Երկանդամային բաշխման ֆունկցիա. Լրիվ բացատրություն և կիրառություններ
Բինոմային բաշխումը վիճակագրության և հավանականության մեջ ամենատարածված օգտագործվող դիսկրետ հավանականության բաշխումներից մեկն է: Այս բաշխումը մոդելավորում է նույնական, անկախ փորձարկումների շարքում հաջողությունների քանակը, որտեղ յուրաքանչյուր փորձարկում ունի երկու հնարավոր արդյունք՝ հաջողություն կամ ձախողում: Այս հոդվածում մենք մանրամասն կուսումնասիրենք բինոմային բաշխման ֆունկցիայի սահմանումը, բանաձևը, հատկությունները և կիրառությունները:
Բինոմիալ բաշխման հասկացումը
Բինոմային բաշխումը նկարագրում է n անկախ փորձարկումների «հաջողությունների» քանակը, որտեղ՝
– Յուրաքանչյուր փորձություն միայն երկու հնարավոր արդյունք է տալիս՝ հաջողություն կամ ձախողում։
– Յուրաքանչյուր փորձի հաջողության հավանականությունը p է։
– Անհաջողության հավանականությունը 1 է – p։
– Յուրաքանչյուր փորձաշրջան անկախ է միմյանցից։
Բինոմային բաշխումը նշանակվում է որպես B(n, p), որտեղ n-ը փորձերի քանակն է, իսկ p-ն՝ մեկ փորձի հաջողության հավանականությունը։
Բինոմիալ բաշխման բանաձև
Բինոմային բաշխումը հաշվարկվում է հետևյալ բանաձևով.
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
Որտեղ՝
– \( P(X = k) \): n փորձերում ճիշտ k հաջողություն ստանալու հավանականությունը։
– \( \binom{n}{k} \): n օբյեկտների համակցությունը վերցված է k-ով։
– \( p \): Յուրաքանչյուր փորձի հաջողության հավանականությունը։
– \(n \): Փորձերի ընդհանուր քանակը։
– \( k \): Հաջողությունների ցանկալի քանակը։
\(\binom{n}{k}\) համակցությունը հաշվարկվում է հետևյալ կերպ՝
\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]
Բինոմիալ բաշխման հատկությունները
1. Սպասում (միջին) և շեղում.
– Բինոմային բաշխման սպասվող կամ միջինը \( \mu = np \) է։
– Դիսպերիան \( \sigma^2 = np(1-p) \) է։
2. Սիմետրիա։
– Բինոմային բաշխումը սիմետրիկ է, եթե p = 0.5: Եթե p ≠ 0.5, բաշխումը դառնում է թեքված դեպի աջ (p < 0.5) կամ դեպի ձախ (p > 0.5):
3. Թեքություն և կուրտոզ։
– Բինոմային բաշխման թեքությունը \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \) է։
– Կուրտոսը \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \) է։
4. Մոտավոր բաշխում.
– Մեծ n-ի և p-ի համար, որոնք մոտենում են 0.5-ին, բինոմային բաշխումը կարող է մոտավորվել նորմալ բաշխմամբ։
– Եթե p-ն շատ փոքր է, իսկ n-ը՝ շատ մեծ, ուստի np-ն մնում է անփոփոխ, ապա բինոմային բաշխումը կարելի է մոտավորապես ներկայացնել Պուասոնի բաշխման միջոցով։
Բինոմիալ բաշխման կիրառումը
Բինոմային բաշխումը օգտագործվում է այնպիսի ոլորտներում, ինչպիսիք են կենսաբանությունը, տնտեսագիտությունը, մարքեթինգը և ճարտարագիտությունը՝ երկուական թվերով արտահայտվող իրադարձությունները (հաջողություն/ձախողում) մոդելավորելու համար: Ահա դրա կիրառման մի քանի կոնկրետ օրինակներ.
Արտադրանքի որակի փորձարկում
Ենթադրենք, որ ապրանքի խմբաքանակի թերի լինելու հավանականությունը 2% է։ Եթե մենք փորձարկենք ապրանքի 50 միավոր, կարող ենք օգտագործել բինոմային բաշխումը՝ տրված թվով թերի միավորներ գտնելու հավանականությունը հաշվարկելու համար։ n = 50 և p = 0.02 դեպքում կարող ենք հաշվարկել խմբաքանակում ճիշտ k թերի միավոր գտնելու հավանականությունը։
Նմուշառման գնահատում
Օրինակ՝ շուկայի հետազոտություններում հարցումները հաճախ անցկացվում են այո/ոչ պատասխանող հարցերով: Եթե մենք ուզում ենք իմանալ, թե 100 մարդուց բաղկացած նմուշում քանի՞ հարցված է համաձայն որևէ պնդման հետ (ենթադրելով համաձայնության 0.7 հավանականություն), բինոմային բաշխումը կարող է օգնել գնահատել համաձայն մարդկանց սպասվող թիվը:
Գենետիկա
Գենետիկայում բինոմային բաշխումն օգտագործվում է որոշակի հատկանիշների ժառանգումը մեկ սերնդից մյուսը մոդելավորելու համար: Օրինակ, եթե կա 25% հավանականություն, որ սերունդը կունենա որոշակի գենետիկական հատկանիշ, մենք կարող ենք օգտագործել բինոմային բաշխումը՝ որոշելու համար այն հավանականությունը, որ չորս սերունդներից երկուսը կունենան այդ հատկանիշը:
Ֆինանսներ և ապահովագրություն
Ֆինանսներում բինոմային բաշխումը կարող է օգտագործվել հաջողության/ձախողման պայմաններին համապատասխանող որոշակի ապրանքների սնանկությունների, պահանջների վճարումների կամ տոկոսադրույքների առաջացումը մոդելավորելու համար։
Հաշվարկի օրինակ
Ենթադրենք, որ մենք ուզում ենք հաշվարկել այն հավանականությունը, որ 10 մետաղադրամ նետելուց հետո կստանանք ճիշտ 6 նետում (ենթադրելով, որ մետաղադրամները արդար են և p=0.5):
\[ P(X = 6) = \binom{10}{6} (0.5)^6 (0.5)^4 \]
\[ = \frac{10!}{6!4!} (0.5)^{10} \]
\[ = \frac{210}{1024} \]
\[ = 0.205 \]
Այսպիսով, մետաղադրամի նետման 10 դեպքից ճիշտ 6 գնդակ ստանալու հավանականությունը 0.205 է։
Հաշվողական կիրառություններ
Այսօրվա տեխնոլոգիական դարաշրջանում բինոմային բաշխումները հաճախ հաշվարկվում են վիճակագրական ծրագրերի, ինչպիսիք են R-ը, Python-ը, կամ աղյուսակային գործիքների, ինչպիսին է Microsoft Excel-ը, միջոցով: Ահա պարզ Python սկրիպտի օրինակ՝ օգտագործելով `scipy` գրադարանը.
«Պիթոն
scipy.stats-ից ներմուծված binom
Օրինակ, մենք ուզում ենք գտնել P(X = 6)-ը n=10 և p=0.5 դեպքում։
n = 10
p = 0.5
կ = 6
prob = binom.pmf(k, n, p)
print(f” {n} մետաղադրամի նետումից ճիշտ {k} գլուխ ստանալու հավանականությունը {prob:.3f}”)
««
Եզրակացություն
Բինոմային բաշխումը կարևոր գործիք է վիճակագրության և հավանականության մեջ, մասնավորապես՝ անկախ երկուական իրադարձությունների վերլուծության ժամանակ։ Այս հասկացության յուրացումը կարող է մեզ օգնել ավելի արդյունավետ լուծել ֆինանսական որոշումների, շուկայի հետազոտության, ապրանքի որակի, գենետիկայի և մի շարք այլ կիրառությունների հետ կապված խնդիրները։
Բինոմային բաշխման ֆունկցիան հասկանալով՝ մենք կարող ենք ճշգրտորեն մոդելավորել և հաշվարկել իրադարձությունների հավանականությունները և որոշումներ կայացնել՝ հիմնվելով հուսալի վիճակագրական վերլուծության վրա: Տեխնոլոգիայի և վիճակագրական ծրագրային ապահովման առաջընթացը նաև հեշտացրել է այս բաշխման հաշվարկը և պատկերացումը՝ այն դարձնելով ավելի մատչելի ուսումնասիրության և կիրառման լայն շրջանակում:
