P( X  i)  ..... np (zonder bewijs)
 2  Var[ X ]   (i   )2 .P( X  i)  ........  npq (zonder bewijs)

Java-applicatie: kansfunctie Binomiale

24
POISSON-VERDELING
POISSON-verdeling: Eigenschappen
• Tellen van aantal keer dat een bepaalde gebeurtenis
voorkomt in een bepaald tijdsinterval, oppervlakte, volume,
afstand,…
• De kans dat een gebeurtenis voorkomt in een bepaald
tijdsinterval,… is even groot voor alle tijdsintervallen, … van
gelijke grootte
• Het aantal gebeurtenissen in een bepaalde eenheid van
tijd,… is onafhankelijk van het aantal dat in een andere,
hiermee disjuncte, eenheden voorkomt
• Het verwachte aantal gebeurtenissen in elke eenheid wordt
aangegeven met λ
=> Deze voorwaarden zijn moeilijk te verifiëren in praktische toepassingen.
Of dit model werkelijk geschikt is, is pas vast te stellen als de empirische
gegevens het model ondersteunen
 POISSON-verdeling: Eigenschappen
• Tellen van aantal keer dat een bepaalde gebeurtenis voorkomt in een bepaald tijdsinterval,
oppervlakte, volume, afstand,…
• De kans dat een gebeurtenis voorkomt in een bepaald tijdsinterval,… is even groot voor alle
tijdsintervallen, … van gelijke grootte
• Het aantal gebeurtenissen in een bepaalde eenheid van tijd,… is onafhankelijk van het aantal
dat in een andere, hiermee disjuncte, eenheden voorkomt
• Het verwachte aantal gebeurtenissen in elke eenheid wordt aangegeven met λ

met mogelijke waarden x: 0, 1, …, oneindig

?)
?
?
 POISSON-verdeling: Eigenschappen
met mogelijke waarden x: 0, 1, …, oneindig

 i  e
P ( X  i )  p (i )  zonder bewijs
i!
  E[ X ]   i  P ( X  i )

 i e 
 i e
  i   i   i  e 
i 0 i! i 1 i! P( X  i) 
i  i!

e 
 i 1
   e  


i 1 (i  1)! i 1 (i  1)!

j
  e      e      e  
j 0 j!
POISSON-verdeling: Eigenschappen
met mogelijke waarden x: 0, 1, …, oneindig

 e
i 
P( X  i) 
i!

  E[ X ]  

  Var[ X ]   zonder bewijs

2
 Poisson als limiet binomiale
Soms bekijkt men de Poisson verdeling door de bril van een binomiale verdeling door
te denken aan een zeer grote steekproefomvang n en zeer kleine kans p

Voorbeeld: tellen van verkeersongevallen in een stad

 i  e 
lim Cni  p i  q ( n i )  met   n  p
n 
p 0
i!
np  cte
 Poisson als limiet binomiale
Voorbeeld:

Medische test: bij 0,2% van de personen een

allergische reactie.
Er wordt bij 1500 personen een test afgenomen.

Kans dat bij meer dan 5 personen de allergie

optreedt?