Exemplos de preguntas e debate sobre a distribución binomial
A distribución binomial é unha das distribucións de probabilidade discretas máis empregadas. É útil para modelar o número de éxitos nunha serie de ensaios idénticos e independentes, cada un dos cales produce un éxito ou un fracaso. Neste artigo, afondaremos na distribución binomial proporcionando varios exemplos e unha análise detallada.
Introdución á distribución binomial
Principais características da distribución binomial:
1. n: Número de ensaios ou repeticións.
2. p: Probabilidade de éxito en cada proba.
3. q = 1-p: Probabilidade de fallo en cada proba.
A función de masa de probabilidade da distribución binomial é:
P(X = k) = {n \elixe k} p^k (1-p)^{nk}
Onde:
– (n \escolle k = \frac{n!}{k!(nk)!})
– \(X \): Unha variable aleatoria que representa o número de éxitos.
– \(k\): O número de éxitos buscados.
Exemplos de preguntas e debate
Comecemos con algúns exemplos de problemas para comprender o concepto de distribución binomial con máis detalle.
Exemplo 1: Selección dun grupo de estudantes
Por exemplo, supoñamos que temos un grupo de 10 estudantes e a probabilidade de que cada estudante sexa seleccionado para participar nunha competición é de 0,3. Queremos saber a probabilidade de que sexan seleccionados exactamente 4 estudantes.
Paso 1: Identificar os parámetros da distribución binomial.
– (n = 10)
– (p = 0.3)
Paso 2: Usa a distribución binomial para calcular a probabilidade de \(X = 4 \).
\[ P(X = 4) = {10 \elixe 4} (0.3)^4 (0.7)^6 \]
Calculando \( {10 \choose 4} \):
\[ {10 \escolle 4} = \frac{10!}{4!(10-4)!} = \frac{10!}{4!6!} = 210 \]
Agora calcula \( (0.3)^4 \) e \( (0.7)^6 \):
\[ (0.3)^4 = 0.0081 \]
\[ (0.7)^6 = 0.117649 \]
Entón,
P(X = 4) = 210 ± 0.0081 ± 0.117649 ± 0.20012
Entón, a probabilidade de que sexan seleccionados exactamente 4 estudantes é de aproximadamente 0.20012 ou 20.012 %.
Exemplo 2: Probabilidade menor ou igual a 2
Agora, por exemplo, pregúntannos pola probabilidade de que sexan seleccionados menos ou iguais a 2 estudantes.
Paso 1: Temos que calcular \( P(X = 0) \), \( P(X = 1) \) e \( P(X = 2) \).
– Para \(P(X = 0) \):
P(X = 0) = {10 \elixe 0} (0.3)^0 (0.7)^{10}
\[ {10 \escolle 0} = 1 \]
\[ (0.7)^{10} = 0.0282475 \]
P(X = 0) = 1 ∫1 ∫0.0282475 = 0.0282475
– Para \(P(X = 1) \):
\[ P(X = 1) = {10 \elixe 1} (0.3)^1 (0.7)^9 \]
\[ {10 \escolle 1} = 10 \]
\[ (0.3) \cdot (0.7)^9 = 0.1210608 \]
P(X = 1) = 10 ∫0.3 ∫0.1210608 = 0.3631824
– Para \(P(X = 2) \):
\[ P(X = 2) = {10 \elixe 2} (0.3)^2 (0.7)^8 \]
\[ {10 \escolle 2} = 45 \]
\[ (0.3)^2 \cdot (0.7)^8 = 0.2334744 \]
P(X = 2) = 45 ∫0.09 ∫0.2334744 = 0.2334744
Paso 2: Suma as probabilidades.
P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)
P(X ≤ 2) = 0.0282475 + 0.3631824 + 0.3826372 = 0.7740671
Entón, a probabilidade de que sexan seleccionados menos ou iguais a 2 estudantes é de aproximadamente 0.7740671 ou 77.41 %.
Exemplo 3: Probabilidade de polo menos 8
Se un experimento se realiza 12 veces e a probabilidade de éxito en cada intento é de 0.5, cal é a probabilidade de que se produzan polo menos 8 éxitos?
Paso 1: Define os parámetros binomiais: \(n = 12, p = 0.5 \).
Paso 2: Atopar a probabilidade de \(X \geq 8 \).
Isto require calcular varias probabilidades individuais e sumalas:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) \]
Contar un por un:
– Para \(P(X = 8) \):
\[ P(X = 8) = {12 \elixe 8} (0.5)^8 (0.5)^4 \]
\[ {12 \escolle 8} = 495 \]
\[ (0.5)^{12} = 0.0002441406 \]
P(X = 8) = 495 \cdot 0.0002441406 = 0.1208496
– Para \(P(X = 9) \):
\[ P(X = 9) = {12 \elixe 9} (0.5)^9 (0.5)^3 \]
\[ {12 \escolle 9} = 220 \]
P(X = 9) = 220 \cdot 0.0002441406 = 0.05371094
– Para \(P(X = 10) \):
P(X = 10) = {12 \elixe 10} (0.5)^{10} (0.5)^2 \]
\[ {12 \escolle 10} = 66 \]
P(X = 10) = 66 \cdot 0.0002441406 = 0.01611328
– Para \(P(X = 11) \):
P(X = 11) = {12 \elixe 11} (0.5)^{11} (0.5)^1 \]
\[ {12 \escolle 11} = 12 \]
P(X = 11) = 12 \cdot 0.0002441406 = 0.002929688
– Para \(P(X = 12) \):
\[ P(X = 12) = {12 \elixe 12} (0.5)^{12} \]
\[ {12 \escolle 12} = 1 \]
P(X = 12) = 1 \cdot 0.0002441406 = 0.0002441406
Paso 3: Suma todas as probabilidades.
P(X ≤ 8) = 0.1208496 + 0.05371094 + 0.01611328 + 0.002929688 + 0.0002441406 \approx 0.1938477
Entón, a probabilidade de que se produzan polo menos 8 éxitos en 12 probas é de aproximadamente 0.1938477 ou o 19.38 %.
Conclusión
A distribución binomial é un concepto fundamental en estatística que resulta crucial en moitas aplicacións prácticas. Ao comprender como calcular as probabilidades para varios casos da distribución binomial, como se mostra nos exemplos anteriores, podemos aplicar este concepto en situacións do mundo real. Este exercicio tamén reforza a nosa comprensión de como funcionan as estruturas de probabilidade nun contexto claro e organizado.
