Kansmassafunctie: een gids voor discrete verdelingen

In de kansrekening en statistiek wordt de kans op een uitkomst voor discrete toevalsvariabelen gekwantificeerd door de kansmassafunctie (PMF), terwijl we voor continue variabelen de kansdichtheidsfunctie (PDF) gebruiken.

Of je nu muntworpen, apparaatstoringen of gebruikersklikken op een webpagina modelleert, de PMF helpt ons de waarschijnlijkheid van verschillende uitkomsten te kwantificeren.

De kansmassafunctie begrijpen

De formule van de kansmassafunctie

Wiskundig wordt de kansmassafunctie van een discrete toevalsvariabele X gedefinieerd als:

Waarbij:

• X een discrete toevalsvariabele is,
• x een waarde is die X kan aannemen,
• p(x) de kans is dat X gelijk is aan x.

Twee cruciale voorwaarden moeten gelden voor een geldige PMF:

1. Niet-negativiteit

2. Totale kans moet gelijk zijn aan één

Deze voorwaarden zorgen ervoor dat alle toegekende kansen logisch en wiskundig kloppen. De PMF geeft een volledige beschrijving van de verdeling van X, waardoor het mogelijk is verwachtingswaarden, varianties en andere statistische maten te berekenen.

Definitie en belangrijkste eigenschappen

De PMF heeft enkele onderscheidende eigenschappen:

• Discretie: De PMF is alleen van toepassing op discrete toevalsvariabelen, die telbare waarden kunnen aannemen (zoals 0, 1, 2, ...).
• Normalisatie: De som van de PMF over alle mogelijke waarden van X is exact 1.
• Individuele kans toekennen: Elke mogelijke waarde x krijgt een specifieke kans p(x), die aangeeft hoe waarschijnlijk die uitkomst is.

Een voorbeeld: de PMF voor het gooien van een eerlijke zeszijdige dobbelsteen is:

Hier heeft elke waarde van 1 tot en met 6 evenveel kans om voor te komen, en de som van alle kansen is 1.

Kansmassafunctie vs. kansdichtheidsfunctie

Laten we de verschillen tussen PMF's en PDF's in detail bekijken en hoe ze respectievelijk de discrete end continue verdelingen modelleren:

PMF-voorbeeld

Laten we een klassiek PMF-voorbeeld nemen: het opgooien van een eerlijke munt (Bernoulli-proef):

Laten we een Bernoulli-proef in Python uitvoeren om dit beter te begrijpen.

import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5  # Probability of Heads
# PMF for a fair coin
x = [0, 1]  # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)

# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()Mogelijk gemaakt door

PDF-voorbeeld

Hier is een PDF-voorbeeld: het meten van iemands lengte (continue variabele).

De PDF kan laten zien dat de kansdichtheid het hoogst is rond 170 cm, maar de kans op een exacte lengte is technisch gezien 0.

Laten we dit opnieuw begrijpen met een codevoorbeeld.

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Parameters
mu = 170   # mean height
sigma = 10  # standard deviation

# Continuous range of heights
x = np.linspace(130, 210, 500)

pdf_values = norm.pdf(x, mu, sigma)

# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()Mogelijk gemaakt door

Waar PMF's daadwerkelijke kansen toekennen aan specifieke uitkomsten, beschrijven PDF's de relatieve waarschijnlijkheid van uitkomsten binnen een interval.

Veelvoorkomende discrete verdelingen met PMF

Veelvoorkomende voorbeelden van discrete kansverdelingen zijn de Bernoulli-, binomiale, geometrische en Poisson-verdeling. Laten we ze één voor één bekijken.

PMF van de Bernoulli-verdeling

De Bernoulli-verdeling modelleert één experiment met slechts twee mogelijke uitkomsten: succes (1) en mislukking (0).

Waarbij p de kans op succes is.

Hier is een voorbeeld: het opgooien van een eerlijke munt waarbij succes = kop:

PMF van de binomiale verdeling

De binomiale verdeling generaliseert de Bernoulli naar meerdere pogingen:

Waarbij:

• n het aantal onafhankelijke pogingen is,
• p de kans op succes in elke poging is,
• x het aantal successen is.

Een voorbeeld is het tellen van defecte items in een productiebatch.

PMF van de geometrische verdeling

De geometrische verdeling wordt gebruikt om het aantal mislukkingen vóór de eerste succes in herhaalde, onafhankelijke Bernoulli-proeven te modelleren:

Een veelvoorkomend voorbeeld is het aantal muntworpen tot de eerste keer kop verschijnt.

PMF van de Poisson-verdeling

De Poisson-verdeling modelleert het aantal gebeurtenissen in een vast tijd- of ruimtelijk interval:

Waarbij λ het verwachte aantal gebeurtenissen per interval is.

Een voorbeeld hiervan is het aantal klantarrivals bij een servicecentrum per uur.

Kansmassafuncties visualiseren

PMF's worden gevisualiseerd met staafdiagrammen, waarbij:

• De x-as de mogelijke waarden van de toevalsvariabele weergeeft.
• De y-as de door de PMF toegekende kans weergeeft.

Hier is een tabel met een voorbeeld: het gooien van een eerlijke dobbelsteen

Dergelijke visualisaties maken het makkelijker om:

• Verdelingen intuïtief te interpreteren,
• Relatieve kansen te vergelijken,
• Scheve of symmetrische verdelingen te herkennen.

Toepassingen van kansmassafuncties

PMF's worden in verschillende domeinen gebruikt:

Statistiek

Voor het berekenen van verwachtingswaarden:

en varianties:

.

Machine learning

Bij classificatie-algoritmen (bijv. Naive Bayes) beschrijven PMF's de kansen van categorische kenmerken. Probabilistische modellen zoals Hidden Markov Models zijn ook afhankelijk van PMF's voor toestandovergangen en emissies.

Betrouwbaarheidstechniek

PMF's helpen de kans te bepalen dat een systeem of component op een specifiek tijdstip uitvalt.

Economie en financiën

Het modelleren van marktscenario's of beleggingsuitkomsten waarbij het aantal uitkomsten eindig en onderscheidbaar is.

Bayesiaanse inferentie

PMF's dienen als priorverdelingen in discrete Bayesiaanse modellen. Wanneer nieuwe informatie wordt waargenomen, wordt de prior-PMF bijgewerkt naar een posterior-PMF, waardoor Bayesiaans updaten hanteerbaar is voor discrete problemen.

Als je wilt leren hoe voorwaardelijke kansen werken, bekijk onze tutorial Conditionele kans: van dichtbij bekeken.

Montecarlo-simulaties

PMF's zijn ook essentieel in Montecarlo-simulaties, vooral voor systemen met discrete en probabilistische uitkomsten. Deze simulaties gebruiken willekeurige steekproeven uit een PMF om het gedrag of de prestaties van een model over vele iteraties te schatten.

Conclusie

De kansmassafunctie biedt de wiskundige structuur voor het modelleren van discrete toevalsvariabelen, in tegenstelling tot PDF's, die betrekking hebben op continue variabelen. Ze maken krachtige modellering mogelijk in uiteenlopende domeinen, van simpele muntworpen tot complexe machinelearningsystemen.

Belangrijkste punten:

• PMF's zijn niet-negatief en sommeren tot 1 over alle mogelijke waarden.
• Ze bepalen de vorm en kenmerken van discrete kansverdelingen.
• PMF's zijn onmisbaar in uiteenlopende toepassingen, van klassieke statistiek tot moderne AI en financiën.
• In Bayesiaanse inferentie en Montecarlo-methoden staan PMF's centraal bij het updaten van overtuigingen en het simuleren van onzekere systemen.

Voor wie dieper in de kansrekening wil duiken: het verkennen van cumulatieve verdelingsfuncties (CDF's) en verwachtingswaarde-berekeningen zal je begrip verder verrijken van hoe onzekerheid kan worden gekwantificeerd en benut in besluitvorming. Bekijk onze cursussen:

• Montecarlo-simulaties in Python
• Foundations of Probability in Python