討論二項分佈期望值的範例問題
二項分佈是一種離散分佈，常用於統計學中描述在多次獨立試驗中出現給定次數成功的機率。該分佈在經濟學、生物學和社會科學等諸多領域都非常有用。理解二項分佈的一個重要概念是期望值。本文將透過幾個例題及其討論來闡述二項分佈中的期望值概念。
二項分佈的定義
二項分佈描述了 n 次試驗中成功次數的分佈情況，每次試驗只有兩種可能的結果：成功或失敗。此分佈由兩個主要參數來表徵：
– \( n \): 試驗次數
– \( p \): 單次試驗成功的機率
此分佈通常表示為 B(n, p)。二項分佈的機率質量函數 (PMF) 為：
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
其中 \( \binom{n}{k} \) 為二項式係數，計算公式如下：
\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]
二項分佈的期望值
二項分佈的期望值是 n 次試驗中成功次數的平均值，其公式為：
\[ E(X) = n \times p \]
範例問題及討論
例題 1
問題：
假設一位研究人員進行了一項實驗，種植了 10 株幼苗，每株幼苗的存活率為 0.7。那麼，預期會有多少株幼苗能夠成活？
討論：
我們都知道：
– \( n = 10 \)
– \( p = 0.7 \)
期望值 \( E(X) \) 的計算公式為：
\[ E(X) = n \times p \]
\[ E(X) = 10 \times 0.7 \]
\[ E(X) = 7 \]
因此，預期發芽的種子數量為 7 粒。
例題 2
問題：
考試中，學生全部答對的機率為 0.8。如果考試共有 15 題，那麼期望答對的題數是多少？
討論：
我們都知道：
– \( n = 15 \)
– \( p = 0.8 \)
期望值 \( E(X) \) 的計算公式為：
\[ E(X) = n \times p \]
\[ E(X) = 15 \times 0.8 \]
\[ E(X) = 12 \]
因此，正確答案數量的期望值為 12 題。
例題 3
問題：
當一家印刷公司生產紙張時，每張紙有 0.02 個次品的機率。在一個工作天內，工廠生產 500 張紙。一天內，預期會產生多少張次品紙？
討論：
我們都知道：
– \( n = 500 \)
– \( p = 0.02 \)
期望值 \( E(X) \) 的計算公式為：
\[ E(X) = n \times p \]
\[ E(X) = 500 \times 0.02 \]
\[ E(X) = 10 \]
因此，一天內次品紙張數量的期望值為 10 張。
擴展對概念的理解
1. 變異數和標準差：
除了期望值之外，理解二項分佈的變異數和標準差也很重要。二項分佈的變異數公式如下：
\[ \text{Var}(X) = n \times p \times (1 – p) \]
標準差是變異數的平方根：
\[ \text{SD}(X) = \sqrt{n \times p \times (1 – p)} \]
2. 在統計學考試中的應用：
在學術測驗或測驗中，預期分數可以用來衡量學生或學生群體的預期平均分數，有助於分析教育課程和評估教學效果。
3. 流行病學案例研究：
例如，在疾病傳播研究中，患者復原的機率可以用二項分佈建模。了解期望值可以讓醫療專業人員根據預測的復健患者人數來規劃必要的醫療資源。
結論
二項分佈是統計學中的重要工具，它有助於描述一系列試驗中成功的機率。二項分佈中的期望值是一個關鍵概念，它描述了預期成功次數的平均值。透過前面討論的例子，我們可以看到期望值的計算方法以及它在各種情境中的應用。對這一概念的深入理解能夠幫助研究人員和實踐者基於機率數據制定更完善的計劃並做出更明智的決策。
二項分佈不僅在機率論和統計學中非常重要，而且在各種實際應用中也具有很高的相關性。因此，學習這種分佈以及期望值的概念可以為資料分析和決策提供堅實的基礎。
