ბინომური განაწილების შესახებ სადისკუსიო კითხვის მაგალითი

ბინომური განაწილების შესახებ კითხვებისა და განხილვის მაგალითები

ბინომური განაწილება ერთ-ერთი ყველაზე ხშირად გამოყენებული დისკრეტული ალბათური განაწილებაა. ის სასარგებლოა იდენტური, დამოუკიდებელი ცდების რაოდენობის მოდელირებისთვის, რომელთაგან თითოეული იწვევს წარმატებას ან წარუმატებლობას. ამ სტატიაში ჩვენ უფრო ღრმად ჩავუღრმავდებით ბინომურ განაწილებას რამდენიმე მაგალითისა და დეტალური განხილვის მოყვანით.

შესავალი ორობით განაწილებაში

ბინომური განაწილების ძირითადი მახასიათებლები:

1. n: ცდების ან გამეორებების რაოდენობა.
2. p: თითოეულ ცდაში წარმატების ალბათობა.
3. q = 1-p: წარუმატებლობის ალბათობა თითოეულ ცდაში.

ბინომური განაწილების ალბათური მასის ფუნქციაა:

\[ P(X = k) = {n \აირჩიეთ k} p^k (1-p)^{nk} \]

სად:

– \( {n \choose k} = \frac{n!}{k!(nk)!} \)
– \( X \): შემთხვევითი ცვლადი, რომელიც წარმოადგენს წარმატებების რაოდენობას.
– \( k \): მოთხოვნილი წარმატებების რაოდენობა.

ნიმუშის კითხვები და დისკუსია

დავიწყოთ რამდენიმე მაგალითით, რათა უფრო დეტალურად გავიგოთ ბინარული განაწილების კონცეფცია.

მაგალითი 1: სტუდენტების ჯგუფიდან შერჩევა

მაგალითად, დავუშვათ, რომ გვყავს 10 სტუდენტისგან შემდგარი ჯგუფი და თითოეული სტუდენტის შეჯიბრში მონაწილეობის მიღების ალბათობა 0,3-ია. ჩვენ გვინდა ვიცოდეთ ზუსტად 4 სტუდენტის შერჩევის ალბათობა.

ნაბიჯი 1: დაადგინეთ ბინომური განაწილების პარამეტრები.
– \(n = 10 \)
– \( p = 0.3 \)

ნაბიჯი 2: გამოიყენეთ ორობითი განაწილება \(X = 4 \)-ის ალბათობის გამოსათვლელად.

\[ P(X = 4) = {10 \choose 4} (0.3)^4 (0.7)^6 \]

\({10 \choose 4} \)-ის გამოთვლა:

\[ {10 \choose 4} = \frac{10!}{4!(10-4)!} = \frac{10!}{4!6!} = 210 \]

ახლა გამოთვალეთ \((0.3)^4 \) და \((0.7)^6 \):

\[ (0.3)^4 = 0.0081 \]
\[ (0.7)^6 = 0.117649 \]

ასე რომ,

\[ P(X = 4) = 210 \cdot 0.0081 \cdot 0.117649 \aprox 0.20012 \]

ამგვარად, ზუსტად 4 სტუდენტის შერჩევის ალბათობა დაახლოებით 0.20012-ის ანუ 20.012%-ის ტოლია.

მაგალითი 2: ალბათობა 2-ზე ნაკლები ან ტოლი

ახლა, მაგალითად, გვეკითხებიან იმის ალბათობის შესახებ, რომ შეირჩევა 2-ზე ნაკლები ან მისი ტოლი სტუდენტი.

ნაბიჯი 1: ჩვენ უნდა გამოვთვალოთ P(X = 0)), P(X = 1) და P(X = 2)).

– P(X = 0)-ისთვის:

\[ P(X = 0) = {10 \choose 0} (0.3)^0 (0.7)^{10} \]
\[ {10 \არჩევა 0} = 1 \]
\[ (0.7)^{10} = 0.0282475 \]
\[ P(X = 0) = 1 \cdot 1 \cdot 0.0282475 = 0.0282475 \]

– P(X = 1)-ისთვის:

\[ P(X = 1) = {10 \choose 1} (0.3)^1 (0.7)^9 \]
\[ {10 \არჩევა 1} = 10 \]
\[ (0.3) \cdot (0.7)^9 = 0.1210608 \]
\[ P(X = 1) = 10 \cdot 0.3 \cdot 0.1210608 = 0.3631824 \]

– P(X = 2)-ისთვის:

\[ P(X = 2) = {10 \choose 2} (0.3)^2 (0.7)^8 \]
\[ {10 \არჩევა 2} = 45 \]
\[ (0.3)^2 \cdot (0.7)^8 = 0.2334744 \]
\[ P(X = 2) = 45 \cdot 0.09 \cdot 0.2334744 = 0.2334744 \]

ნაბიჯი 2: შეკრიბეთ ალბათობები.

P(X = 2) = P(X = 0) + P(X = 1) + P(X = 2)]
P(X ≤ 2) = 0.0282475 + 0.3631824 + 0.3826372 = 0.7740671

ამგვარად, 2-ზე ნაკლები ან 2-ის ტოლი სტუდენტის შერჩევის ალბათობა დაახლოებით 0.7740671 ანუ 77.41%-ია.

მაგალითი 3: მინიმუმ 8-ის ალბათობა

თუ ექსპერიმენტი 12-ჯერ ტარდება და თითოეულ ცდაში წარმატების ალბათობა 0.5-ია, რა არის ალბათობა, რომ მინიმუმ 8 წარმატება იქნება?

ნაბიჯი 1: დააყენეთ ორობითი პარამეტრები: \(n = 12, p = 0.5 \).

ნაბიჯი 2: იპოვეთ \(X \geq 8 \)-ის ალბათობა.

ეს მოითხოვს რამდენიმე ინდივიდუალური ალბათობის გამოთვლას და მათ შეკრებას:

\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) \]

ერთი-ერთი დაითვალეთ:

– P(X = 8)-ისთვის:

\[ P(X = 8) = {12 \choose 8} (0.5)^8 (0.5)^4 \]
\[ {12 \არჩევა 8} = 495 \]
\[ (0.5)^{12} = 0.0002441406 \]
\[ P(X = 8) = 495 \cdot 0.0002441406 = 0.1208496 \]

– P(X = 9)-ისთვის:

\[ P(X = 9) = {12 \choose 9} (0.5)^9 (0.5)^3 \]
\[ {12 \არჩევა 9} = 220 \]
\[ P(X = 9) = 220 \cdot 0.0002441406 = 0.05371094 \]

– P(X = 10)-ისთვის:

\[ P(X = 10) = {12 \choose 10} (0.5)^{10} (0.5)^2 \]
\[ {12 \არჩევა 10} = 66 \]
\[ P(X = 10) = 66 \cdot 0.0002441406 = 0.01611328 \]

– P(X = 11)-ისთვის:

\[ P(X = 11) = {12 \choose 11} (0.5)^{11} (0.5)^1 \]
\[ {12 \არჩევა 11} = 12 \]
\[ P(X = 11) = 12 \cdot 0.0002441406 = 0.002929688 \]

– P(X = 12)-ისთვის:

\[ P(X = 12) = {12 \choose 12} (0.5)^{12} \]
\[ {12 \არჩევა 12} = 1 \]
\[ P(X = 12) = 1 \cdot 0.0002441406 = 0.0002441406 \]

ნაბიჯი 3: დაამატეთ ყველა ალბათობა.

\[ P(X \geq 8) = 0.1208496 + 0.05371094 + 0.01611328 + 0.002929688 + 0.0002441406 \დაახლოებით 0.1938477 \]

ამგვარად, 12 ცდაში მინიმუმ 8 წარმატების მიღწევის ალბათობა დაახლოებით 0.1938477 ანუ 19.38%-ია.

დასკვნა

ბინომური განაწილება სტატისტიკის ფუნდამენტური კონცეფციაა, რომელიც გადამწყვეტია მრავალი პრაქტიკული გამოყენებისთვის. ზემოთ მოცემულ მაგალითებში ნაჩვენები ბინომური განაწილების სხვადასხვა შემთხვევის ალბათობების გამოთვლის გაგებით, ჩვენ შეგვიძლია გამოვიყენოთ ეს კონცეფცია რეალურ სიტუაციებში. ეს სავარჯიშო ასევე აძლიერებს ჩვენს გაგებას იმის შესახებ, თუ როგორ მუშაობს ალბათობის სტრუქტურები მკაფიო და ორგანიზებულ კონტექსტში.