6.3
Olasılık Dağılımları
Bir rastgele değişkenin olasılığı x, onun ortaya çıkma olasılığıdır. Olasılık dağılımı, bir formül, grafik veya tablo kullanılarak rastgele bir değişk…
Olasılık dağılımı, rastgele değişkenlerle ilişkili olasılıkların bir temsilidir.
Genellikle bir formül, grafik veya tablo şeklinde ifade edilir.
Herhangi bir olasılık dağılımı için, her bir olasılığın sıfır ile bir arasında olması ve tek tek olasılıkların toplamının bire eşit olması gerekir.
Olasılık dağılımları genel olarak kesikli veya sürekli olarak sınıflandırılabilir.
Ayrık dağılımlar binom ve Poisson dağılımlarına bölünür.
Binom dağılımı, birden fazla denemesi olan, ancak yazı tura atmak gibi deneme başına yalnızca iki olası sonucu olan vakaları tanımlar.
Bir Poisson dağılımında, saat başına web sitesi ziyaretçilerinin sayısı gibi belirli aralıklarla meydana gelen bağımsız olaylar olabilir.
Benzer şekilde, sürekli bir olasılık tekdüze ve normal dağılımlara bölünür.
Tekdüze dağılım, elektrik şirketi tarafından sağlanan voltaj gibi olası aralığa eşit olarak yayılan olasılıkları temsil eder.
Normal dağılım, örneğin bebeklerin doğum ağırlığı gibi simetrik çan şeklinde bir grafik oluşturan olasılıkları temsil eder.
Genel olarak, olasılık dağılımları bir olayın meydana gelme şansını tahmin etmede yararlıdır.
View the full transcript and gain access to JoVE Core videos
Q1: What are the key requirements for any valid probability distribution?
In any probability distribution, each individual probability must fall between zero and one, and all probabilities must sum to exactly one. These constraints ensure the distribution is mathematically valid and accounts for all possible outcomes of a random variable. This foundation applies across all distribution types.
Q2: How does a binomial probability distribution differ from a Poisson distribution?
A binomial probability distribution applies to scenarios with a fixed number of trials where each trial has exactly two outcomes, like coin tosses. A Poisson distribution models independent events occurring within specific intervals, such as website visitors per hour. Binomial requires predetermined trial counts; Poisson focuses on event frequency over time or space.
Q3: What characterizes a uniform distribution?
A uniform distribution represents probabilities evenly spread across all possible values within a range, creating a rectangular shape. Examples include voltage from an electric company or equal likelihood of drawing any suit from a card deck. This contrasts with distributions where some outcomes are more probable than others.
Q4: Why is the normal distribution important in statistics?
The normal distribution forms a symmetric bell-shaped curve and describes many real-world phenomena like birth weights and IQ scores. Its predictable shape allows statisticians to estimate probabilities and make inferences about populations. However, it applies only to certain types of data and cannot be universally applied.
Q5: How can a Poisson distribution approximate a binomial distribution?
A Poisson distribution approximates a binomial distribution when the probability of success is small (≤0.05) and the number of trials is large (≥20). This approximation simplifies calculations while maintaining reasonable accuracy. The conditions ensure the binomial distribution's shape resembles the Poisson model closely enough for practical use.
Q6: What are the two main categories of probability distributions?
Probability distributions divide into discrete and continuous types. Discrete distributions apply to countable outcomes like coin flips or website visitors, subdividing into binomial and Poisson types. Continuous distributions apply to measurable values across ranges, subdividing into uniform and normal types, each serving different analytical purposes.
Q7: How are probability distributions typically expressed?
Probability distributions are commonly expressed as formulas, graphs, or tables, each providing different insights into the data. Formulas enable precise calculations, graphs visualize probability patterns, and tables organize discrete probabilities systematically. The choice of representation depends on the distribution type and analytical context.