二項分佈：理論、應用與實例
介紹
二項分佈是統計學和機率論中的一個基本概念。作為最常用的離散分佈之一，二項分佈在醫學、經濟學、生物學和社會科學等領域有著廣泛的應用。本文將深入探討二項分佈，包括其定義、關鍵性質、相關公式以及幾個實際應用實例。
理解二項分佈
二項分佈描述了 n 次伯努利試驗的結果，其中每次試驗只有兩種可能的結果：「成功」或「失敗」。例如，拋硬幣的可能結果是“正面”或“正面”。
二項分佈的兩個主要參數是：
1. n（試驗次數）
2. p（每次試驗成功的機率）
更正式地說，n 次試驗的成功次數可以用二項分佈 \( B(n, p) \) 來描述。
機率質量函數（PMF）
二項分佈的機率質量函數可以表示為：
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
在哪裡：
– \( \binom{n}{k} \) 是 n 個選定 k 的組合，
– \( p \) 是單次試驗成功的機率，
– \( k \) 表示成功次數，
– \( n \) 是試驗的總次數。
二項分佈的主要性質
二項分佈具有以下幾個關鍵特性：
1. 平均值（平均值）：透過將試驗次數乘以每次試驗成功的機率得到。平均值為 \( \mu = np \)。
2. 變異數：二項分佈的變異數是試驗次數、成功機率和失敗機率的乘積，即 \( \sigma^2 = np(1 – p) \)。
3. 對稱性與偏度：當 \( p = 0.5 \) 時，二項分佈是對稱的。當 \( p < 0.5 \) 時，分佈右偏；當 \( p > 0.5 \) 時，分佈左偏。
4. 值範圍：二項式值（k）的範圍從 0 到 n。
二項分佈與中心極限定理
二項分佈在中心極限定理中扮演重要角色。當試驗次數 (n) 變得非常大時，二項分佈將趨近於平均值為 \( \mu = np \)，標準差為 \( \sigma = \sqrt{np(1 – p)} \) 的常態分佈。
二項分佈案例分析
透過各領域的實際例子，可以更容易理解二項分佈的相關討論。以下是一些實際應用：
範例 1：產品測試
假設一家電子公司有一條生產線，其中次品的機率為 0.01。如果該公司檢查 100 件產品，那麼恰好發現 2 件次品的機率是多少？
使用二項分佈公式：
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
透過計算組合 \(\binom{100}{2}\)，然後乘以剩餘的機率，我們得到最終結果。
例2：醫學研究
在某疾病藥物的臨床試驗中，患者被該藥物治癒的機率為 0.8。如果測試 10 名患者，至少 8 名患者被治癒的機率是多少？
要計算這個機率，我們需要將 8 名、9 名和 10 名患者康復的機率相加：
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
對 k 的每個值（8、9 和 10）使用二項式公式，然後將結果相加。
例3：經濟學中的決策
市場調查顯示，60%的消費者喜歡一款新產品。如果隨機抽取20位消費者作為樣本，那麼至少有15位消費者喜歡該產品的機率是多少？
我們需要用二項分佈來計算點讚數在 15 到 20 之間的機率：
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
使用相同的方法，我們計算並加總這些機率。
在二項分佈計算中使用技術
在數位時代，二項分佈計算的應用不僅可以手動完成，還可以使用 R、Python 或某些統計計算器等軟體完成。
以下是使用 Python 計算二項分佈的範例：
“`蟒蛇
from scipy.stats import binom
n = 10，試驗次數
p = 0.8 成功機率
k = 8 預期成功次數
恰好出現 8 次成功的機率
prob_8 = binom.pmf(k, n, p)
至少成功8次的機率
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f」恰好出現 8 次成功的機率：{prob_8}”)
print(f”至少成功 8 次的機率：{prob_ge_8}”)
“
結論
二項分佈是統計學和機率論中一個至關重要的基本概念。透過理解二項分佈，我們可以將各種機率模型應用於涉及重複實驗且結果只有兩種的現實情境中。借助技術工具，計算過程更加有效率和精確。二項分佈不僅具有重要的理論意義，而且在科學和工業的各個領域都有著許多相關的實際應用。
希望本文能加深對二項分佈的理解，並激發人們對統計學和機率論領域的進一步探索。
