Binomial Paylanma: Nəzəriyyə, Tətbiqlər və Nümunələr
Pendahuluan
Binomial paylanma statistika və ehtimal nəzəriyyəsində fundamental bir anlayışdır. Ən çox istifadə edilən diskret paylanmalardan biri olan binomial paylanma tibb, iqtisadiyyat, biologiya və sosial elmlər kimi sahələrdə çoxsaylı tətbiqlər təklif edir. Bu məqalədə binomial paylanma, onun tərifi, əsas xüsusiyyətləri, əlaqəli düsturları və bir neçə praktik tətbiq nümunələri daxil olmaqla ətraflı şəkildə müzakirə olunacaq.
Binomial Paylanmanı Anlamaq
Binomial paylanma, hər bir sınaqda yalnız iki mümkün nəticənin olduğu n Bernulli sınaqlarının nəticəsini təsvir edir: "uğur" və ya "uğursuzluq". Məsələn, sikkə atışında mümkün nəticələr "xal" və ya "xal"dır.
Binomial paylanmada iki əsas parametr aşağıdakılardır:
1. n (sınaqların sayı)
2. p (hər sınaqda uğur ehtimalı)
Daha rəsmi olaraq, n sınaqdakı uğurların sayı binomial paylanma \(B(n, p) \) ilə təsvir edilə bilər.
Ehtimal Kütləsi Funksiyası (EKF)
Binomial paylanmanın ehtimal kütlə funksiyası aşağıdakı kimi ifadə olunur:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Harada:
– \( \binom{n}{k} \) seçilmiş n k-nin kombinasiyasıdır,
– \( p \) tək bir sınaqda uğur ehtimalıdır,
– \( k \) uğurların sayıdır,
– \( n \) sınaqların ümumi sayıdır.
Binomial Paylanmanın Əsas Xüsusiyyətləri
Binomial paylanmanın bir neçə əsas xüsusiyyəti var:
1. Orta (Orta): Hər bir sınaqda sınaqların sayının uğur ehtimalına vurulmasından əldə edilir. Orta qiymət \( \mu = np \)-dir.
2. Dispersiya: Binomial paylanmanın dispersiyası sınaqların sayının, uğur ehtimalının və uğursuzluq ehtimalının hasilinə bərabərdir, yəni \( \sigma^2 = np(1 – p) \).
3. Simmetriya və əyrilik: \(p = 0.5 \) olduqda, binomial paylanma simmetrikdir. \(p < 0.5 \) üçün paylanma sağa, \(p > 0.5 \) üçün isə paylanma sola əyridir.
4. Dəyər Limitləri: Binomial dəyər (k) 0-dan n-ə qədər dəyişir.
Binomial Paylanma və Mərkəzi Limit Teoremi
Binomial paylanma Mərkəzi Limit Teoremində mühüm rol oynayır. Sınaqların sayı (n) çox olduqda, binomial paylanma orta \( \mu = np \) və standart sapma \( \sigma = \sqrt{np(1 – p)} \) olan normal paylanmaya yaxınlaşacaq.
Binomial Paylanmadan İstifadə Nümunəsi
Binomial paylanma haqqında müzakirələri müxtəlif sahələrdən praktik nümunələr vasitəsilə daha asan başa düşmək mümkün olacaq. Budur, real həyatda tətbiq olunan bəzi nümunələr:
Nümunə 1: Məhsul Testi
Tutaq ki, elektronika şirkətinin qüsurlu məhsulun olma ehtimalı 0.01 olan istehsal xətti var. Əgər şirkət 100 məhsulu yoxlayırsa, tam olaraq 2 qüsurlu məhsul tapma ehtimalı nə qədərdir?
Binomial paylanma düsturundan istifadə edərək:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Kombinasiyaları \(\binom{100}{2}\) hesablayaraq, sonra qalan ehtimallara vuraraq son nəticəni əldə edirik.
Nümunə 2: Tibbi Tədqiqatlar
Müəyyən bir xəstəlik üçün bir dərmanın klinik sınaqlarında bir xəstənin dərmanla sağalma ehtimalı 0.8-dir. Əgər 10 xəstə testdən keçirilərsə, ən azı 8 xəstənin sağalma ehtimalı nə qədərdir?
Bu ehtimalı tapmaq üçün 8, 9 və 10 xəstənin sağalma ehtimallarını toplamalıyıq:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
k-nin (8, 9 və 10) hər bir dəyəri üçün binomial düsturdan istifadə edərək, sonra nəticələri cəmləməklə.
Nümunə 3: İqtisadiyyatda Qərarlar
Bazar sorğusunda istehlakçıların 60%-i yeni məhsulu bəyənib. Əgər 20 istehlakçıdan ibarət təsadüfi nümunə götürülərsə, onlardan ən azı 15-nin məhsulu bəyənməsi ehtimalı nə qədərdir?
15-dən 20-yə qədər bəyənmə sayının ehtimalını hesablamaq üçün binomial paylanmaya ehtiyacımız var:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
Eyni metoddan istifadə edərək, bu ehtimalları hesablayırıq və cəmləyirik.
Binomial Paylanma Hesablamalarında Texnologiyadan İstifadə
Rəqəmsal dövrdə binomial paylanma hesablamaları yalnız əl ilə deyil, həm də R, Python və ya müəyyən statistik kalkulyatorlar kimi proqram təminatından istifadə etməklə həyata keçirilir.
Binomial paylanmanı hesablamaq üçün Python-dan istifadəyə dair bir nümunə:
“`piton
scipy.stats-dan import binom
n = 10 sınaq sayı
p = 0.8 uğur ehtimalı
k = 8 gözlənilən uğur sayı
tam olaraq 8 uğur ehtimalı
prob_8 = binom.pmf(k, n, p)
ən azı 8 uğur ehtimalı
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f”Dəqiq 8 uğur ehtimalı: {prob_8}”)
print(f”Ən azı 8 uğur ehtimalı: {prob_ge_8}”)
""
Nəticə
Binomial paylanma statistika və ehtimal sahəsində vacib fundamental bir anlayışdır. Binomial paylanmanı anlamaqla, iki nəticə ilə təkrarlanan təcrübələri əhatə edən real vəziyyətlərə müxtəlif ehtimal modellərini tətbiq edə bilərik. Texnoloji vasitələrdən istifadə etmək bacarığı hesablama prosesini daha səmərəli və dəqiq edir. Binomial paylanma təkcə nəzəri cəhətdən vacib deyil, həm də elm və sənayenin müxtəlif sahələrində çoxsaylı müvafiq praktik tətbiqlərə malikdir.
Ümid edirəm ki, bu məqalə binomial paylanmanın daha dərindən başa düşülməsini təmin edir və statistika və ehtimal sahələrində daha dərindən araşdırmalara ilham verir.
