Función de distribución binomial: explicación completa e aplicacións
A distribución binomial é unha das distribucións de probabilidade discretas máis empregadas en estatística e probabilidade. Esta distribución modela o número de éxitos nunha serie de ensaios idénticos e independentes, onde cada ensaio ten dous resultados posibles: éxito ou fracaso. Neste artigo, exploraremos en profundidade a definición, a fórmula, as propiedades e as aplicacións da función de distribución binomial.
Comprender a distribución binomial
A distribución binomial describe o número de "éxitos" en n ensaios independentes, onde:
– Cada proba produce só dous resultados posibles: éxito ou fracaso.
– A probabilidade de éxito en cada proba é p.
– A probabilidade de fallo é 1 – p.
– Cada proba é independente das outras.
A distribución binomial denótase como B(n, p), onde n é o número de ensaios e p é a probabilidade de éxito nun só ensaio.
Fórmula da distribución binomial
A distribución binomial calcúlase coa seguinte fórmula:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Onde:
– \( P(X = k) \): A probabilidade de obter exactamente k éxitos en n probas.
– \( \binom{n}{k} \): Combinación de n obxectos tomados k.
– \(p \): Probabilidade de éxito en cada proba.
– \(n \): Número total de ensaios.
– \(k \): Número desexado de éxitos.
A combinación \(\binom{n}{k}\) calcúlase como:
\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]
Propiedades da distribución binomial
1. Expectativa (media) e varianza:
– A esperanza ou media da distribución binomial é (μ = np).
– A varianza é (sigma² = np(1-p)).
2. Simetría:
– A distribución binomial é simétrica se p = 0.5. Se p ≠ 0.5, a distribución inclínase cara á dereita (p < 0.5) ou cara á esquerda (p > 0.5).
3. Asimetría e curtose:
– A asimetría da distribución binomial é \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \).
– A curtose é (γ2 = 1-6p(1-p)}{np(1-p)).
4. Distribución aproximada:
– Para n grandes e p que se aproximan a 0.5, a distribución binomial pódese aproximar mediante a distribución normal.
– Se p é moi pequeno e n é moi grande, de xeito que np permanece constante, entón a distribución binomial pódese aproximar mediante a distribución de Poisson.
Usando a distribución binomial
A distribución binomial utilízase en campos como a bioloxía, a economía, o márketing e a enxeñaría para modelar eventos que se poden expresar en termos binarios (éxito/fracaso). Aquí tes algúns exemplos concretos do seu uso:
Probas de calidade do produto
Supoñamos que un lote de produto ten unha probabilidade do 2 % de ser defectuoso. Se probamos 50 unidades do produto, podemos usar a distribución binomial para calcular a probabilidade de atopar un número determinado de unidades defectuosas. Con n = 50 e p = 0.02, podemos calcular a probabilidade de atopar exactamente k unidades defectuosas no lote.
Avaliación da mostraxe
Na investigación de mercado, por exemplo, as enquisas adoitan realizarse con preguntas de si/non. Se queremos saber o número de enquisados que están de acordo cunha afirmación nunha mostra de 100 persoas (supoñendo unha probabilidade de acordo de 0.7), a distribución binomial pode axudar a estimar o número esperado de persoas que estean de acordo.
Xenética
En xenética, a distribución binomial utilízase para modelar a herdanza de certos trazos dunha xeración a outra. Por exemplo, se existe unha probabilidade do 25 % de que unha descendencia teña un determinado trazo xenético, podemos usar a distribución binomial para determinar a probabilidade de que, de catro descendencias, dúas teñan ese trazo.
Finanzas e seguros
En finanzas, a distribución binomial pódese empregar para modelar a ocorrencia de quebras, pagamentos de reclamacións ou taxas de xuro de certas mercadorías que cumpren condicións de éxito/fracaso.
Exemplo de cálculo
Supoñamos que queremos calcular a probabilidade de que, de 10 lanzamentos de moeda, saian exactamente 6 caras (supoñendo que as moedas sexan xustas e p=0.5):
P(X = 6) = \binom{10}{6} (0.5)^6 (0.5)^4 \]
\[ = \frac{10!}{6!4!} (0.5)^{10} \]
\[ = \frac{210}{1024} \]
\[ = 0.205 \]
Entón, a probabilidade de obter exactamente 6 caras de 10 lanzamentos de moeda é de 0.205.
Aplicacións informáticas
Na era tecnolóxica actual, as distribucións binomiais adoitan calcularse empregando software estatístico como R, Python ou ferramentas de follas de cálculo como Microsoft Excel. Aquí tes un exemplo dun script sinxelo de Python que usa a biblioteca `scipy`:
"pitón"
importar binom desde scipy.stats
Por exemplo, queremos atopar P(X = 6) para n=10 e p=0.5
n = 10
p = 0.5
k = 6
prob = binom.pmf(k, n, p)
imprimir(f"A probabilidade de obter exactamente {k} caras en {n} lanzamentos de moeda é {prob:.3f}")
“
Conclusión
A distribución binomial é unha ferramenta importante en estatística e probabilidade, especialmente á hora de analizar eventos binarios independentes. Dominar este concepto pode axudarnos a abordar de forma máis eficaz problemas relacionados con decisións financeiras, investigación de mercado, calidade de produtos, xenética e unha variedade doutras aplicacións.
Ao comprender a función de distribución binomial, podemos modelar e calcular as probabilidades de eventos con precisión e basear as decisións en análises estatísticas robustas. Os avances na tecnoloxía e no software estatístico tamén facilitaron o cálculo e a visualización desta distribución, facéndoa máis accesible nunha ampla gama de campos de estudo e aplicacións.
