Ekzemplaj Demandoj kaj Diskuto pri Binoma Distribuo
La binoma distribuo estas unu el la plej ofte uzataj diskretaj probablodistribuoj. Ĝi utilas por modeligi la nombron da sukcesoj tra pluraj identaj, sendependaj provoj, el kiuj ĉiu produktas aŭ sukceson aŭ malsukceson. En ĉi tiu artikolo, ni pliprofundiĝos en la binoman distribuon per provizado de pluraj ekzemploj kaj detala diskuto.
Enkonduko al Binoma Distribuo
Ĉefaj karakterizaĵoj de binoma distribuo:
1. n : Nombro da provoj aŭ ripetoj.
2. p : Probablo de sukceso en ĉiu provo.
3. q = 1-p : Probablo de malsukceso en ĉiu provo.
La probabla masfunkcio de la binoma distribuo estas:
\[ P(X = k) = {n \elekse k} p^k (1-p)^{nk} \]
Kie:
– \( {n \elektu k} = \frac{n!}{k!(nk)!} \)
– \( X \): Hazarda variablo reprezentanta la nombron de sukcesoj.
– \(k \): La nombro da sukcesoj serĉataj.
Specimenaj Demandoj kaj Diskuto
Ni komencu per kelkaj ekzemplaj problemoj por pli detale kompreni la koncepton de binoma distribuo.
Ekzemplo 1: Selektado el Grupo de Studentoj
Ekzemple, supozu, ke ni havas grupon de 10 studentoj, kaj la probableco, ke ĉiu studento estos elektita por partopreni en konkurso, estas 0,3. Ni volas scii la probablecon, ke ekzakte 4 studentoj estos elektitaj.
Paŝo 1: Identigu la parametrojn de la binoma distribuo.
– \(n = 10 \)
– (p = 0.3)
Paŝo 2: Uzu la binoman distribuon por kalkuli la probablecon de (X = 4).
\[ P(X = 4) = {10 \elektu 4} (0.3)^4 (0.7)^6 \]
Kalkulante \( {10 \choose 4} \):
\[ {10 \elektu 4} = \frac{10!}{4!(10-4)!} = \frac{10!}{4!6!} = 210 \]
Nun kalkulu \((0.3)^4 \) kaj \((0.7)^6 \):
\[ (0.3)^4 = 0.0081 \]
\[ (0.7)^6 = 0.117649 \]
Do,
\[ P(X = 4) = 210 ≤ 0.0081 ≤ 0.117649 ≤ 0.20012 \]
Do, la probableco ke ekzakte 4 studentoj estas elektitaj estas proksimume 0.20012 aŭ 20.012%.
Ekzemplo 2: Probablo Malpli Ol aŭ Egala al 2
Nun, ekzemple, oni demandas nin pri la probableco, ke malpli ol aŭ egala al 2 studentoj estos elektitaj.
Paŝo 1: Ni devas kalkuli \( P(X = 0) \( P(X = 1) \) kaj \( P(X = 2) \).
– Por ∫(X = 0)):
\[ P(X = 0) = {10 \elektu 0} (0.3)^0 (0.7)^{10} \]
\[ {10 \elektu 0} = 1 \]
\[ (0.7)^{10} = 0.0282475 \]
P(X = 0) = 1 1 0.0282475 = 0.0282475
– Por ∫(X = 1)):
\[ P(X = 1) = {10 \elektu 1} (0.3)^1 (0.7)^9 \]
\[ {10 \elektu 1} = 10 \]
\[ (0.3) \cdot (0.7)^9 = 0.1210608 \]
P(X = 1) = 10 0.3 0.1210608 = 0.3631824
– Por ∫(X = 2)):
\[ P(X = 2) = {10 \elektu 2} (0.3)^2 (0.7)^8 \]
\[ {10 \elektu 2} = 45 \]
\[ (0.3)^2 \cdot (0.7)^8 = 0.2334744 \]
P(X = 2) = 45 0.09 0.2334744 = 0.2334744
Paŝo 2: Sumigu la probablecojn.
P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)
P(X ≤ 2) = 0.0282475 + 0.3631824 + 0.3826372 = 0.7740671
Do, la probableco ke malpli ol aŭ egala al 2 studentoj estas elektitaj estas proksimume 0.7740671 aŭ 77.41%.
Ekzemplo 3: Probablo de almenaŭ 8
Se eksperimento estas farata 12 fojojn, kaj la probableco de sukceso en ĉiu provo estas 0.5, kio estas la probableco, ke almenaŭ 8 sukcesoj okazas?
Paŝo 1: Agordu la binomajn parametrojn: \(n = 12, p = 0.5 \).
Paŝo 2: Trovu la probablecon por ∫(X \geq 8).
Tio postulas kalkuli plurajn individuajn probablecojn kaj adicii ilin:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) \]
Kalkulu unu post unu:
– Por ∫(X = 8)):
\[ P(X = 8) = {12 \elektu 8} (0.5)^8 (0.5)^4 \]
\[ {12 \elektu 8} = 495 \]
\[ (0.5)^{12} = 0.0002441406 \]
P(X = 8) = 495 ⋅ 0.0002441406 = 0.1208496
– Por ∫(X = 9)):
\[ P(X = 9) = {12 \elektu 9} (0.5)^9 (0.5)^3 \]
\[ {12 \elektu 9} = 220 \]
P(X = 9) = 220 ⋅ 0.0002441406 = 0.05371094
– Por ∫(X = 10)):
\[ P(X = 10) = {12 \elektu 10} (0.5)^{10} (0.5)^2 \]
\[ {12 \elektu 10} = 66 \]
P(X = 10) = 66 ⋅ 0.0002441406 = 0.01611328
– Por ∫(X = 11)):
\[ P(X = 11) = {12 \elektu 11} (0.5)^{11} (0.5)^1 \]
\[ {12 \elektu 11} = 12 \]
P(X = 11) = 12 ⋅ 0.0002441406 = 0.002929688
– Por ∫(X = 12)):
\[ P(X = 12) = {12 \elektu 12} (0.5)^{12} \]
\[ {12 \elektu 12} = 1 \]
P(X = 12) = 1 ⋅ 0.0002441406 = 0.0002441406
Paŝo 3: Aldonu ĉiujn probablecojn.
P(X ∫) = 0.1208496 + 0.05371094 + 0.01611328 + 0.002929688 + 0.0002441406 ĉ. 0.1938477
Do, la probableco ke almenaŭ 8 sukcesoj okazas en 12 provoj estas proksimume 0.1938477 aŭ 19.38%.
Konkludo
La binoma distribuo estas fundamenta koncepto en statistiko, kiu estas decida en multaj praktikaj aplikoj. Komprenante kiel kalkuli probablecojn por diversaj kazoj de la binoma distribuo, kiel montrite en la ekzemploj supre, ni povas apliki ĉi tiun koncepton en realmondaj situacioj. Ĉi tiu ekzerco ankaŭ plifortigas nian komprenon pri kiel probablecaj strukturoj funkcias en klara kaj organizita kunteksto.
