Биномиальное распределение

Обзор

Биномиальное распределение моделирует общее количество успехов в повторных испытаниях от бесконечной генеральной совокупности при следующих условиях:

  • Только два результата возможны на каждом из  испытаний n.

  • Вероятность успеха для каждого испытания является постоянной.

  • Все испытания независимы друг от друга.

Параметры

Биномиальное распределение использует следующие параметры.

ПараметрОписаниеПоддержка
NКоличество испытанийположительное целое число
pВероятность успеха0p1

Функция плотности вероятности

Функция плотности вероятности (PDF)

f(x|N,p)=(Nx)px(1p)Nx;x=0,1,2,...,N,

где x является количеством успехов в испытаниях n Бернуллиевого процесса с вероятностью успеха p.

Среднее значение и отклонение

Среднее значение

среднее значение=np.

Отклонение

var=np(1p).

Отношение к другим дистрибутивам

Биномиальное распределение является обобщением Бернуллиевого распределения, допуская много испытаний n, больше, чем 1. Биномиальное распределение делает вывод к распределению многочлена, когда существует больше чем два возможных исхода для каждого испытания.

Пример

Предположим, что вы собираете данные от производственного процесса виджета, и вы записываете количество виджетов в спецификации в каждом пакете 100. Вы можете интересоваться вероятностью, что отдельный виджет в спецификации. Оценка параметра является процессом определения параметра, p, биномиального распределения, которое соответствует этим данным лучше всего в некотором смысле.

Один популярный критерий совершенства должен максимизировать функцию правдоподобия. Вероятность имеет ту же форму как биномиальный PDF выше. Но для PDF, параметры (n и p) являются известными константами, и переменная является x. Функция правдоподобия инвертирует роли переменных. Здесь, демонстрационные значения (x's) уже наблюдаются. Таким образом, они - фиксированные постоянные. Переменные являются неизвестными параметрами. MLE включает вычисление значения p, которые дают самую высокую вероятность, учитывая определенный набор данных.

Функциональный binofit возвращает MLEs и доверительные интервалы для параметров биномиального распределения. Вот пример с помощью случайных чисел от биномиального распределения с n = 100 и p = 0.9.

rng default;  % for reproducibility
r = binornd(100,0.9)
r = 85
[phat, pci] = binofit(r,100)
phat = 0.8500
pci = 1×2

    0.7647    0.9135

MLE для параметра p 0.8800, по сравнению с истинным значением 0,9. 95%-й доверительный интервал для p идет от 0,7998 до 0,9364, который включает истинное значение. В этом искусственном примере вы знаете “истинное значение” p. В экспериментировании вы не делаете.

Следующие команды генерируют график биномиального PDF для n = 10 и p = 1/2.

x = 0:10;
y = binopdf(x,10,0.5);
plot(x,y,'+')

Смотрите также

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте