Binoomjaotuse funktsioon: täielik selgitus ja rakendused
Binoomjaotus on statistikas ja tõenäosusteoorias üks enimkasutatavaid diskreetseid tõenäosusjaotusi. See jaotus modelleerib õnnestumiste arvu identsete, sõltumatute katsete seerias, kus igal katsel on kaks võimalikku tulemust: õnnestumine või ebaõnnestumine. Selles artiklis uurime põhjalikult binoomjaotuse funktsiooni definitsiooni, valemit, omadusi ja rakendusi.
Binoomjaotuse mõistmine
Binoomjaotus kirjeldab n sõltumatu katse „edu“ arvu, kus:
– Igal katsel on ainult kaks võimalikku tulemust: edu või ebaedu.
– Iga katse õnnestumise tõenäosus on p.
– Ebaõnnestumise tõenäosus on 1 – p.
– Iga katse on teistest sõltumatu.
Binoomjaotust tähistatakse kui B(n, p), kus n on katsete arv ja p on ühe katse õnnestumise tõenäosus.
Binoomjaotuse valem
Binoomjaotus arvutatakse järgmise valemi abil:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Kus:
– \(P(X = k) \): Täpselt k õnnestumise saamise tõenäosus n katse jooksul.
– \( \binom{n}{k} \): n objekti kombinatsioon, millest on võetud k.
– \( p \): Iga katse õnnestumise tõenäosus.
– \(n \): Katsete koguarv.
– \(k \): Soovitud õnnestumiste arv.
Kombinatsioon \(\binom{n}{k}\) arvutatakse järgmiselt:
\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]
Binoomjaotuse omadused
1. Ootus (keskmine) ja dispersioon:
– Binoomjaotuse oodatav väärtus ehk keskmine on \( \mu = np \).
– Dispersioon on \( \sigma^2 = np(1-p) \).
2. Sümmeetria:
– Binoomjaotus on sümmeetriline, kui p = 0.5. Kui p ≠ 0.5, muutub jaotus paremale (p < 0.5) või vasakule (p > 0.5) kalduvaks.
3. Asümmeetria ja ekstsess:
– Binoomjaotuse asümmeetria on \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \).
– Ekstsess on \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \).
4. Ligikaudne jaotus:
– Suure n ja p lähenemise korral väärtusele 0.5 saab binoomjaotust lähendada normaaljaotusega.
– Kui p on väga väike ja n on väga suur, nii et np jääb konstantseks, siis saab binoomjaotust lähendada Poissoni jaotusega.
Binoomjaotuse kasutamine
Binoomjaotust kasutatakse sellistes valdkondades nagu bioloogia, majandus, turundus ja inseneriteadus, et modelleerida sündmusi, mida saab väljendada binaarselt (edu/ebaõnnestumine). Siin on mõned konkreetsed näited selle kasutamisest:
Toote kvaliteedi testimine
Oletame, et tootepartiil on 2% tõenäosus olla defektne. Kui testime 50 tooteühikut, saame binoomjaotuse abil arvutada antud arvu defektsete ühikute leidmise tõenäosuse. Kui n = 50 ja p = 0.02, saame arvutada täpselt k defektse ühiku leidmise tõenäosuse partiist.
Proovivõtu hindamine
Näiteks turu-uuringutes viiakse küsitlusi sageli läbi jah/ei küsimustega. Kui tahame teada, mitu vastajat 100 inimese valimist (eeldades nõustumise tõenäosust 0.7) väitega nõustuvad, aitab binoomjaotus hinnata eeldatavat nõustujate arvu.
Genetika
Geneetikas kasutatakse binoomjaotust teatud tunnuste ühelt põlvkonnalt teisele pärandumise modelleerimiseks. Näiteks kui on 25% tõenäosus, et järglasel on teatud geneetiline tunnus, saame binoomjaotuse abil määrata tõenäosuse, et neljast järglasest kahel on see tunnus.
Rahandus ja kindlustus
Rahanduses saab binoomjaotust kasutada edu/ebaõnnestumise tingimustele vastavate kaupade pankrottide, kahjunõuete maksete või intressimäärade esinemise modelleerimiseks.
Arvutusnäide
Oletame, et tahame arvutada tõenäosust, et 10 mündiviskest saame täpselt 6 pea (eeldades, et mündid on õiglased ja p = 0.5):
\[P(X = 6) = \binom{10}{6} (0.5)^6 (0.5)^4 \]
\[ = \frac{10!}{6!4!} (0.5)^{10} \]
\[ = \frac{210}{1024} \]
\[ = 0.205 \]
Seega on tõenäosus saada 10 mündiviskest täpselt 6 pea 0.205.
Arvutirakendused
Tänapäeva tehnoloogiaajastul arvutatakse binoomjaotusi sageli statistilise tarkvara (nt R, Python) või arvutustabelitööriistade (nt Microsoft Excel) abil. Siin on näide lihtsast Pythoni skriptist, mis kasutab `scipy` teeki:
"" Python
impordi binom scipy.statsist
Näiteks tahame leida P(X = 6), kui n=10 ja p=0.5
n = 10
p = 0.5
k = 6 XNUMX XNUMX
tõendumus = binom.pmf(k, n, p)
print(f”Tõenäosus saada {n} mündiviskega täpselt {k} pea on {prob:.3f}”)
""
Järeldus
Binoomjaotus on oluline tööriist statistikas ja tõenäosusteoorias, eriti sõltumatute binaarsete sündmuste analüüsimisel. Selle kontseptsiooni valdamine aitab meil tõhusamalt lahendada probleeme, mis hõlmavad finantsotsuseid, turu-uuringuid, tootekvaliteeti, geneetikat ja mitmesuguseid muid rakendusi.
Binoomjaotuse funktsiooni mõistmise abil saame sündmuste tõenäosusi täpselt modelleerida ja arvutada ning teha otsuseid usaldusväärse statistilise analüüsi põhjal. Tehnoloogia ja statistikatarkvara areng on samuti lihtsustanud selle jaotuse arvutamist ja visualiseerimist, muutes selle kättesaadavamaks paljudes uurimisvaldkondades ja rakendustes.
