Stokastiska variabler

Relevanta dokument
Betygsgränser: För (betyg Fx).

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

Matematisk statistik

. Om man har n stycken valsituationer med k valmöjligheter var, är det totala antalet valmöjligheter k.

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Centrala gränsvärdessatsen (CGS). Approximationer

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor

1 Föreläsning IV; Stokastisk variabel

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n = grad( P(

Borel-Cantellis sats och stora talens lag

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

EGENRUM, ALGEBRAISK- OCH GEOMETRISK MULTIPLICITET

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Analys av polynomfunktioner

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

= (1 1) + (1 1) + (1 1) +... = = 0

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp.

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

Matematisk statistik TMS063 Tentamen

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

Tentamen i Envariabelanalys 1

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Uppsala Universitet Matematiska Institutionen Bo Styf. Att repetera.

Tentamen i matematisk statistik

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Kontrollskrivning 2 till Diskret Matematik SF1610, för CINTE1, vt 2019 Examinator: Armin Halilovic Datum: To Σ p P/F Extra Bonus

Tentamen i Matematisk statistik för V2 den 28 maj 2010

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:

Formelblad Sannolikhetsteori 1

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

101. och sista termen 1

4.2.3 Normalfördelningen

Följande begrepp används ofta vid beskrivning av ett statistiskt material:

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

MA2018 Tillämpad Matematik III-Statistik, 7.5hp,

TAMS15: SS1 Markovprocesser

Binomialsatsen och lite kombinatorik

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik


Grundläggande matematisk statistik

Multiplikationsprincipen

Föreläsning G04: Surveymetodik

θx θ 1 om 0 x 1 f(x) = 0 annars

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

Introduktion till statistik för statsvetare

TATM79: Föreläsning 3 Binomialsatsen och komplexa tal

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

Tentamen i Sannolikhetsteori III 13 januari 2000

TATM79: Föreläsning 2 Absolutbelopp, olikheter och binomialkoefficienter

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

Datorövning 2 Fördelningar inom säkerhetsanalys

KTH/ICT IX1501:F7 IX1305:F2 Göran Andersson Statistik: Skattningar

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

Datorövning 2 Fördelningar inom säkerhetsanalys

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 3.5hp

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

Kombinatorik. Torbjörn Tambour 21 mars 2015

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl

a) Beräkna E (W ). (2 p)

Inklusion och exklusion Dennie G 2003

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a

APPROXIMATION AV SERIENS SUMMA MED EN DELSUMMA OCH EN INTEGRAL

Skattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?

Lycka till! I(X i t) 1 om A 0 annars I(A) =

Föreläsning G70 Statistik A

Genomsnittligt sökdjup i binära sökträd

2. Konfidensintervall för skillnaden mellan två proportioner.

Kompletterande kurslitteratur om serier

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN kl

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

b 1 och har för olika värden på den reella konstanten a.

TMS136: Dataanalys och statistik Tentamen med lösningar

Uppgifter 3: Talföljder och induktionsbevis

F10 ESTIMATION (NCT )

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

TENTAMEN I MATEMATISK STATISTIK

Förslag till övningsuppgifter FN = Forsling/Neymark, K = Kompendiet Vektorer, linjer och plan, ÖT = Övningstentamen

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

1. Test av anpassning.

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning 3. Signalbehandling i multimedia - ETI265. Kapitel 3. Z-transformen. LTH 2015 Nedelko Grbic (mtrl. från Bengt Mandersson)

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I

Lösningar och kommentarer till uppgifter i 1.1

Transkript:

TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå, alltså av slumpe. Ma allar talet e stoastis variabel eller slumpvariabel, förortat s.v. Ma talar om e flerdimesioell s.v. om det slumpmässiga försöet ger flera tal. Stoastisa variabler betecas med X, Y, Z, osv. Defiitio 2.1. E stoastis variabel (s.v. X är e reellvärd futio defiierad på ett utfallsrum Ω, dvs X : Ω R Defiitio 2.2. Om de s.v. X atar ett ädligt eller uppräeligt oädligt atal olia värde = x 1, x 2, x 3... säger vi att X är disret aars säger vi att X är otiuerlig. Exempel 2.3. a Låter vi X vara atal ögo som ommer upp vid ett ast av e tärig, så atar X värdea = 1, 2,..., 6. De s.v. X är alltså disret. b Om X är livslägde hos e ompoet, så atar X alla värde i itervallet [0, [, dvs X är e otiuerlig s.v. Läs i boe: Exempel 3.1, 3.2, 3.3, 3.4, 3.5, 3.6. Figur 3.2 1

2.1. Disreta s.v. Defiitio 2.4. Atag att X är e disret s.v. som atar värdea = x 1, x 2, x 3.... Futioe p X ( = P (X =, = x 1, x 2, x 3..., allas saolihetsfutioe för de s.v. X och uppfyller 1. p X ( 0 för all 2. p X ( = 1. Exempel 2.5. De disreta s.v. X har saolihetsfutioe p X (1 = 0.1, p X (2 = 0.3, p X (3 = 0.2, p X (4 = 0.1, p X (5 = 0.2, och p X (6 = 0.1. Att p X (, = 1, 2,..., 6 är e 6 saolihetsfutio följer av att p X ( 0, = 1, 2,..., 6 och p X ( = 1. =1 Defiitio 2.6. Futioe F X ( = P (X allas fördeligsfutioe för X. De har egesapera { 0, x 1. F X (x 1, x 2. F X (x är e ice-avtagade futio av x 3. F X (x är otiuerlig till höger för varje x Amärig 2.7. Vi får att 1. saolihete för högst av e sort ges av F X ( = j p X (j 2

2. saolihete för mist av e sort ges av 1 F X ( = j p X (j 3. saolihete för exat av e sort ges av F X ( F X ( 1 = p X (. Exempel 2.8. Bestäm fördeligsfutioe till s.v. i Exempel 2.5. Lösig: Eftersom F X ( = P (X = j p X (j, så får vi att F X (1 = p X (1 = 0.1, F X (2 = p X (j = 0.4, F X (3 = p X (j = 0.6, F X (4 = p X (j = 0.7, j 2 j 3 j 4 F X (5 = p X (j = 0.9 och F X (6 = p X (j = 1. j 5 j 6 3

Exempel 2.9. Hos e tillverad detalj är saolihete 0.06 för fel av typ I och 0.05 för fel av typ II. Fele föreommer oberoede av varadra. Bestäm saolihetsfutioe och fördeligsfutioe för atal fel hos e tillverad detalj. 4

2.2. Disreta fördeligar Defiitio 2.10. Låt 0 < p < 1. De s.v. X har 1. Tvåputsfördelig eller Beroulli-fördelig, X Be(p om 2. Liformig fördelig om p X (a = p, p X (b = 1 p. p X ( = 1, = 1, 2,..., m. m 3. För-första-gåge-fördelig, X f f g(p om p X ( = (1 p 1 p, = 1, 2,.... 4. Geometris fördelig, X Geo(p om p X ( = (1 p p, = 0, 1, 2,.... 5. Biomialfördelig, X Bi(, p om ( p X ( = p (1 p, = 0, 1, 2,...,. 6. Hypergeometris fördelig, X Hyp(N,, p om ( ( Np N(1 p p X ( = ( N, = 0, 1, 2,...,. 7. Poisso-fördelig, X P (µ om p X ( = µ! e µ, = 0, 1, 2,..., µ > 0. 5

I ästa sats visar vi att futioera p X ( ova är saolihetsfutioer. Sats 2.11. Futioera p X ( i Defiitio (2.10 är saolihetsfutioer. Bevis: Eftersom alla futioera p X ( är positiva, så behöver vi bara visa att de har total saolihetsmassa 1. 1. Tvåputsfördelig eller Beroulli-fördelig: X Be(p, och p X (a = p. Vi har att p X (a + p X (b = p + (1 p = 1. I figure eda är a = 2, b = 4 och p = 0.4. 2. Liformig fördelig: p X ( = 1 m. Vi har att m p X ( = =1 m =1 I figure är = 1, 2,..., 10 och p X ( = 1 10. 1 m = m 1 m = 1. 3. För-första-gåge-fördelig: X ffg(p och p X ( = (1 p 1 p. Vi börjar med att påmia om summa för de geometrisa serie: j=0 q j = 1, q < 1. 1 q 6

Nu har vi att p X ( = (1 p 1 p = {j = 1} = p (1 p j 1 = p 1 (1 p = p1 p = 1. =1 =1 j=0 I figure eda är p = 0.4 och = 1, 2, 3,.... 4. Geometris fördelig: X Geo(p och p X ( = (1 p 1 p. Vi har att p X ( = (1 p p = p (1 p 1 = p 1 (1 p = p1 p = 1. I figure eda är p = 0.4 och = 0, 1, 2,.... 5. Biomialfördelig: X Bi(, p och p X ( = Vi påmier om biomialsatse: (p + q = 7 ( ( p q. p (1 p.

Vi har att 1 = 1 = (p + (1 p = I figure eda är = 10 och p = 0.5. ( p (1 p = p X (. 6. Hypergeometris fördelig: X Hyp(N,, p och p X ( = ( Np ( N(1 p (. N Vi sriver polyomet (1 + x N på två sätt och jämför oefficietera. Biomialsatse ger att N ( (1 + x N N = x och Alltså får vi att Nu har vi att i=0 =0 (1 + x N = (1 + x Np (1 + x N(1 p = ( Np ( ( N(1 p Np ( x i N(1 p x j i j = N ( ( Np =0 ( Np p X ( = ( N(1 p ( Np 8 j=0 ( N(1 p = ( N x ( N(1 p ( N.

= = 1 ( N 1 ( N ( N I figure eda är N = 20, = 10 och p = 0.5. ( Np = 1. ( N(1 p 7. Poisso-fördelig: X P (µ och p X ( = µ! e µ. Vi påmier om taylorutveclige e µ µ =!. Vi har att p X ( = I figure eda är µ = 5. µ! e µ = e µ µ! = e µ e µ = 1. 9

Vi går igeom ågra exempel som belyser i vila situatioer dessa fördeligar uppstår. Exempel 2.12. Tvåputsfördelig (Beroulli-fördelig. Ett lotteri ger vist med saolihet p = 0.01 och ige vist med saolihet 0.99. Om X = 1 för e vistlott och X = 0 för e itlott, så är X Be(0.01. Exempel 2.13. Tvåputsfördelig (Beroulli-fördelig. E loppa hoppar på heltalsputera på x-axel med saolihetera 0.7 till väster resp. 0.3 till höger. Låt X = 1 om loppa hoppar ett steg till väster och X = 1 om loppa hoppar ett steg till höger. Då är X tvåputsfördelad, dvs X Be(0.7 med saolihetsfutioe p X ( 1 = P (X = 1 = 0.7 och p X (1 = P (X = 1 = 0.3. E tvåputsfördelig a äve föreomma i adra situatioer, tex., e partiel som hoppar på x-axel (höger, väster, sliga slat (roa, lave, ett försö (lycas, misslycas m.m. Exempel 2.14. Liformig fördelig. Vid ast av e symmetris tärig så har alla sex sidora samma saolihet att omma upp. Om X är atal ögo som visas upp vid ett ast så är X liformigt fördelad med saolihetsfutioe p X ( = P (X = = 1 6, = 1, 2,..., 6. Exempel 2.15. För-första-gåge-fördelig. I e tillverigsprocess med felsaolihete 0.01 udersöer ma tillverade eheter tills ma får e defet ehet. Om X är atalet eheter, är ma första gåge får e defet ehet medräad, så är X ffg(0.01 med saolihetsfutioe p X ( = P (X = = 0.99 1 0.01, där = 1, 2,.... T.e.x., så är saolihete 0.01 att första ehete ma udersöer defet och saolihete är 0.99 0.01 = 0.0099 för att adra ehete är defet. Läs i boe: Exempel 2.24. Exempel 2.16. Geometris fördelig. I Exempel 2.15 låter vi u Y vara atalet felfria eheter, ia första defeta ehet upptäcs, dvs de defeta ehete ej medräad. Då är Y Ge(0.01 med saolihetsfutioe p Y (j = P (Y = j = 0.99 0.01, där j = 0, 1, 2,.... T.e.x., så är saolihete 0.99 5 0.01 = 0.0099 för att de fem första udersöta felfria och de sjätte udersöta defet. 10

Exempel 2.17. Biomialfördelig: dragig med återläggig E ura iehåller 8 vita och 12 svarta ulor, dvs adele vita ulor i ura är 0.4 och adele svarta är 0.6. Vi drar 7 ulor ur ura geom att dra e ula i taget och lägger tillbaa de ige i ura; detta allas för dragig med återläggig. 1. Om X är atalet vita ulor blad de draga ulora, så är X Bi(7, 0.4 med saolihetsfutioe p X ( = P (X = = ( 7 0.4 0.6 7 för = 0, 1, 2,..., 7 vita ulor. 2. Saolihete för att 2 ulor av 7 draga är vita ges av ( 7 p X (2 = P (X = 2 = 0.4 2 0.6 5 = 0.26. 2 3. Om Y är atalet svarta ulor blad de draga ulora, så är Y Bi(7, 0.6 med saolihetsfutioe ( 7 7 j p Y (j = P (Y = j = 0.6 j 0.4 j för j = 0, 1, 2,..., 7 svarta ulor. 4. Saolihete för att 5 ulor av 7 draga är svarta ges av ( 7 p Y (5 = P (X = 2 = 0.6 5 0.4 2 = 0.26. 5 5. Saolihete för att högst 5 ulor av 7 draga är vita ges av total saolihetsmassa sa vara 1, dvs Detta ger oss att 5 5 p X (. Me eftersom 7 p X ( = 1, så a vi dela upp i 5 p X ( = 1 ( 7 p X ( = 1 p X (6 p X (7 = 1 6 7 p X (. =6 ( 0.4 6 0.6 1 7 7 0.4 7 0.6 0 = 0.981. Läs i boe: Exempel 2.25. 11

Exempel 2.18. Hypergeometris fördelig: dragig uta återläggig Samma ura som i Exempel 2.17. Dea gåg drar vi 7 av 20 ulor ur ura uta att lägga tillbaa dem ige; detta allas för dragig uta återläggig. Om U är atalet vita ulor blad de draga ulora, så är U Hyp(20, 7, 0.4 med saolihetsfutioe ( ( ( ( 0.4 20 0.6 20 8 vita 12 svarta 7 7 p U ( = P (U = = ( = (, = 0, 1, 2,..., 7. 20 20 totalt 7 7 draga Saolihete för 2 vita ulor av 7 draga uta återläggig ges av ( ( 8 12 p U (2 = P (U = 2 = 2 5 ( 20 = 0.286. 7 Om V är atalet svarta ulor 7 draga ulor, så är V Hyp(20, 7, 0.6 med saolihetsfutioe ( ( ( ( 0.6 20 0.4 20 12 svarta 8 vita j 7 j j 7 j p V (j = P (V = j = ( = (, = 0, 1, 2,..., 7. 20 20 totalt 7 7 draga Saolihete för 5 svarta ulor av 7 draga uta återläggig ges av ( ( 12 8 p V (5 = P (V = 5 = 5 ( 20 7 2 = 0.286. Exempel 2.19. Poisso-fördelig Atalet jobb per dag som sicas till e viss srivare på pla 5 i Spetse atas vara e Poissofördelad s.v. med itesitetsparameter λ = 5. Låt X vara atalet jobb som sicas till srivare uder t = 2 dagar. Eftersom det förvätas sicas λ t = 10 jobb uder 2 dagar, så är vätevärdet µ = λt = 10 jobb uder 2 dagar. Då är X P o(µ = 10 med saolihetsfutioe p X ( = P (X = = µ! e µ = 10! e 10, = 0, 1, 2,.... Saolihete för 3 jobb uder 2 dagar är p X (3 = P (X = 3 = 103 3! e 10 = 0.103. Saolihete för mist 3 jobb uder 2 dagar är p X ( = 1 =3 2 p X ( = 1 100 0! e 10 101 1! e 10 102 2! e 10 = 0.9967. Poisso-fördelige dyer upp i situatioer där hädelser iträffar. Tex., atal trafiolycor uder e dag, atal mail sicade till e server uder e viss tid, atal uder som aläder till ett betjäigssystem, m.m. 12

Exempel 2.20. Biomialfördelig. Ett visst försö lycas med saolihete 0.8 (t.ex., a försöet vara att sriva e tetame, att producera e detalj felfri, att e frö gror, m.m. Om ma utför 10 försö, hur stor är saolihete att 1. exat försö lycas, där = 0, 1, 2,..., 10. 2. högst 1 försö lycas. 3. mist 2 försö lycas. Vi atar att försöe lycas oberoede av varadra. Lösig: 13

Exempel 2.21. Hypergeometris fördelig. Blad 12 eheter fis 5 av e viss sort (t.ex. vita, defeta, dyrbara osv. och 7 av e aa sort. Bestäm saolihete för atal defeta om ma uta återläggig drar på måfå = 4 eheter. Lösig: 14

Exempel 2.22. Poisso-fördelig. Atalet jobb per dag som sicas till e viss server atas vara e Poissofördelad s.v. med itesitetsparameter λ = 2. Beräa saolihete för 1. 4 jobb uder 1 dag 2. mist 4 jobb uder 1 dag Lösig: 15

2.3. Biomialfördelige Biomialfördelige som är e av de vitigaste disreta fördeligara uppträder vid oberoede slumpmässiga försö. Atag att ma utför oberoede försö där e hädelse A iträffar med saolihete P (A = p och alltså är P (A = 1 p. Låt oss betrata fallet då A iträffar gåger. E av måga täbara följder är att dessa iträffar eligt E aa följd är A 1, A 2, A 3,..., A }{{, A } +1, A +2,..., A. }{{} st. st. A 1, A 2, A 3,..., A 1, A, A +1,..., A. }{{}}{{} st. st. ( Totalt vet vi att det fis olia omiatioer av dessa var och e med saolihete (1 p p. Om vi låter de s.v. X vara atal gåger som hädelse A iträffar, så atar X värde = 0, 1, 2,...,. Vidare ges saolihete för att A iträffar gåger, dvs X =, av ( P (X = = (1 p p, = 0, 1, 2,...,. Att detta är e saolihetsfutio följer av Sats (2.11. Vi säger då att X är biomialfördelad, X Bi(, p. 2.4. Geometrisa fördelige Vi låter som tidigare p vara saolihete för att e hädelse iträffar och X vara atalet försö tills första hädelse iträffar. Då är P (X = = (1 p p, = 0, 1, 2,... e saolihetsfutio för X, ty detta följer av Sats (2.11. Vi säger då att X har e geometris fördelig, X Geo(p. 16

2.5. Poissofördelige Atag att hädelser iträffar slumpmässigt och oberoede av varadra i tide. Låt N(t vara atal hädelser som iträffar uder tidsitervallet (0, t. Vi delar upp itervallet (0, t i lia delitervall av lägd t. Vi täer oss u att är så stort att saolihete för 2 hädelse eller fler sa iträffa i ett deliterval är 0. Då är atalet hädelser N(t i hela itervallet lia med atalet delitervall som det iträffar e hädelse i. Om vi låter p vara saolihete för att e hädelse iträffar i ett delitervall så är N(t Bi(, p med vätevärdet E(N(t = p. (Vi defiierar begreppet vätevärde i Kapitel 5. Vi atar vidare att dessa hädelser iträffar med e ostat itesitet λ per tidsehet, dvs atal förvätade hädelser uder tide (0, t är µ = λt. Vi får därmed att p = λt dvs p = µ. Låt oss u titta ärmare på fördelige för N(t för stora som vi har atagit ova. Eftersom N(t Bi(, p, där p = µ, så gäller att P (N(t = = = ( p (1 p ( = ( 1 ( + 1 µ (1 µ/! (1 µ/.! µ ( 1 (!!( µ Vi udersöer u vad som häder med saolihete P (N(t = för stora värde på. Eftersom ( 1 ( + 1 1,, och eligt stadardgräsvärde så gäller att (1 µ/ 1,, (1 µ/ e µ, P (N(t = µ! e µ. Vi säger att de s.v. X har poissiofördelig med parameter µ, X P o(µ, om P (X = = µ! e µ, = 0, 1, 2, 3,.... Att detta är e saolihetsfutio följer av Sats (2.11. 17