Биномна дистрибуција: теорија, примене и примери
Пендахулуан
Биномна расподела је фундаментални концепт у статистици и теорији вероватноће. Као једна од најчешће коришћених дискретних расподела, биномна расподела нуди бројне примене у областима као што су медицина, економија, биологија и друштвене науке. Овај чланак ће детаљно размотрити биномну расподелу, укључујући њену дефиницију, кључна својства, повезане формуле и неколико практичних примера примене.
Разумевање биномне дистрибуције
Биномна расподела описује исход n Бернулијевих покушаја, где сваки покушај има само два могућа исхода: „успех“ или „неуспех“. На пример, код бацања новчића, могући исходи су „глава“ или „глава“.
Два главна параметра у биномној расподели су:
1. n (број покушаја)
2. p (вероватноћа успеха у сваком покушају)
Формалније, број успеха у n покушаја може се описати биномном расподелом (B(n, p)).
Функција вероватноће масе (PMF)
Функција масе вероватноће биномне расподеле формулисана је као:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Где:
– \( \binom{n}{k} \) је комбинација n изабраних k,
– \( p \) је вероватноћа успеха у једном покушају,
– \(k \) је број успеха,
– \(n \) је укупан број покушаја.
Главна својства биномне расподеле
Биномна расподела има неколико кључних својстава:
1. Просек (Average): Добија се множењем броја покушаја са вероватноћом успеха у сваком покушају. Просек је \( \mu = np \).
2. Варијанса: Варијанса биномне расподеле је производ броја покушаја, вероватноће успеха и вероватноће неуспеха, то јест, \( \sigma^2 = np(1 – p) \).
3. Симетрија и асиметрија: Када је p = 0.5, биномна расподела је симетрична. За p < 0.5, расподела је асиметрична удесно, а за p > 0.5, расподела је асиметрична улево.
4. Ограничења вредности: Биномна вредност (k) креће се од 0 до n.
Биномна расподела и централна гранична теорема
Биномна расподела игра важну улогу у Централној граничној теореми. Када број покушаја (n) постане веома велики, биномна расподела ће се приближити нормалној расподели са средњом вредношћу ( \mu = np \) и стандардном девијацијом ( \sigma = \sqrt{np(1 – p)} \).
Пример случаја коришћењем биномне расподеле
Дискусије о биномној расподели биће лакше разумети кроз практичне примере из различитих области. Ево неких примена из стварног света:
Пример 1: Тестирање производа
Претпоставимо да компанија за електронику има производну линију где је вероватноћа неисправног производа 0.01. Ако компанија прегледа 100 производа, колика је вероватноћа да ће пронаћи тачно 2 неисправна производа?
Користећи формулу биномне расподеле:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
Израчунавањем комбинација \(\binom{100}{2}\), а затим множењем са преосталим вероватноћама, добијамо коначан резултат.
Пример 2: Медицинско истраживање
У клиничком испитивању лека за одређену болест, вероватноћа да ће пацијент бити излечен тим леком је 0.8. Ако се тестира 10 пацијената, колика је вероватноћа да ће најмање 8 пацијената бити излечено?
Да бисмо пронашли ову вероватноћу, морамо да саберем вероватноће опоравка 8, 9 и 10 пацијената:
\[ П(Кс \гек 8) = П(Кс = 8) + П(Кс = 9) + П(Кс = 10) \]
Коришћењем биномске формуле за сваку вредност k (8, 9 и 10), а затим сабирањем резултата.
Пример 3: Одлуке у економији
У истраживању тржишта, 60% потрошача је рекло да се допао нови производ. Ако се узме случајни узорак од 20 потрошача, колика је вероватноћа да се производ допао најмање 15 њих?
Потребна нам је биномна расподела да бисмо израчунали вероватноћу броја лајкова од 15 до 20:
\[ П(Кс \гек 15) = П(Кс = 15) + П(Кс = 16) + П(Кс = 17) + П(Кс = 18) + П(Кс = 19) + П(Кс = 20) \]
Користећи исту методу, израчунавамо и сабирамо ове вероватноће.
Коришћење технологије у прорачунима биномне расподеле
У дигиталној ери, апликације за израчунавање биномне расподеле се не раде само ручно, већ и помоћу софтвера као што су R, Python или одређени статистички калкулатори.
Ево примера коришћења Пајтона за израчунавање биномне расподеле:
„`питхон
из scipy.stats импорта binom-а
n = 10 број покушаја
p = 0.8 вероватноћа успеха
k = 8 очекивани број успеха
вероватноћа тачно 8 успеха
prob_8 = binom.pmf(k, n, p)
вероватноћа од најмање 8 успеха
проб_ге_8 = 1 – бином.цдф(к-1, н, п)
print(f”Вероватноћа тачно 8 успеха: {prob_8}”)
print(f”Вероватноћа најмање 8 успеха: {prob_ge_8}”)
„`
Закључак
Биномна расподела је суштински фундаментални концепт у статистици и вероватноћи. Разумевањем биномне расподеле можемо применити различите моделе вероватноће на реалне ситуације које укључују поновљене експерименте са два исхода. Способност коришћења технолошких алата чини процес израчунавања ефикаснијим и тачнијим. Биномна расподела није само теоретски важна, већ има и бројне практичне примене релевантне за различите области науке и индустрије.
Надам се да овај чланак пружа дубље разумевање биномне расподеле и инспирише даља истраживања у областима статистике и вероватноће.
