4.3 Binomisk sannsynlighet

Suksess eller fiasko -- gang på gang

Forestill deg en basketballspiller ved frikaststreken. Hun har trent i årevis, og treffprosenten hennes er 70 prosent. I kveld skal hun ta 20 straffekast. Hvor mange treff er det rimelig å forvente? Hva er sjansen for at hun treffer alle 20? Og hva er sjansen for at hun treffer minst 15?

Eller tenk på en annen situasjon: Du sitter på en eksamen med 12 flervalgsoppgaver, hvert spørsmål har 4 alternativer, og du har ingen anelse om svaret. Du gjetter tilfeldig på alle. Hva er sjansen for å bestå?

Begge disse situasjonene har noe til felles: Vi gjentar det samme forsøket mange ganger, og hvert forsøk har bare to mulige utfall -- suksess eller fiasko, treff eller bom, riktig eller galt. Denne typen situasjon dukker opp overalt, og matematikken har utviklet et elegant verktøy for å håndtere den: binomisk sannsynlighet. Det er det vi skal utforske nå.

De fire kjennetegnene ved et binomisk forsøk

Ikke alle gjentatte forsøk er binomiske. Et binomisk forsøk har fire helt spesifikke kjennetegn, og alle fire må være oppfylt.

For det første: Det må være et fast antall forsøk $n$. Du bestemmer på forhånd at du kaster terningen 8 ganger, tar 20 straffekast, eller svarer på 12 spørsmål. Antallet er bestemt før forsøket starter.

For det andre: Hvert forsøk har nøyaktig to mulige utfall -- det vi kaller "suksess" og "fiasko". Hva som er suksess, bestemmer du selv ut fra hva du er interessert i. Kaster du terning og teller seksere, er "sekser" suksess og alt annet fiasko. Svarer du på sant/usant-spørsmål, er "riktig" suksess.

For det tredje: Sannsynligheten $p$ for suksess er den samme i hvert forsøk. Treffprosenten er $\displaystyle \frac{1}{6}$ for sekser i hvert kast, $0{,}5$ for riktig på sant/usant, og $0{,}70$ for treff på hvert straffekast.

For det fjerde: Forsøkene er uavhengige -- utfallet i ett forsøk påvirker ikke de andre. Det du fikk på forrige terningkast, endrer ikke sjansene i neste.

Når alle fire er oppfylt, sier vi at den stokastiske variabelen $X$ = "antall suksesser" følger en binomisk fordeling, og vi skriver $X \sim \text{Bin}(n, p)$.

La oss sjekke noen eksempler. Å kaste en terning 8 ganger og telle seksere: Ja, det er binomisk -- $n = 8$, $\displaystyle p = \frac{1}{6}$, uavhengige kast. Å trekke 5 kort fra en kortstokk uten tilbakelegging og telle ess: Nei, ikke binomisk, fordi trekking uten tilbakelegging gjør forsøkene avhengige (sannsynligheten endrer seg for hvert trekk). Å svare på 12 sant/usant-spørsmål ved ren gjetting: Ja, binomisk -- $n = 12$, $p = 0{,}5$, uavhengige gjetninger.

Den binomiske formelen -- matematikken bak mønsteret

Nå som vi vet hva et binomisk forsøk er, trenger vi en formel for å beregne sannsynligheter. Formelen for sannsynligheten for nøyaktig $k$ suksesser i $n$ forsøk med suksesssannsynlighet $p$ er:

$$P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k}$$

La oss forstå hva hver del betyr. Faktoren $p^k$ er sannsynligheten for $k$ suksesser -- for eksempel sjansen for at nøyaktig 2 terningkast gir sekser. Faktoren $(1-p)^{n-k}$ er sannsynligheten for de resterende $n-k$ fiaskoene. Og $\binom{n}{k}$ -- binomialkoeffisienten -- forteller oss på hvor mange rekkefølger suksessene kan komme.

Binomialkoeffisienten beregnes med: $\displaystyle \binom{n}{k} = \frac{n!}{k! \cdot (n-k)!}$. For eksempel er $\displaystyle \binom{6}{2} = \frac{6!}{2! \cdot 4!} = \frac{720}{2 \cdot 24} = 15$. Det betyr at det er 15 ulike måter å velge 2 elementer fra 6.

La oss regne et konkret eksempel. Du kaster en terning 5 ganger. Hva er sannsynligheten for nøyaktig 2 seksere? Vi har $n = 5$, $k = 2$, $\displaystyle p = \frac{1}{6}$. Først binomialkoeffisienten: $\displaystyle \binom{5}{2} = \frac{5!}{2! \cdot 3!} = \frac{120}{2 \cdot 6} = 10$. Så setter vi inn i formelen:

$$P(X = 2) = 10 \cdot \left(\frac{1}{6}\right)^2 \cdot \left(\frac{5}{6}\right)^3 = 10 \cdot \frac{1}{36} \cdot \frac{125}{216} = \frac{1250}{7776} \approx 0{,}161$$

Altså ca. 16,1 prosent sjanse for nøyaktig 2 seksere på 5 kast. De 10 rekkefølgene fra binomialkoeffisienten representerer alle måtene to seksere kan plasseres blant fem kast -- for eksempel SSFFF, SFSFF, SFFSF, og så videre.

Forventningsverdi og standardavvik -- hva kan vi forvente?

Formelen gir oss sannsynligheten for et bestemt antall suksesser. Men ofte vil vi vite noe mer overordnet: Hvor mange suksesser kan vi forvente i gjennomsnitt? Og hvor mye vil resultatet typisk variere? Svarene gis av forventningsverdien og standardavviket.

For en binomisk fordeling $X \sim \text{Bin}(n, p)$ er forventningsverdien gitt ved den elegante formelen $E(X) = \mu = n \cdot p$. Den er rett og slett antall forsøk ganget med sannsynligheten for suksess i hvert forsøk. Basketballspilleren med 70 prosent treffprosent og 20 straffekast forventer $E(X) = 20 \cdot 0{,}70 = 14$ treff. Det er gjennomsnittet over mange gjentakelser -- noen ganger treffer hun 12, noen ganger 16, men i snitt blir det 14.

Standardavviket måler hvor mye resultatet typisk avviker fra forventningen: $\sigma = \sqrt{n \cdot p \cdot (1-p)}$. For basketballspilleren: $\sigma = \sqrt{20 \cdot 0{,}70 \cdot 0{,}30} = \sqrt{4{,}2} \approx 2{,}05$.

Hva betyr standardavviket i praksis? En nyttig tommelfingerregel er at de fleste resultater vil ligge innenfor $\mu \pm 2\sigma$. For basketballspilleren: $14 \pm 2 \cdot 2{,}05 \approx 14 \pm 4$, altså mellom 10 og 18 treff. Hvis hun treffer bare 5 av 20, vet vi at noe uvanlig har skjedd.

Her er et eksempel fra industrien. En fabrikk har 4 prosent feilrate på lyspærer. I en pakke med 25: $E(X) = 25 \cdot 0{,}04 = 1{,}0$ defekt i snitt. $\sigma = \sqrt{25 \cdot 0{,}04 \cdot 0{,}96} = \sqrt{0{,}96} \approx 0{,}98$. Intervallet $\mu \pm 2\sigma = 1{,}0 \pm 1{,}96$ gir ca. 0 til 3. Å finne 5 defekte i en pakke ville være utenfor dette intervallet og altså overraskende -- det kunne tyde på et problem med produksjonen.

Digitale verktøy -- når regninga blir for tung

Den binomiske formelen er elegant, men for store verdier av $n$ og $k$ blir beregningene upraktiske for hånd. Prøv å beregne $\binom{50}{23}$ manuelt, og du forstår hvorfor vi trenger digitale verktøy.

I GeoGebra CAS har du tre nyttige kommandoer: $\texttt{BinomialKoeffisient(n, k)}$ beregner $\binom{n}{k}$. $\texttt{Binomial(n, p, k)}$ beregner $P(X = k)$ -- sannsynligheten for nøyaktig $k$ suksesser. Og $\texttt{Binomial(n, p, k, true)}$ beregner den kumulative sannsynligheten $P(X \leq k)$ -- sannsynligheten for høyst $k$ suksesser.

I Excel eller regneark bruker du funksjonen BINOM.FORDELING. Med =BINOM.FORDELING(k; n; p; USANN) får du $P(X = k)$, og med =BINOM.FORDELING(k; n; p; SANN) får du $P(X \leq k)$.

Et viktig triks er å bruke komplementet for å finne $P(X \geq k)$: $P(X \geq k) = 1 - P(X \leq k-1)$. La oss se hvordan. En elev gjetter tilfeldig på en prøve med 20 sant/usant-spørsmål, så $X \sim \text{Bin}(20, \; 0{,}5)$. Hva er sannsynligheten for å få minst 15 riktige? Vi beregner: $P(X \geq 15) = 1 - P(X \leq 14)$. Med GeoGebra: $P(X \leq 14) = \texttt{Binomial(20, 0.5, 14, true)} \approx 0{,}9793$. Altså $P(X \geq 15) = 1 - 0{,}9793 = 0{,}0207 \approx 2{,}1\%$. Det er svært usannsynlig å gjette seg til 15 av 20 riktige -- noe som er betryggende for læreren.

Spørreundersøkelser kan også analyseres med binomisk sannsynlighet. Hvis 40 prosent av ungdommer foretrekker streaming og du spør 15 tilfeldig valgte, kan du beregne at $P(X = 6) \approx 0{,}207$ og at $P(X < 4) = P(X \leq 3) \approx 0{,}091$ med digitale verktøy.

Binomisk sannsynlighet i praksis

La oss avslutte med å se på noen situasjoner der binomisk sannsynlighet gir virkelig nyttige svar.

Kvalitetskontroll: En kontrollør tester 10 produkter fra en linje med 8 prosent feilrate. Hva er sjansen for at ingen er defekte? $P(X = 0) = 0{,}92^{10} \approx 0{,}434$. Bare 43 prosent sjanse for en feilfri prøve! Og sjansen for at minst ett produkt er defekt: $P(X \geq 1) = 1 - 0{,}434 \approx 0{,}566$. Altså over 50 prosent sjanse for å finne minst én feil -- selv med bare 8 prosent feilrate -- fordi vi tester 10 produkter.

Gjetting på eksamen: I et TV-quizshow svarer en deltaker på 12 spørsmål med 3 alternativer, og gjetter tilfeldig. Da er $\displaystyle X \sim \text{Bin}(12, \frac{1}{3})$. Forventningsverdien er $\displaystyle E(X) = 12 \cdot \frac{1}{3} = 4$ riktige, og standardavviket er $\displaystyle \sigma = \sqrt{12 \cdot \frac{1}{3} \cdot \frac{2}{3}} = \sqrt{\frac{8}{3}} \approx 1{,}63$. Intervallet $\mu \pm 2\sigma$ gir ca. 1 til 7 riktige. For å gå videre trengs minst 8 riktige: $P(X \geq 8) \approx 0{,}0028 = 0{,}28\%$. Altså nesten umulig å gjette seg videre -- du trenger faktisk å kunne noe.

Standardavviket som varslingssignal: En stokastisk variabel $X \sim \text{Bin}(50, \; 0{,}2)$ har $E(X) = 10$ og $\sigma = \sqrt{50 \cdot 0{,}2 \cdot 0{,}8} = \sqrt{8} \approx 2{,}83$. Intervallet $\mu \pm 2\sigma$ gir ca. 4 til 16. Hvis du observerer 20 suksesser i 50 forsøk, er det langt utenfor det forventede. Enten har du vært veldig heldig, eller så er den virkelige sannsynligheten $p$ høyere enn 0,2.

Binomisk sannsynlighet er et verktøy du vil møte igjen og igjen -- i statistikk, i naturvitenskap, i økonomi, og i hverdagslige beslutninger. Det fine er at mønsteret alltid er det samme: gjentatte, uavhengige forsøk med to utfall.

Oppsummering

Binomisk sannsynlighet gir oss et presist verktøy for å analysere gjentatte forsøk med to mulige utfall. Det er en av de mest anvendte sannsynlighetsmodellene i matematikken.

Nøkkelbegreper du nå kjenner:
- Binomisk forsøk: Fast antall forsøk $n$, to utfall, fast sannsynlighet $p$, uavhengige forsøk
- Binomisk formel: $P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k}$
- Binomialkoeffisient: $\displaystyle \binom{n}{k} = \frac{n!}{k!(n-k)!}$ -- antall måter å velge $k$ av $n$
- Forventningsverdi: $E(X) = np$ -- gjennomsnittlig antall suksesser
- Standardavvik: $\sigma = \sqrt{np(1-p)}$ -- typisk spredning rundt forventningen
- Kumulativ sannsynlighet: $P(X \leq k)$ beregnes best med digitale verktøy
- Komplement: $P(X \geq k) = 1 - P(X \leq k-1)$

Det viktigste du tar med deg:
Binomisk sannsynlighet dukker opp i en overraskende mengde situasjoner -- fra kvalitetskontroll og medisinsk forskning til spill og eksamensvurdering. Forventningsverdien forteller deg hva du kan forvente i gjennomsnitt, og standardavviket forteller deg hvor mye variasjon som er normalt. Når et resultat ligger mer enn $2\sigma$ fra forventningen, bør du stoppe opp og spørre: Skjedde det noe uvanlig her?