Binomna distribucija: teorija, primjene i primjeri
Uvod
Binomna distribucija je temeljni koncept u statistici i teoriji vjerojatnosti. Kao jedna od najčešće korištenih diskretnih distribucija, binomna distribucija nudi brojne primjene u područjima kao što su medicina, ekonomija, biologija i društvene znanosti. Ovaj članak će detaljno raspravljati o binomnoj distribuciji, uključujući njezinu definiciju, ključna svojstva, povezane formule i nekoliko praktičnih primjera primjene.
Razumijevanje binomne distribucije
Binomna distribucija opisuje ishod n Bernoullijevih pokušaja, gdje svaki pokušaj ima samo dva moguća ishoda: „uspjeh“ ili „neuspjeh“. Na primjer, kod bacanja novčića, mogući ishodi su „glava“ ili „glava“.
Dva glavna parametra u binomnoj distribuciji su:
1. n (broj pokušaja)
2. p (vjerojatnost uspjeha u svakom pokušaju)
Formalnije, broj uspjeha u n pokušaja može se opisati binomnom distribucijom (B(n, p)).
Funkcija mase vjerojatnosti (PMF)
Funkcija mase vjerojatnosti binomne distribucije formulira se kao:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Gdje:
– \( \binom{n}{k} \) je kombinacija n odabranih k,
– \( p \) je vjerojatnost uspjeha u jednom pokušaju,
– \(k \) je broj uspjeha,
– \(n \) je ukupan broj pokušaja.
Glavna svojstva binomne distribucije
Binomna distribucija ima nekoliko ključnih svojstava:
1. Prosjek (Average): Dobije se množenjem broja pokušaja s vjerojatnošću uspjeha u svakom pokušaju. Prosjek je \( \mu = np \).
2. Varijanca: Varijanca binomne distribucije je umnožak broja pokušaja, vjerojatnosti uspjeha i vjerojatnosti neuspjeha, tj. \( \sigma^2 = np(1 – p) \).
3. Simetrija i asimetrija: Kada je p = 0.5, binomna distribucija je simetrična. Za p < 0.5, distribucija je asimetrična udesno, a za p > 0.5, distribucija je asimetrična ulijevo.
4. Ograničenja vrijednosti: Binomna vrijednost (k) kreće se od 0 do n.
Binomna distribucija i centralni granični teorem
Binomna distribucija igra važnu ulogu u centralnom graničnom teoremu. Kada broj pokušaja (n) postane vrlo velik, binomna distribucija će se približiti normalnoj distribuciji sa srednjom vrijednošću ( \mu = np \) i standardnom devijacijom ( \sigma = \sqrt{np(1 – p)} \).
Primjer slučaja s binomnom distribucijom
Rasprave o binomnoj distribuciji bit će lakše razumjeti kroz praktične primjere iz različitih područja. Evo nekih primjena iz stvarnog svijeta:
Primjer 1: Testiranje proizvoda
Pretpostavimo da tvrtka za elektroničku tehnologiju ima proizvodnu liniju gdje je vjerojatnost neispravnog proizvoda 0.01. Ako tvrtka pregleda 100 proizvoda, koja je vjerojatnost da će pronaći točno 2 neispravna proizvoda?
Korištenje formule binomne distribucije:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Izračunavanjem kombinacija \(\binom{100}{2}\), a zatim množenjem s preostalim vjerojatnostima, dobivamo konačni rezultat.
Primjer 2: Medicinsko istraživanje
U kliničkom ispitivanju lijeka za određenu bolest, vjerojatnost da će pacijent biti izliječen lijekom je 0.8. Ako se testira 10 pacijenata, kolika je vjerojatnost da će biti izliječeno barem 8 pacijenata?
Da bismo pronašli tu vjerojatnost, moramo zbrojiti vjerojatnosti oporavka 8, 9 i 10 pacijenata:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
Korištenjem binomne formule za svaku vrijednost k (8, 9 i 10), a zatim zbrajanjem rezultata.
Primjer 3: Odluke u ekonomiji
U istraživanju tržišta, 60% potrošača svidjelo se novom proizvodu. Ako se uzme slučajni uzorak od 20 potrošača, kolika je vjerojatnost da se proizvod svidio barem 15 njih?
Trebamo binomnu distribuciju kako bismo izračunali vjerojatnost broja lajkova od 15 do 20:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
Koristeći istu metodu, izračunavamo i zbrajamo te vjerojatnosti.
Korištenje tehnologije u izračunima binomne distribucije
U digitalnom dobu, izračun binomne distribucije ne obavlja se samo ručno, već i pomoću softvera poput R-a, Pythona ili određenih statističkih kalkulatora.
Evo primjera korištenja Pythona za izračun binomne distribucije:
“`python
iz scipy.stats uvoza binom
n = 10 broj pokušaja
p = 0.8 vjerojatnost uspjeha
k = 8 očekivani broj uspjeha
vjerojatnost točno 8 uspjeha
vjerojatnost_8 = binom.pmf(k, n, p)
vjerojatnost od najmanje 8 uspjeha
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f”Vjerojatnost točno 8 uspjeha: {prob_8}”)
print(f”Vjerojatnost od najmanje 8 uspjeha: {prob_ge_8}”)
"`
Zaključak
Binomna distribucija je bitan temeljni koncept u statistici i vjerojatnosti. Razumijevanjem binomne distribucije možemo primijeniti različite modele vjerojatnosti na stvarne situacije koje uključuju ponovljene eksperimente s dva ishoda. Mogućnost korištenja tehnoloških alata čini proces izračuna učinkovitijim i točnijim. Binomna distribucija nije samo teoretski važna, već ima i brojne relevantne praktične primjene u raznim područjima znanosti i industrije.
Nadamo se da ovaj članak pruža dublje razumijevanje binomne distribucije i inspirira daljnja istraživanja u područjima statistike i vjerojatnosti.
