Калькулятор биномиального распределения

Рассчитайте точные и накопленные биномиальные вероятности, среднее и дисперсию.

Биномиальная вероятность
Введите число испытаний, вероятность успеха в каждом и целевое число успехов.

О биномиальном распределении

Биномиальное распределение моделирует число успехов в фиксированном количестве независимых испытаний. В каждом испытании должны быть два значимых исхода, обычно называемых успехом и неудачей, а вероятность успеха должна оставаться неизменной. Параметры — n, число испытаний, и p, вероятность успеха в одном испытании. Случайная величина считает успехи, поэтому может принимать целые значения от нуля до n. Вероятность ровно k успехов равна биномиальному коэффициенту «из n по k», умноженному на p в степени k и на единицу минус p в степени n минус k. Коэффициент учитывает разные порядки, в которых могут произойти k успехов. Калькулятор находит эту вероятность и два накопленных результата. «Не более k» суммирует вероятности от нуля до k. «Не менее k» суммирует от k до n; здесь расчет выполняется через дополнение события «менее k успехов». Такие накопленные вероятности полезны для пороговых вопросов, на которые одной точной вероятности недостаточно. Среднее равно n, умноженному на p, и описывает среднее число успехов в долгосрочной перспективе при многократном повторении всего эксперимента. Дисперсия равна n, умноженному на p и на единицу минус p; стандартное отклонение — квадратный корень из дисперсии. Среднее не обязано быть возможным целочисленным исходом: оно описывает центр распределения, а не гарантированное число. Разброс максимален при p около половины и уменьшается при приближении p к нулю или единице. Типичные применения — броски монеты, число производственных дефектов, ответы на опросы, конверсии, испытания с результатом «пройдено/не пройдено» и исходы лечения. Перед использованием тщательно проверьте допущения: испытания независимы, их число задано заранее, вероятность успеха одинакова. Выборка без возвращения из небольшой совокупности может нарушать независимость и часто лучше описывается гипергеометрическим распределением. Для событий с меняющимися вероятностями также нужна другая модель. Вводите p десятичной дробью от нуля до единицы, например 0.25 для 25%. Точную вероятность используйте для одного числа успехов, «не более» — для верхней границы, «не менее» — для достижения или превышения цели.

Примеры биномиального распределения

В примерах используются независимые испытания с постоянной вероятностью успеха.

Параметры (n, p, k)Выбранные результатыСценарий
10, 0.5, 5P(X = 5) = 0.24609375Ровно пять орлов при десяти бросках симметричной монеты.
20, 0.1, 2P(X = 2) = 0.28517981Ровно два отмеченных элемента, если вероятность отметки каждого равна 10%.
5, 0.8, 4P(X = 4) = 0.4096Ровно четыре успеха в пяти испытаниях с высокой вероятностью успеха.

Как рассчитать биномиальную вероятность

  1. Введите фиксированное число независимых испытаний.
  2. Введите вероятность успеха в каждом испытании десятичной дробью от нуля до единицы.
  3. Введите целевое целое число успехов от нуля до числа испытаний.
  4. Нажмите «Рассчитать биномиальную вероятность» и сравните точные и накопленные результаты.

Часто задаваемые вопросы

Когда подходит биномиальная модель?

Для фиксированного числа независимых испытаний с двумя исходами и постоянной вероятностью успеха. Если эти условия не выполняются, другая вероятностная модель может быть точнее.

Чем точная вероятность отличается от накопленной?

Точная вероятность относится к одному конкретному числу успехов. Накопленная объединяет диапазон значений, например все исходы не выше заданного порога.

Нужно ли вводить вероятность в процентах?

Введите десятичную дробь от нуля до единицы. Например, для вероятности успеха 35% введите 0.35.

Может ли среднее быть дробным?

Да. Это ожидаемое долгосрочное среднее, которое не обязано быть достижимым отдельным исходом. Фактическое число успехов всегда целое.

Что делать, если испытания зависимы?

Зависимость меняет распределение, поскольку один исход может влиять на другой. Для выборки без возвращения может потребоваться гипергеометрическая модель.