การแจกแจงทวินาม

การแจกแจงทวินาม: ทฤษฎี การประยุกต์ใช้ และตัวอย่าง

เพนดาฮูหวน

การแจกแจงทวินามเป็นแนวคิดพื้นฐานในสถิติและทฤษฎีความน่าจะเป็น ในฐานะที่เป็นหนึ่งในการแจกแจงแบบไม่ต่อเนื่องที่ใช้บ่อยที่สุด การแจกแจงทวินามมีแอปพลิเคชันมากมายในสาขาต่างๆ เช่น การแพทย์ เศรษฐศาสตร์ ชีววิทยา และสังคมศาสตร์ บทความนี้จะกล่าวถึงการแจกแจงทวินามอย่างละเอียด รวมถึงคำจำกัดความ คุณสมบัติที่สำคัญ สูตรที่เกี่ยวข้อง และตัวอย่างการประยุกต์ใช้ในทางปฏิบัติหลายตัวอย่าง

ทำความเข้าใจการแจกแจงทวินาม

การแจกแจงทวินามอธิบายผลลัพธ์ของการทดลองแบบเบอร์นูลลีจำนวน n ครั้ง โดยแต่ละครั้งจะมีผลลัพธ์ที่เป็นไปได้เพียงสองอย่าง คือ “สำเร็จ” หรือ “ล้มเหลว” ตัวอย่างเช่น ในการโยนเหรียญ ผลลัพธ์ที่เป็นไปได้คือ “หัว” หรือ “หัว”

พารามิเตอร์หลักสองตัวในการแจกแจงแบบทวินามคือ:
1. n (จำนวนครั้งของการทดลอง)
2. p (ความน่าจะเป็นของความสำเร็จในแต่ละครั้ง)

กล่าวอย่างเป็นทางการมากขึ้น จำนวนความสำเร็จในการทดลอง n ครั้ง สามารถอธิบายได้ด้วยการแจกแจงทวินาม \( B(n, p) \)

ฟังก์ชันความน่าจะเป็นมวล (PMF)

ฟังก์ชันความน่าจะเป็นมวลของการแจกแจงทวินามมีสูตรดังนี้:
[ P(X = k) = binom{n}{k} p^k (1 – p)^{n – k} ]
ที่ไหน:
– \( \binom{n}{k} \) คือการรวมกันของ n และ k ที่เลือกไว้
– p คือความน่าจะเป็นของความสำเร็จในการทดลองแต่ละครั้ง
– \( k \) คือจำนวนความสำเร็จ
– \( n \) คือจำนวนครั้งของการทดลองทั้งหมด

คุณสมบัติหลักของการแจกแจงทวินาม

การแจกแจงทวินามมีคุณสมบัติสำคัญหลายประการ:
1. ค่าเฉลี่ย (Mean): ได้จากการคูณจำนวนครั้งของการทดลองด้วยความน่าจะเป็นของความสำเร็จในแต่ละครั้ง ค่าเฉลี่ยคือ \( \mu = np \).
2. ความแปรปรวน: ความแปรปรวนของการแจกแจงแบบทวินามคือผลคูณของจำนวนครั้งของการทดลอง ความน่าจะเป็นของความสำเร็จ และความน่าจะเป็นของความล้มเหลว นั่นคือ \( \sigma^2 = np(1 – p) \).
3. ความสมมาตรและความเบ้: เมื่อ σ = 0.5 การแจกแจงแบบทวินามจะสมมาตร สำหรับ σ < 0.5 การแจกแจงจะเบ้ไปทางขวา และสำหรับ σ > 0.5 การแจกแจงจะเบ้ไปทางซ้าย
4. ขอบเขตของค่า: ค่าทวินาม (k) มีค่าตั้งแต่ 0 ถึง n

การแจกแจงทวินามและทฤษฎีบทลิมิตกลาง

การแจกแจงทวินามมีบทบาทสำคัญในทฤษฎีบทขีดจำกัดกลาง เมื่อจำนวนการทดลอง (n) มีขนาดใหญ่มาก การแจกแจงทวินามจะเข้าใกล้การแจกแจงปกติที่มีค่าเฉลี่ย \( \mu = np \) และส่วนเบี่ยงเบนมาตรฐาน \( \sigma = \sqrt{np(1 – p)} \)

ตัวอย่างกรณีศึกษาการใช้การแจกแจงทวินาม

การอธิบายเกี่ยวกับการแจกแจงทวินามจะเข้าใจง่ายขึ้นหากใช้ตัวอย่างจากประสบการณ์จริงในสาขาต่างๆ ต่อไปนี้คือตัวอย่างการใช้งานจริงบางส่วน:

ตัวอย่างที่ 1: การทดสอบผลิตภัณฑ์

สมมติว่าบริษัทผลิตอุปกรณ์อิเล็กทรอนิกส์แห่งหนึ่งมีสายการผลิตที่ความน่าจะเป็นที่จะพบสินค้าชำรุดคือ 0.01 ถ้าบริษัทตรวจสอบสินค้า 100 ชิ้น ความน่าจะเป็นที่จะพบสินค้าชำรุด 2 ชิ้นพอดีคือเท่าไร?

โดยใช้สูตรการแจกแจงทวินาม:
[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]

โดยการคำนวณชุดค่าผสม \(\binom{100}{2}\) แล้วคูณด้วยความน่าจะเป็นที่เหลือ เราจะได้ผลลัพธ์สุดท้าย

ตัวอย่างที่ 2: การวิจัยทางการแพทย์

ในการทดลองทางคลินิกของยาสำหรับโรคชนิดหนึ่ง ความน่าจะเป็นที่ผู้ป่วยจะหายจากโรคด้วยยานี้คือ 0.8 ถ้าทำการทดสอบกับผู้ป่วย 10 ราย ความน่าจะเป็นที่ผู้ป่วยอย่างน้อย 8 รายจะหายจากโรคคือเท่าใด

ในการหาความน่าจะเป็นนี้ เราต้องนำความน่าจะเป็นที่ผู้ป่วย 8, 9 และ 10 คนจะหายป่วยมาบวกกัน:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]

โดยใช้สูตรทวินามสำหรับค่า k แต่ละค่า (8, 9 และ 10) แล้วนำผลลัพธ์มาบวกกัน

ตัวอย่างที่ 3: การตัดสินใจในวิชาเศรษฐศาสตร์

จากการสำรวจตลาด พบว่า 60% ของผู้บริโภคชื่นชอบผลิตภัณฑ์ใหม่ หากสุ่มตัวอย่างผู้บริโภค 20 คน ความน่าจะเป็นที่อย่างน้อย 15 คนชื่นชอบผลิตภัณฑ์นั้นคือเท่าใด

เราจำเป็นต้องใช้การแจกแจงทวินามเพื่อคำนวณความน่าจะเป็นของจำนวนไลค์ตั้งแต่ 15 ถึง 20:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]

โดยใช้วิธีเดียวกัน เราคำนวณและบวกความน่าจะเป็นเหล่านี้เข้าด้วยกัน

การใช้เทคโนโลยีในการคำนวณการแจกแจงทวินาม

ในยุคดิจิทัล การคำนวณการแจกแจงทวินามไม่ได้ทำด้วยมือเพียงอย่างเดียว แต่ยังใช้ซอฟต์แวร์ เช่น R, Python หรือเครื่องคำนวณทางสถิติบางอย่างด้วย

ต่อไปนี้เป็นตัวอย่างการใช้ Python ในการคำนวณการแจกแจงแบบทวินาม:

“`หลาม
จาก scipy.stats นำเข้า binom

n = 10 จำนวนครั้งของการทดลอง
p = 0.8 ความน่าจะเป็นของความสำเร็จ
k = 8 จำนวนความสำเร็จที่คาดหวัง

ความน่าจะเป็นที่จะสำเร็จ 8 ครั้งพอดี
prob_8 = binom.pmf(k, n, p)

ความน่าจะเป็นที่จะสำเร็จอย่างน้อย 8 ครั้ง
prob_ge_8 = 1 – binom.cdf(k-1, n, p)

print(f"ความน่าจะเป็นที่จะสำเร็จ 8 ครั้งพอดี: {prob_8}")
print(f"ความน่าจะเป็นที่จะสำเร็จอย่างน้อย 8 ครั้ง: {prob_ge_8}")
““

บทสรุป

การแจกแจงทวินามเป็นแนวคิดพื้นฐานที่สำคัญในสถิติและความน่าจะเป็น การเข้าใจการแจกแจงทวินามทำให้เราสามารถนำแบบจำลองความน่าจะเป็นต่างๆ ไปประยุกต์ใช้กับสถานการณ์ในโลกแห่งความเป็นจริงที่เกี่ยวข้องกับการทดลองซ้ำๆ ที่มีผลลัพธ์สองอย่าง ความสามารถในการใช้เครื่องมือทางเทคโนโลยีทำให้กระบวนการคำนวณมีประสิทธิภาพและแม่นยำยิ่งขึ้น การแจกแจงทวินามไม่เพียงแต่มีความสำคัญในเชิงทฤษฎีเท่านั้น แต่ยังมีแอปพลิเคชันเชิงปฏิบัติที่เกี่ยวข้องมากมายในสาขาวิทยาศาสตร์และอุตสาหกรรมต่างๆ อีกด้วย

หวังว่าบทความนี้จะช่วยให้เข้าใจการแจกแจงทวินามได้ลึกซึ้งยิ่งขึ้น และเป็นแรงบันดาลใจให้เกิดการศึกษาค้นคว้าเพิ่มเติมในสาขาสถิติและความน่าจะเป็น