Биномна распределба: Теорија, примени и примери
Пендахулуан
Биномната распределба е фундаментален концепт во статистиката и теоријата на веројатност. Како една од најчесто користените дискретни распределби, биномната распределба нуди бројни примени во области како што се медицината, економијата, биологијата и општествените науки. Оваа статија ќе ја разгледа биномната распределба детално, вклучувајќи ја нејзината дефиниција, клучните својства, поврзаните формули и неколку примери за практична примена.
Разбирање на биномната распределба
Биномната распределба го опишува исходот од n Бернулиеви обиди, каде што секое обиди има само два можни исхода: „успех“ или „неуспех“. На пример, при фрлање паричка, можните исходи се „глави“ или „глави“.
Двата главни параметри во биномната распределба се:
1. n (број на обиди)
2. p (веројатност за успех во секое испитување)
Поформално, бројот на успеси во n обиди може да се опише со биномната распределба \(B(n, p) \).
Функција на веројатност на маса (PMF)
Функцијата на веројатност на масата на биномната распределба е формулирана како:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Каде:
– \( \binom{n}{k} \) е комбинација од n избрани k,
– \( p \) е веројатноста за успех во едно единствено испитување,
– \( k \) е бројот на успеси,
– \(n \) е вкупниот број на обиди.
Главни својства на биномната распределба
Биномната распределба има неколку клучни својства:
1. Средна вредност (просек): Добиена со множење на бројот на обиди со веројатноста за успех во секој обид. Средната вредност е \( \mu = np \).
2. Варијансата: Варијансата на биномната распределба е производ од бројот на обиди, веројатноста за успех и веројатноста за неуспех, односно \( \sigma^2 = np(1 – p) \).
3. Симетрија и асиметрија: Кога \( p = 0.5 \), биномната распределба е симетрична. За \( p < 0.5 \), распределбата е асиметрична надесно, а за \( p > 0.5 \), распределбата е асиметрична налево.
4. Граници на вредности: Биномната вредност (k) се движи од 0 до n.
Биномна распределба и централна гранична теорема
Биномната распределба игра важна улога во Централната гранична теорема. Кога бројот на обиди (n) станува многу голем, биномната распределба ќе се приближи до нормална распределба со средна вредност (√√ np) и стандардна девијација (√√ np(1 – p)).
Пример на случај со користење на биномна распределба
Дискусиите за биномната распределба ќе бидат полесни за разбирање преку практични примери од различни области. Еве неколку примени од реалниот свет:
Пример 1: Тестирање на производ
Да претпоставиме дека компанија за електроника има производствена линија каде што веројатноста за дефектен производ е 0.01. Ако компанијата провери 100 производи, која е веројатноста да се пронајдат точно 2 дефектни производи?
Користејќи ја формулата за биномна распределба:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Со пресметување на комбинациите \(\binom{100}{2}\), а потоа множење со преостанатите веројатности, го добиваме конечниот резултат.
Пример 2: Медицински истражувања
Во клиничко испитување на лек за одредена болест, веројатноста пациентот да биде излечен со лекот е 0.8. Ако се тестираат 10 пациенти, која е веројатноста дека ќе бидат излечени најмалку 8 пациенти?
За да ја најдеме оваа веројатност, треба да ги собереме веројатностите за закрепнување на 8, 9 и 10 пациенти:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
Со користење на биномната формула за секоја вредност на k (8, 9 и 10), а потоа собирање на резултатите.
Пример 3: Одлуки во економијата
Во едно истражување на пазарот, на 60% од потрошувачите им се допаднал нов производ. Ако се земе случаен примерок од 20 потрошувачи, која е веројатноста дека на најмалку 15 од нив им се допаднал производот?
Ни е потребна биномната распределба за да ја пресметаме веројатноста за број на допаѓања од 15 до 20:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
Користејќи го истиот метод, ги пресметуваме и собираме овие веројатности.
Користење на технологија во пресметките на биномната распределба
Во дигиталната ера, апликациите за пресметка на биномна распределба не се прават само рачно, туку и со користење на софтвер како што се R, Python или одредени статистички калкулатори.
Еве еден пример за користење на Python за пресметување на биномната распределба:
„Пајтон
од scipy.stats увоз на бином
n = 10 број на обиди
p = 0.8 веројатност за успех
k = 8 очекуван број на успеси
веројатност од точно 8 успеси
prob_8 = binom.pmf(k, n, p)
веројатност од најмалку 8 успеси
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f”Веројатност за точно 8 успеси: {prob_8}”)
print(f”Веројатност од најмалку 8 успеси: {prob_ge_8}”)
„„
Заклучок
Биномната распределба е суштински фундаментален концепт во статистиката и веројатноста. Со разбирање на биномната распределба, можеме да примениме различни модели на веројатност во реални ситуации што вклучуваат повторени експерименти со два исхода. Способноста за користење на технолошки алатки го прави процесот на пресметка поефикасен и попрецизен. Биномната распределба не е само теоретски важна, туку има и бројни релевантни практични примени во различни области на науката и индустријата.
Се надеваме дека овој напис овозможува подлабоко разбирање на биномната распределба и инспирира понатамошно истражување во областа на статистиката и веројатноста.
