Wat is de negatieve binominale verdeling?

Tatiana Kolesnikova/Getty Images

De negatieve binomiale verdeling is a kansverdeling die wordt gebruikt met discrete willekeurige variabelen. Dit type verdeling betreft het aantal proeven dat moet plaatsvinden om een ​​vooraf bepaald aantal successen te behalen. Zoals we zullen zien, is de negatieve binomiale verdeling gerelateerd aan de binominale verdeling . Bovendien generaliseert deze verdeling de geometrische verdeling.

De instelling

We zullen beginnen met te kijken naar zowel de setting als de omstandigheden die aanleiding geven tot een negatieve binomiale verdeling. Veel van deze voorwaarden lijken erg op een binominale instelling.

1. We hebben een Bernoulli-experiment. Dit betekent dat elke proef die we uitvoeren een duidelijk omschreven succes en mislukking heeft en dat dit de enige resultaten zijn.
2. De kans op succes is constant, ongeacht hoe vaak we het experiment uitvoeren. Deze constante kans geven we aan met a p.
3. Het experiment wordt herhaald voor X onafhankelijke proeven, wat betekent dat de uitkomst van een proef geen invloed heeft op de uitkomst van een volgende proef.

Deze drie voorwaarden zijn identiek aan die in een binominale verdeling. Het verschil is dat een binominale willekeurige variabele een vast aantal proeven heeft n. De enige waarden van X zijn 0, 1, 2, ..., n, dus dit is een eindige verdeling.

Een negatieve binomiale verdeling houdt zich bezig met het aantal proeven X dat moet gebeuren totdat we hebben r successen. Het nummer r is een geheel getal dat we kiezen voordat we onze proeven gaan uitvoeren. De willekeurige variabele X is nog steeds discreet. Nu kan de willekeurige variabele echter waarden aannemen van X = r, r+1, r+2, ... Deze willekeurige variabele is aftelbaar oneindig, omdat het willekeurig lang kan duren voordat we krijgen r successen.

Voorbeeld

Om een ​​​​negatieve binomiale verdeling te helpen begrijpen, is het de moeite waard om een ​​​​voorbeeld te overwegen. Stel dat we een eerlijke munt opgooien en we stellen de vraag: 'Wat is de kans dat we in de eerste X muntstukjes?' Dit is een situatie die vraagt ​​om een ​​negatieve binominale verdeling.

De coinflips hebben twee mogelijke uitkomsten, de kans op succes is een constante 1/2 en de proeven zijn onafhankelijk van elkaar. We vragen naar de kans op het krijgen van de eerste drie koppen na X munt slaat. We moeten de munt dus minstens drie keer opgooien. We blijven dan flippen tot de derde kop verschijnt.

Om kansen te berekenen die verband houden met een negatieve binomiale verdeling, hebben we wat meer informatie nodig. We moeten de kansmassafunctie kennen.

Kansdichtheidsfunctie

De kansmassafunctie voor een negatieve binominale verdeling kan met een beetje nadenken worden ontwikkeld. Elke proef heeft een kans van slagen gegeven door: p. Aangezien er slechts twee mogelijke uitkomsten zijn, betekent dit dat de faalkans constant is (1 - p ).

De r het succes moet plaatsvinden voor de x e en laatste proces. De vorige x - 1 proeven moeten precies bevatten: r - 1 successen. Het aantal manieren waarop dit kan gebeuren wordt gegeven door het aantal combinaties:

C( x - 1, r -1) = (x - 1)!/[(r - 1)!( x - r )!].

Daarnaast hebben we onafhankelijke gebeurtenissen, en dus kunnen we onze kansen met elkaar vermenigvuldigen. Als we dit allemaal samenvoegen, krijgen we de kansmassafunctie

f ( x ) =C( x - 1, r -1) p ^r (1 - p ) ^{x - r}.

De naam van de distributie

We zijn nu in een positie om te begrijpen waarom deze willekeurige variabele een negatieve binomiale verdeling heeft. Het aantal combinaties dat we hierboven zijn tegengekomen, kan anders worden geschreven door in te stellen x - r = k:

(x - 1)!/[(r - 1)!( x - r )!] = ( x + k - 1)!/[(r - 1)! k !] = ( r + k - 1)( x + k - 2) . . . (r + 1)(r)/ k ! = (-1) ^k (-r)(-r - 1). . .(-r -(k + 1)/k!.

Hier zien we het verschijnen van een negatieve binomiale coëfficiënt, die wordt gebruikt wanneer we een binominale uitdrukking (a + b) tot een negatieve macht verheffen.

Gemeen

Het gemiddelde van een verdeling is belangrijk om te weten, omdat het een manier is om het midden van de verdeling aan te duiden. Het gemiddelde van dit type willekeurige variabele wordt gegeven door de verwachte waarde en is gelijk aan r / p . We kunnen dit zorgvuldig bewijzen door gebruik te maken van de moment genererende functie: voor deze distributie.

Intuïtie leidt ons ook naar deze uitdrukking. Stel dat we een reeks proeven uitvoeren n ₁totdat we verkrijgen r successen. En dan doen we dit nog een keer, alleen deze keer duurt het n _tweeproeven. We blijven dit keer op keer doorgaan, totdat we een groot aantal groepen proeven hebben N = n ₁+ n _twee+ . . . + n _k.

Elk van deze k proeven bevat r successen, en dus hebben we in totaal DKK successen. Als N groot is, dan zouden we verwachten ongeveer te zien bijv successen. Dus we stellen deze samen en hebben kr = Np.

We doen wat algebra en vinden dat N / k = r / p. De breuk aan de linkerkant van deze vergelijking is het gemiddelde aantal proeven dat nodig is voor elk van onze k groepen proeven. Met andere woorden, dit is het verwachte aantal keren om het experiment uit te voeren, zodat we in totaal . hebben r successen. Dit is precies de verwachting die we willen vinden. We zien dat dit gelijk is aan de formule r/p.

variantie

De variantie van de negatieve binomiale verdeling kan ook worden berekend met behulp van de momentgenererende functie. Wanneer we dit doen, zien we dat de variantie van deze verdeling wordt gegeven door de volgende formule:

r(1 - p )/ p ^twee

Functie voor het genereren van momenten

De momentgenererende functie voor dit type willekeurige variabele is behoorlijk ingewikkeld. Bedenk dat de momentgenererende functie is gedefinieerd als de verwachte waarde E[e^tX]. Door deze definitie te gebruiken met onze kansmassafunctie, hebben we:

M(t) = E[e^tX] = Σ (x - 1)!/[(r - 1)!( x - r )!]en^tX p ^r (1 - p ) ^{x - r}

Na wat algebra wordt dit M(t) = (pe^t)^r[1-(1- p)e^t]^-r

Relatie met andere distributies

We hebben hierboven gezien hoe de negatieve binominale verdeling in veel opzichten vergelijkbaar is met de binominale verdeling. Naast dit verband is de negatieve binomiale verdeling een meer algemene versie van een geometrische verdeling.

Een geometrische willekeurige variabele X telt het aantal proeven dat nodig is voordat het eerste succes optreedt. Het is gemakkelijk in te zien dat dit precies de negatieve binomiale verdeling is, maar met r gelijk aan één.

Andere formuleringen van de negatieve binominale verdeling bestaan. Sommige leerboeken definiëren X om het aantal proeven te zijn tot r storingen optreden.

Voorbeeld probleem

We zullen een voorbeeldprobleem bekijken om te zien hoe we met de negatieve binominale verdeling kunnen werken. Stel dat een basketballer voor 80% een vrije worp schiet. Neem verder aan dat het maken van een vrije worp onafhankelijk is van het maken van de volgende. Wat is de kans dat voor deze speler de achtste basket wordt gemaakt op de tiende vrije worp?

We zien dat we een instelling hebben voor een negatieve binominale verdeling. De constante kans op succes is 0,8, en dus de kans op falen is 0,2. We willen de kans op X=10 bepalen wanneer r = 8.

We pluggen deze waarden in onze kansmassafunctie:

f(10) =C(10 -1, 8 - 1) (0,8)⁸(0.2)^twee= 36(0.8)⁸(0.2)^twee, dat is ongeveer 24%.

We zouden dan kunnen vragen wat het gemiddelde aantal vrije worpen is voordat deze speler er acht maakt. Aangezien de verwachte waarde 8/0,8 = 10 is, is dit het aantal opnamen.