Mga Halimbawang Tanong at Talakayan ng Binomial Distribution
Ang binomial distribution ay isa sa mga pinakakaraniwang ginagamit na discrete probability distributions. Ito ay kapaki-pakinabang para sa pagmomodelo ng bilang ng mga tagumpay sa isang bilang ng magkapareho at independiyenteng mga pagsubok, na ang bawat isa ay nagreresulta sa alinman sa tagumpay o pagkabigo. Sa artikulong ito, susuriin natin nang mas malalim ang binomial distribution sa pamamagitan ng pagbibigay ng ilang halimbawa at isang detalyadong talakayan.
Panimula sa Binomial Distribution
Mga pangunahing katangian ng distribusyon ng binomial:
1. n : Bilang ng mga pagsubok o pag-uulit.
2. p : Probabilidad ng tagumpay sa bawat pagsubok.
3. q = 1-p : Probabilidad ng pagkabigo sa bawat pagsubok.
Ang probability mass function ng binomial distribution ay:
\[ P(X = k) = {n \choose k} p^k (1-p)^{nk} \]
Saan:
– \( {n \choose k} = \frac{n!}{k!(nk)!} \)
– \( X \): Isang random variable na kumakatawan sa bilang ng mga tagumpay.
– \( k \): Ang bilang ng mga tagumpay na hinahangad.
Mga Halimbawang Tanong at Talakayan
Magsimula tayo sa ilang halimbawa ng problema upang mas maunawaan ang konsepto ng binomial distribution.
Halimbawa 1: Pagpili mula sa Isang Grupo ng mga Mag-aaral
Halimbawa, ipagpalagay na mayroon tayong grupo ng 10 estudyante, at ang probabilidad na ang bawat estudyante ay mapili na lumahok sa isang kompetisyon ay 0,3. Gusto nating malaman ang probabilidad na eksaktong 4 na estudyante ang mapili.
Hakbang 1: Tukuyin ang mga parametro ng binomial distribution.
– \( n = 10 \)
– \( p = 0.3 \)
Hakbang 2: Gamitin ang binomial distribution upang kalkulahin ang probabilidad ng \( X = 4 \).
\[ P(X = 4) = {10 \piliin ang 4} (0.3)^4 (0.7)^6 \]
Kinakalkula ang \( {10 \choose 4} \):
\[ {10 \choose 4} = \frac{10!}{4!(10-4)!} = \frac{10!}{4!6!} = 210 \]
Ngayon, kalkulahin ang \( (0.3)^4 \) at \( (0.7)^6 \):
\[ (0.3)^4 = 0.0081 \]
\[ (0.7)^6 = 0.117649 \]
Kaya,
\[ P(X = 4) = 210 \cdot 0.0081 \cdot 0.117649 \approx 0.20012 \]
Kaya, ang probabilidad na eksaktong 4 na estudyante ang napili ay humigit-kumulang 0.20012 o 20.012%.
Halimbawa 2: Probabilidad na Mas Mababa sa o Katumbas ng 2
Ngayon, halimbawa, tinatanong tayo tungkol sa probabilidad na mas mababa sa o katumbas ng 2 estudyante ang mapipili.
Hakbang 1: Kailangan nating kalkulahin ang \( P(X = 0) \), \( P(X = 1) \), at \( P(X = 2) \).
– Para sa \( P(X = 0) \):
\[ P(X = 0) = {10 \choose 0} (0.3)^0 (0.7)^{10} \]
\[ {10 \choose 0} = 1 \]
\[ (0.7)^{10} = 0.0282475 \]
\[ P(X = 0) = 1 \cdot 1 \cdot 0.0282475 = 0.0282475 \]
– Para sa \( P(X = 1) \):
\[ P(X = 1) = {10 \piliin ang 1} (0.3)^1 (0.7)^9 \]
\[ {10 \choose 1} = 10 \]
\[ (0.3) \cdot (0.7)^9 = 0.1210608 \]
\[ P(X = 1) = 10 \cdot 0.3 \cdot 0.1210608 = 0.3631824 \]
– Para sa \( P(X = 2) \):
\[ P(X = 2) = {10 \piliin ang 2} (0.3)^2 (0.7)^8 \]
\[ {10 \choose 2} = 45 \]
\[ (0.3)^2 \cdot (0.7)^8 = 0.2334744 \]
\[ P(X = 2) = 45 \cdot 0.09 \cdot 0.2334744 = 0.2334744 \]
Hakbang 2: Pagsamahin ang mga probabilidad.
P(X \leq 2) = P(X = 0) + P(X = 1) + P(X = 2) \]
P(X \leq 2) = 0.0282475 + 0.3631824 + 0.3826372 = 0.7740671
Kaya, ang probabilidad na mas mababa sa o katumbas ng 2 estudyante ang mapili ay humigit-kumulang 0.7740671 o 77.41%.
Halimbawa 3: Probabilidad na hindi bababa sa 8
Kung ang isang eksperimento ay isinagawa nang 12 beses, at ang probabilidad ng tagumpay sa bawat pagsubok ay 0.5, ano ang probabilidad na mangyari ang hindi bababa sa 8 tagumpay?
Hakbang 1: Itakda ang mga binomial parameter: \( n = 12, p = 0.5 \).
Hakbang 2: Hanapin ang probabilidad para sa \(X \geq 8 \).
Nangangailangan ito ng pagkalkula ng ilang indibidwal na probabilidad at pagdaragdag ng mga ito:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) \]
Bilangin isa-isa:
– Para sa \( P(X = 8) \):
\[ P(X = 8) = {12 \piliin ang 8} (0.5)^8 (0.5)^4 \]
\[ {12 \choose 8} = 495 \]
\[ (0.5)^{12} = 0.0002441406 \]
\[ P(X = 8) = 495 \cdot 0.0002441406 = 0.1208496 \]
– Para sa \( P(X = 9) \):
\[ P(X = 9) = {12 \piliin ang 9} (0.5)^9 (0.5)^3 \]
\[ {12 \choose 9} = 220 \]
\[ P(X = 9) = 220 \cdot 0.0002441406 = 0.05371094 \]
– Para sa \( P(X = 10) \):
\[ P(X = 10) = {12 \choose 10} (0.5)^{10} (0.5)^2 \]
\[ {12 \choose 10} = 66 \]
\[ P(X = 10) = 66 \cdot 0.0002441406 = 0.01611328 \]
– Para sa \( P(X = 11) \):
\[ P(X = 11) = {12 \choose 11} (0.5)^{11} (0.5)^1 \]
\[ {12 \choose 11} = 12 \]
\[ P(X = 11) = 12 \cdot 0.0002441406 = 0.002929688 \]
– Para sa \( P(X = 12) \):
\[ P(X = 12) = {12 \choose 12} (0.5)^{12} \]
\[ {12 \choose 12} = 1 \]
\[ P(X = 12) = 1 \cdot 0.0002441406 = 0.0002441406 \]
Hakbang 3: Idagdag ang lahat ng mga probabilidad.
\[ P(X \geq 8) = 0.1208496 + 0.05371094 + 0.01611328 + 0.002929688 + 0.0002441406 \tinatayang 0.1938477 \]
Kaya, ang probabilidad na hindi bababa sa 8 tagumpay ang maganap sa 12 pagsubok ay humigit-kumulang 0.1938477 o 19.38%.
Konklusyon
Ang binomial distribution ay isang pangunahing konsepto sa estadistika na mahalaga sa maraming praktikal na aplikasyon. Sa pamamagitan ng pag-unawa kung paano kalkulahin ang mga probabilidad para sa iba't ibang kaso ng binomial distribution, tulad ng ipinapakita sa mga halimbawa sa itaas, maaari nating ilapat ang konseptong ito sa mga sitwasyon sa totoong mundo. Pinatitibay din ng pagsasanay na ito ang ating pag-unawa kung paano gumagana ang mga istruktura ng probabilidad sa isang malinaw at organisadong konteksto.
