Taburan Binomial: Teori, Aplikasi dan Contoh
pengenalan
Taburan binomial merupakan konsep asas dalam statistik dan teori kebarangkalian. Sebagai salah satu taburan diskret yang paling kerap digunakan, taburan binomial menawarkan pelbagai aplikasi dalam bidang seperti perubatan, ekonomi, biologi dan sains sosial. Artikel ini akan membincangkan taburan binomial secara mendalam, termasuk definisinya, sifat utama, formula berkaitan dan beberapa contoh aplikasi praktikal.
Memahami Taburan Binomial
Taburan binomial menerangkan hasil bagi n percubaan Bernoulli, yang mana setiap percubaan hanya mempunyai dua kemungkinan hasil: "kejayaan" atau "kegagalan". Contohnya, dalam lambungan syiling, kemungkinan hasil ialah "kepala" atau "kepala".
Dua parameter utama dalam taburan binomial ialah:
1. n (bilangan percubaan)
2. p (kebarangkalian kejayaan dalam setiap percubaan)
Secara lebih formal, bilangan kejayaan dalam n percubaan boleh digambarkan oleh taburan binomial \( B(n, p) \).
Fungsi Jisim Kebarangkalian (PMF)
Fungsi jisim kebarangkalian bagi taburan binomial dirumuskan sebagai:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Di mana:
– \( \binom{n}{k} \) ialah gabungan n k yang dipilih,
– \( p \) ialah kebarangkalian kejayaan dalam satu percubaan,
– \( k \) ialah bilangan kejayaan,
– \( n \) ialah jumlah percubaan.
Sifat Utama Taburan Binomial
Taburan binomial mempunyai beberapa sifat utama:
1. Purata (Purata): Diperoleh daripada mendarabkan bilangan percubaan dengan kebarangkalian kejayaan dalam setiap percubaan. Purata ialah \( \mu = np \).
2. Varians: Varians taburan binomial ialah hasil darab bilangan percubaan, kebarangkalian kejayaan dan kebarangkalian kegagalan, iaitu, \( \sigma^2 = np(1 – p) \).
3. Simetri dan Kecondongan: Apabila \( p = 0.5 \), taburan binomial adalah simetri. Untuk \( p < 0.5 \), taburan adalah condong ke kanan, dan untuk \( p > 0.5 \), taburan adalah condong ke kiri.
4. Had Nilai: Nilai binomial (k) adalah antara 0 hingga n.
Taburan Binomial dan Teorem Had Pusat
Taburan binomial memainkan peranan penting dalam Teorem Had Pusat. Apabila bilangan percubaan (n) menjadi sangat besar, taburan binomial akan menghampiri taburan normal dengan min \( \mu = np \) dan sisihan piawai \( \sigma = \sqrt{np(1 – p)} \).
Contoh Kes Menggunakan Taburan Binomial
Perbincangan tentang taburan binomial akan lebih mudah difahami melalui contoh praktikal daripada pelbagai bidang. Berikut adalah beberapa aplikasi dunia sebenar:
Contoh 1: Pengujian Produk
Katakan sebuah syarikat elektronik mempunyai barisan pengeluaran di mana kebarangkalian produk yang rosak ialah 0.01. Jika syarikat itu memeriksa 100 produk, apakah kebarangkalian untuk menemui tepat 2 produk yang rosak?
Menggunakan formula taburan binomial:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Dengan mengira kombinasi \(\binom{100}{2}\), kemudian didarabkan dengan kebarangkalian yang tinggal, kita akan mendapat hasil akhir.
Contoh 2: Penyelidikan Perubatan
Dalam satu percubaan klinikal ubat untuk penyakit tertentu, kebarangkalian seorang pesakit akan sembuh dengan ubat tersebut ialah 0.8. Jika 10 pesakit diuji, apakah kebarangkalian sekurang-kurangnya 8 pesakit akan sembuh?
Untuk mencari kebarangkalian ini, kita perlu menambah kebarangkalian 8, 9, dan 10 pesakit yang pulih:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
Dengan menggunakan formula binomial untuk setiap nilai k (8, 9, dan 10), kemudian tambah hasilnya.
Contoh 3: Keputusan dalam Ekonomi
Dalam satu tinjauan pasaran, 60% pengguna menyukai produk baharu. Jika sampel rawak seramai 20 pengguna diambil, apakah kebarangkalian sekurang-kurangnya 15 daripada mereka menyukai produk tersebut?
Kita memerlukan taburan binomial untuk mengira kebarangkalian bilangan suka dari 15 hingga 20:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
Dengan menggunakan kaedah yang sama, kita mengira dan menambah kebarangkalian ini.
Menggunakan Teknologi dalam Pengiraan Taburan Binomial
Dalam era digital, aplikasi pengiraan taburan binomial bukan sahaja dilakukan secara manual tetapi juga menggunakan perisian seperti R, Python, atau kalkulator statistik tertentu.
Berikut adalah contoh penggunaan Python untuk mengira taburan binomial:
“`python
daripada scipy.stats import binom
n = 10 bilangan percubaan
p = 0.8 kebarangkalian kejayaan
k = 8 bilangan kejayaan yang dijangkakan
kebarangkalian tepat 8 kejayaan
prob_8 = binom.pmf(k, n, p)
kebarangkalian sekurang-kurangnya 8 kejayaan
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f”Kebarangkalian tepat 8 kejayaan: {prob_8}”)
print(f”Kebarangkalian sekurang-kurangnya 8 kejayaan: {prob_ge_8}”)
""
Kesimpulannya
Taburan binomial merupakan konsep asas yang penting dalam statistik dan kebarangkalian. Dengan memahami taburan binomial, kita boleh mengaplikasikan pelbagai model kebarangkalian kepada situasi dunia sebenar yang melibatkan eksperimen berulang dengan dua hasil. Keupayaan untuk menggunakan alat teknologi menjadikan proses pengiraan lebih cekap dan tepat. Taburan binomial bukan sahaja penting secara teori tetapi juga mempunyai pelbagai aplikasi praktikal yang relevan dalam pelbagai bidang sains dan industri.
Semoga artikel ini memberikan pemahaman yang lebih mendalam tentang taburan binomial dan memberi inspirasi kepada penerokaan selanjutnya dalam bidang statistik dan kebarangkalian.
