이항 분포

(이항분포에서 넘어옴)

이항 분포(二項分布)는 연속된 n번의 독립적 시행에서 각 시행이 확률 p를 가질 때의 이산 확률 분포이다. 이러한 시행은 베르누이 시행이라고 불리기도 한다. 사실, n=1일 때 이항 분포는 베르누이 분포이다.

이항분포
확률 질량 함수
Probability mass function for the binomial distribution
누적 분포 함수
Colors match the image above
Colors match the image above
매개변수 시행 횟수 (정수)
발생 확률 (실수)
지지집합
확률 질량
누적 분포
기댓값
중앙값 one of [1]
최빈값
분산
비대칭도
첨도
엔트로피
적률생성함수
특성함수

이항 분포는 양봉 분포(Bimodal distribution)와는 다른 것이다.

기본적인 예: 일반적인 주사위를 10회 던져서 숫자 6이 나오는 횟수를 센다. 이 분포는 n = 10이고 p = 1/6인 이항분포이다.

다른 예로는, 아주 많은 인구의 5%가 쌍꺼풀이 있다고 해보자. 그리고 100명을 무작위적으로 선택한다. 당신이 선택한 쌍꺼풀을 가진 사람의 수는 n = 100이고 p = 0.05인 이항분포를 따른다.

상세내용

편집

확률 질량 함수

편집

일반적으로, 확률변수 K가 매개변수 np를 가지는 이항분포를 따른다면, K ~ B(n,p)라고 쓴다. n번 시행 중에 k번 성공할 확률은 확률 질량 함수로 주어진다:

 

이 때, k = 0, 1, 2, ..., n 이고,

 

는 이항 계수(C(n,k) 또는 nCk라고 쓰기도 함)이다. 이 식은 다음과 같이 이해할 수 있다: 우리는 k번의 성공(pk)과 nk번의 실패((1 − p)nk)를 원한다. 그러나, k번의 성공은 n번의 시도 중 어디서든지 발생할 수 있고, 또한 k번의 성공을 가지는 분포는 C(n, k)개가 있다.

이항 분포 확률에 대한 참고표를 만들 때, 표는 대체로 n/2개의 값으로 채워져 있다. 이것은 k > n/2에 대해 확률이 다음과 같이 계산될 수 있기 때문이다.

 

그러므로 다른 k와 다른 p를 보아야 한다(이항 분포는 일반적으로 대칭적이지 않음).

누적 분포 함수

편집

누적 분포 함수는 다음과 같이 베타함수꼴로 쓸 수 있다:

 

이 때, k는 정수이고, 0 ≤ k ≤ n이다. 만약 x가 정수일 필요가 없거나 양수일 필요가 없다면 다음과 같이 쓸 수 있다:

 

knp를 만족하는 k에 대해에 대해 분포 함수의 낮은 꼬리에 대한 상계를 유도할 수 있다. 특히, 호에프딩 부등식을 이용하면 다음을 얻는다:

 

그리고 체르노프 부등식은 다음의 경계를 유도하는 데 사용할 수 있다:

 

평균, 분산, 최빈값

편집

만약 X : B(n, p)라면, X기댓값

 

이고 분산

 

이것은 쉽게 증명할 수 있다. 먼저 한 번의 베르누이 시행을 생각해보자. 결과는 1과 0 두 가지이고, 1이 나올 확률이 p, 0이 나올 확률이 1 − p이다. 이 시행의 평균은 μ = p이다. 분산의 정의를 이용하면 다음을 얻는다.

 

이제 n번의 시행에 대한 분산을 구한다고 생각해보자(일반적인 이항 분포). 각 시행은 독립이므로, 각 시행에 대한 분산들을 더하면

 

X의 최빈값은 (n + 1)p와 같거나 작은 가장 큰 정수이다; 만약 m = (n + 1)p이 정수라면, m − 1과 m이 둘 다 최빈값이다.

평균과 분산의 명확한 유도

편집

명확한 유도를 위해 다음의 식을 이용한다.

 

평균

편집

먼저, 기댓값의 정의를 적용하면

 

k가 0이므로 첫 번째 항(k' = 0)은 0이다. 이것은 제외될 수 있으므로, 하한을 k = 1로 바꿀 수 있다.

 

우리는 nk를 팩토리얼로부터 꺼냈고, p를 하나 빼냈다.

 

여기서 m = n - 1 이고, s = k - 1라고 하자.

 

이 합은 전체 이항 분포에 대한 합이다. 그러므로

 

분산

편집

분산을 다음과 같이 쓸 수 있다는 것은 증명할 수 있다:

 

이 식을 사용하면 X2의 기댓값 역시 필요하다는 것을 알 수 있다. 이것은 다음과 같이 구할 수 있다.

 

이를 이용해 계산하면,

 

(마찬가지로, m = n - 1 이고, s = k - 1로 치환). 합을 두 부분으로 나누면,

 

첫 번째 항은 위에서 계산한 평균과 같다. 결과는 mp이다. 두 번째 항은 1이다.

 

이 결과와 평균(E(X) = np)을 이용해서 분산을 다시 표시해보면 다음과 같다.

 

같이 보기

편집

각주

편집
  1. Hamza, K. (1995). The smallest uniform upper bound on the distance between the mean and the median of the binomial and Poisson distributions. Statist. Probab. Lett. 23 21–25.