Distribución binomial: teoría, aplicacións e exemplos
Pendahuluan
A distribución binomial é un concepto fundamental en estatística e teoría da probabilidade. Como unha das distribucións discretas máis empregadas, a distribución binomial ofrece numerosas aplicacións en campos como a medicina, a economía, a bioloxía e as ciencias sociais. Este artigo analizará a distribución binomial en profundidade, incluíndo a súa definición, as súas propiedades clave, as fórmulas relacionadas e varios exemplos de aplicación práctica.
Comprender a distribución binomial
A distribución binomial describe o resultado de n probas de Bernoulli, onde cada proba só ten dous resultados posibles: "éxito" ou "fracaso". Por exemplo, nun lanzamento de moeda, os resultados posibles son "cara" ou "cara".
Os dous parámetros principais da distribución binomial son:
1. n (número de probas)
2. p (probabilidade de éxito en cada proba)
De xeito máis formal, o número de éxitos en n ensaios pódese describir mediante a distribución binomial \(B(n, p)\).
Función de masa de probabilidade (FMP)
A función de probabilidade de masa da distribución binomial formúlase como:
P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k}
Onde:
– \( \binom{n}{k} \) é unha combinación de n k escollidos,
– \(p\) é a probabilidade de éxito nunha soa proba,
– \(k\) é o número de éxitos,
– \(n\) é o número total de intentos.
Principais propiedades da distribución binomial
A distribución binomial ten varias propiedades clave:
1. Media (valor promedio): Obtense multiplicando o número de ensaios pola probabilidade de éxito en cada ensaio. A media é μ = np.
2. Varianza: A varianza da distribución binomial é o produto do número de ensaios, a probabilidade de éxito e a probabilidade de fracaso, é dicir, \( \sigma^2 = np(1 – p) \).
3. Simetría e asimetría: cando \(p = 0.5\), a distribución binomial é simétrica. Para \(p < 0.5\), a distribución está asimétrica cara á dereita e para \(p > 0.5\), a distribución está asimétrica cara á esquerda.
4. Límites de valor: o valor binomial (k) varía de 0 a n.
Distribución binomial e o teorema do límite central
A distribución binomial xoga un papel importante no teorema do límite central. Cando o número de intentos (n) se fai moi grande, a distribución binomial aproximarase a unha distribución normal con media μ = np e desviación estándar σ = np(1 – p)).
Exemplo de caso usando a distribución binomial
As discusións sobre a distribución binomial serán máis fáciles de entender mediante exemplos prácticos de varios campos. Aquí tes algunhas aplicacións no mundo real:
Exemplo 1: Probas de produtos
Supoñamos que unha empresa de electrónica ten unha liña de produción onde a probabilidade dun produto defectuoso é de 0.01. Se a empresa inspecciona 100 produtos, cal é a probabilidade de atopar exactamente 2 produtos defectuosos?
Usando a fórmula da distribución binomial:
P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Calculando as combinacións \(\binom{100}{2}\) e multiplicando polas probabilidades restantes, obtemos o resultado final.
Exemplo 2: Investigación médica
Nun ensaio clínico dun fármaco para unha determinada enfermidade, a probabilidade de que un paciente se cure co fármaco é de 0.8. Se se realizan probas en 10 pacientes, cal é a probabilidade de que polo menos 8 pacientes se curen?
Para atopar esta probabilidade, temos que sumar as probabilidades de que 8, 9 e 10 pacientes se recuperen:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
Usando a fórmula binomial para cada valor de k (8, 9 e 10) e sumando os resultados.
Exemplo 3: Decisións en economía
Nun estudo de mercado, ao 60 % dos consumidores gustoulles un produto novo. Se se toma unha mostra aleatoria de 20 consumidores, cal é a probabilidade de que polo menos a 15 deles lles gustase o produto?
Necesitamos a distribución binomial para calcular a probabilidade dun número de gústames de 15 a 20:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
Usando o mesmo método, calculamos e sumamos estas probabilidades.
Uso da tecnoloxía nos cálculos da distribución binomial
Na era dixital, as aplicacións de cálculo da distribución binomial non só se fan manualmente, senón tamén mediante software como R, Python ou certas calculadoras estatísticas.
Aquí tes un exemplo de como usar Python para calcular a distribución binomial:
"pitón"
importar binom desde scipy.stats
n = 10 número de probas
p = 0.8 probabilidade de éxito
k = 8 número esperado de éxitos
probabilidade de exactamente 8 éxitos
prob_8 = binom.pmf(k, n, p)
probabilidade de polo menos 8 éxitos
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
imprimir(f"Probabilidade de exactamente 8 éxitos: {prob_8}")
imprimir(f"Probabilidade de polo menos 8 éxitos: {prob_ge_8}")
“
Conclusión
A distribución binomial é un concepto fundamental esencial en estatística e probabilidade. Ao comprender a distribución binomial, podemos aplicar varios modelos de probabilidade a situacións do mundo real que impliquen experimentos repetidos con dous resultados. A capacidade de usar ferramentas tecnolóxicas fai que o proceso de cálculo sexa máis eficiente e preciso. A distribución binomial non só é teoricamente importante, senón que tamén ten numerosas aplicacións prácticas relevantes en varios campos da ciencia e a industria.
Esperemos que este artigo proporcione unha comprensión máis profunda da distribución binomial e inspire unha maior exploración nos campos da estatística e a probabilidade.
