Sannolikhetskalkylator

Kalkylator för sannolikheten av två händelser

När du känner till sannolikheterna för två oberoende händelser kan du använda vår kalkylator för sannolikheten av två händelser (Probability of Two Events Calculator) för att fastställa chansen att de inträffar samtidigt. Ange helt enkelt sannolikheterna för dina två oberoende händelser (sannolikhet för A och sannolikhet för B) i verktyget. Kalkylatorn genererar omedelbart unionen, snittet och andra relaterade sannolikheter, komplett med visuella Venndiagram som hjälper dig att förstå resultaten.

Sannolikhetslösare för två händelser

Vår sannolikhetslösare för två händelser låter dig beräkna olika sannolikheter för två oberoende händelser så länge du har minst två ingångsvärden. Detta är otroligt användbart när de initiala sannolikheterna för en eller båda händelserna är okända. Verktyget ger inte bara det slutgiltiga svaret, utan visar också fullständiga, steg-för-steg-beräkningar som du kan ha som referens.

Sannolikheten för en serie oberoende händelser

Du kan använda kalkylatorn för sannolikheten av en serie oberoende händelser för att utvärdera experiment där oberoende händelser inträffar en efter en. För att hitta sannolikheten för dessa på varandra följande händelser anger du helt enkelt de nödvändiga sannolikheterna och ställer in hur många gånger händelsen äger rum.

Sannolikhet för en normalfördelning

Vår kalkylator för normalfördelningssannolikhet är ett utmärkt verktyg för att bestämma sannolikheten under en normalfördelningskurva. Ange helt enkelt medelvärdet μ, standardavvikelsen σ och dina önskade gränser. Denna kalkylator för normalsannolikhet beräknar snabbt sannolikheten för de angivna gränserna och tillhandahåller konfidensintervall över en rad olika konfidensgrader.

Introduktion till sannolikhet

Sannolikhet är den statistiska chansen att en specifik händelse ska inträffa. När det är helt säkert att en händelse kommer att inträffa är dess sannolikhet 1. Omvänt, när en händelse är omöjlig, är dess sannolikhet 0. Följaktligen ligger en given händelses sannolikhet alltid mellan 0 och 1. Att använda en dedikerad sannolikhetskalkylator gör det otroligt enkelt och exakt att utvärdera dessa chanser.

Regler för händelseoperationer

Inom statistiken kallas en specifik gruppering av ett experiments utfall för en händelse. I grund och botten är en händelse en delmängd av ett utfallsrum (sample space). De grundläggande operationerna som används för att analysera dessa händelser är komplement, snitt och union. Låt oss utforska var och en av dessa regler med hjälp av ett praktiskt exempel.

Exempel

Anta att ditt universitet har olika institutioner, inklusive en ekonomisk fakultet. Internationella studenter är också inskrivna vid universitetet. Som en del av ett projekt behöver du genomföra intervjuer med studenter, och du bestämmer dig för att börja med den första personen som går genom grinden. Du känner till följande sannolikheter:

A = Den första studenten kommer från den ekonomiska fakulteten.

B = Den första studenten är en internationell student.

P(A) = 0.6

P(B) = 0.3

Komplementet av en händelse

Komplementet till en händelse inkluderar alla utfall i ett utfallsrum som inte ingår i just den händelsen.

Till exempel betyder komplementet till händelse A att den första utvalda studenten kommer från en annan institution än den ekonomiska fakulteten. Detta kan betecknas med \$A\prime\$ eller Aᶜ.

Låt oss visualisera komplementet till händelse A med ett Venndiagram.

I Venndiagrammet ovan representerar det färgade området komplementet till händelse A.

Rektangelns totala yta representerar utfallsrummets totala sannolikhet, som är exakt 1. Utrymmet utanför cirkel A illustrerar sannolikheten för komplementet till händelse A. Denna visuella representation gör att vi kan fastställa följande samband:

$$P\left(A\right)+P\left(A^\prime\right)=1$$

Därför är,

$$P\left(A^\prime\right)=1-P\left(A\right)$$

Låt oss nu beräkna motsvarande sannolikheter.

Sannolikheten att den första studenten som väljs ut för intervjun inte kommer från den ekonomiska fakulteten är:

$$P\left(A^\prime\right)=1-P\left(A\right)=1-0.6=0.4$$

Sannolikheten att den första studenten som väljs ut inte är en internationell student är:

$$P\left(B^\prime\right)=1-P\left(B\right)=1-0.3=0.7$$

Snittet av händelser

Snittet av två händelser, A och B, utgörs av mängden av alla gemensamma element som delas av båda händelserna. Ordet "OCH" används ofta för att indikera detta snitt.

I vårt exempel innebär snittet av händelse A och händelse B att vi väljer en student som är en internationell student OCH tillhör den ekonomiska fakulteten. Detta betecknas matematiskt på följande sätt:

$$A\cap B$$

Låt oss titta på snittet av händelserna A och B genom ett Venndiagram.

I Venndiagrammet ovan belyser det skuggade området snittet av händelserna A och B.

Låt oss nu introducera händelse C: att välja en lokal student för intervjun. Vi kan visa händelserna A och C i ett nytt Venndiagram.

Eftersom en student inte kan vara både lokal och internationell samtidigt, exkluderar valet av en internationell student i sig möjligheten att välja en lokal student. Eftersom de inte kan inträffa samtidigt anses händelserna A och C vara ömsesidigt uteslutande (disjunkta).

Ömsesidigt uteslutande händelser delar inga gemensamma element. Följaktligen är deras snitt tomt:

$$A\cap C=φ$$

Du kan beräkna sannolikheten för ett snitt med några olika metoder beroende på de kända variablerna. Snittet för händelserna A och B kan skrivas med hjälp av dessa formler:

$$P\left(A\cap B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cup B\right)$$

$$P\left(A\cap B\right)=P(A)× P(B/A)$$

$$P\left(A\cap B\right)=P(B)× P(A/B)$$

Oberoende händelser

Oberoende händelser är händelser vars utfall inte påverkar varandra. För att återgå till vårt exempel har valet av en student från den ekonomiska fakulteten ingen inverkan på om den studenten är internationell eller lokal. Därför är händelse A och händelse B oberoende händelser.

När händelser är helt oberoende beror inte sannolikheten för att den ena ska inträffa på förekomsten av den andra. Det matematiska förhållandet uttrycks därmed som:

$$P(B/A)=B\ and\ P(A/B)=A$$

Du kan sätta in dessa i våra tidigare ekvationer för att förenkla beräkningen av sannolikheten för oberoende händelser som skär varandra:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(\mathrm{B/A}\right)P\left(A\cap B\right)=P(A)× P(B)$$

$$P\left(A\cap B\right)=P\left(B\right)× P\left(\mathrm{A/B}\right)P\left(A\cap B\right)=P(B)× P(A)$$

Detta innebär att du enkelt kan beräkna snittet av två oberoende händelser genom att multiplicera deras individuella sannolikheter:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=P(B)× P(A)$$

Givet att händelserna A och B är oberoende, låt oss bestämma sannolikheten att den första studenten som väljs för intervjun kommer att vara både från den ekonomiska fakulteten och en internationell student:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=0.6× 0.3=0.18$$

Unionen av händelser

Unionen av två händelser resulterar i en bredare händelse som innehåller alla element från endera eller båda de ursprungliga händelserna. Ordet "ELLER" används vanligen för att beskriva denna typ av förhållande.

I vårt löpande exempel innebär unionen av händelserna A och B att man väljer en student som antingen är internationell ELLER från den ekonomiska fakulteten (eller båda). Detta betecknas som:

$$A\cup B$$

Låt oss visualisera unionen av händelserna A och B med ett Venndiagram.

I Venndiagrammet ovan representerar hela det färgade området unionen av händelserna A och B.

För att beräkna sannolikheten för att antingen händelse A eller händelse B ska inträffa, adderar vi sannolikheterna för båda de enskilda händelserna och subtraherar sedan sannolikheten för deras snitt.

Formeln för sannolikheten av en union mellan händelserna A och B skrivs på följande sätt:

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cap B\right)$$

Vi kan också modifiera detta för att skapa en specifik formel för unionen av två oberoende händelser. Detta är särskilt användbart när sannolikheten för snittet är okänd.

Eftersom händelserna är oberoende:

$$P\left(A\cap B\right)=P(A)× P(B)$$

Därför blir unionsformeln:

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P(A)× P(B)$$

Låt oss beräkna sannolikheten för unionen av händelserna A och B. Med andra ord, hur stor är chansen att välja en student som är ekonomistudent, en internationell student, eller både och på samma gång?

$$P(A\cup B)=P(A)+P(B)-P(A\cap B)=0.6+0.3-0.18=0.72$$

Tack vare vår kalkylator för sannolikheten av två händelser och vår sannolikhetslösare för två händelser kan du utföra alla dessa beräkningar på ett ögonblick. Dessa verktyg är perfekta för att verifiera manuella beräkningar, eftersom de visar omfattande steg-för-steg-uträkningar tillsammans med de slutgiltiga svaren.

Normalfördelning

En normalfördelning är en symmetrisk, klockformad kurva. I en perfekt normalfördelning är medelvärdet, medianen och typvärdet exakt likadana. Exakt 50 % av datan faller över medelvärdet, och resterande 50 % faller under det. När kurvan sträcker sig bort från medelvärdet i båda riktningarna närmar den sig – men vidrör aldrig – X-axeln. Den totala arean under denna kurva är alltid lika med 1.

Om en slumpvariabel X följer en normalfördelning med parametrarna μ (medelvärde) och σ² (varians), skrivs det som X ~ N(μ, σ²).

Sannolikhet för en normalfördelning

Täthetsfunktionen för en normalfördelning uttrycks som:

$$f\left(x\right)=\frac{1}{\sqrt{2π\sigma^2}}× e^\frac{-{(x-\mu)}^2}{2\sigma^2}$$

I denna funktion:

• är μ fördelningens medelvärde;
• är σ² fördelningens varians;
• är π (pi) ungefär 3,14;
• är e ungefär 2,7182.

Eftersom det finns ett oändligt antal normalfördelningskurvor är det omöjligt att skapa en enda sannolikhetstabell för varje tänkbar kombination av medelvärden och standardavvikelser. För att lösa detta använder statistiker standardnormalfördelningen. Detta är ett specialfall av normalfördelningen där medelvärdet är 0 och standardavvikelsen är 1.

För att manuellt beräkna sannolikheten för en normalfördelning måste du först omvandla din specifika fördelning till en standardnormalfördelning med hjälp av ett z-värde (z-score). När den har konverterats kan du använda en z-tabell för att hitta sannolikheten. Alternativt fungerar vår kalkylator för normalsannolikhet sömlöst som en standardiserad kalkylator för normalfördelningssannolikhet, vilken omedelbart beräknar sannolikheter och konfidensintervall utan behov av manuella tabellsökningar.

Formeln för z-värdet är:

$$Z=\frac{X-\mu}{\sigma}$$

Standardnormalfördelningskurvan är ett kraftfullt verktyg för att lösa statistiska problem i den verkliga världen. Den används specifikt för att bestämma sannolikheten för kontinuerliga variabler. En kontinuerlig variabel kan anta ett oändligt antal värden, inklusive decimaler – såsom längd, vikt och temperatur.

Låt oss titta på ett praktiskt exempel för att förstå hur man beräknar sannolikheten inom en normalfördelning.

Exempel

Anta att resultaten från din statistikkurs är normalfördelade, med ett genomsnittligt poäng (medelvärde) på 65 och en standardavvikelse på 10. Om en student väljs ut slumpmässigt, bestäm sannolikheten för följande scenarier:

• Studentens poäng är lika med eller över 70.
• Studentens poäng är strikt under 70.
• Studentens poäng faller mellan 50 och 70.

Lösning

$$P\left(X≥70\right)=P\left(Z≥\frac{70-65}{10}\right)=P\left(Z≥0.5\right)=1-0.6915=0.3085$$

$$P\left(X<70\right)=P\left(Z<\frac{70-65}{10}\right)=P\left(Z<0.5\right)=0.6915$$

$$P\left(50>X>70\right)=P\left(\frac{50-65}{10}>Z>\frac{70-65}{10}\right)=P\left(1.5>Z>0.5\right)=0.4332+0.1915=0.6247$$

Att manuellt beräkna sannolikheten för en normalkurva innebär flera komplicerade steg och kräver avläsning av z-tabeller. Lyckligtvis låter vår kalkylator för normalfördelningssannolikhet dig slippa detta besvär. Ange bara fyra värden – medelvärdet, standardavvikelsen, samt den vänstra och högra gränsen – så beräknar kalkylatorn direkt den exakta sannolikheten åt dig.