Binom Olasılıkları Nasıl Hesaplanır
Binom dağılımı olasılık teorisinin en temel sorularından birini yanıtlar: aynı deneyi n kez tekrarlarsanız, tam olarak k başarı elde etme şansınız nedir? Formül ilk bakışta karmaşık görünür ama parçalarına ayırınca gayet anlaşılır hale gelir.
Önce binom katsayısı C(n, k) = n! / (k! × (n−k)!) ile başlayın. Bu katsayı, k başarının n deneme arasına kaç farklı şekilde yerleştirilebileceğini sayar — sıra önemli değildir, yalnızca toplam sayı önemlidir. Örneğin, 10 yazı-tura atışında 7 tura için C(10, 7) = 120 farklı sıralama mevcuttur.
Ardından, belirli bir sıralamanın gerçekleşme olasılığıyla çarpın: pk × (1−p)n−k. Her başarı p faktörü, her başarısızlık (1−p) faktörü katar. Bağımsızlık varsayımı sayesinde bunların hepsini birbiriyle çarpabilirsiniz.
Tam PMF formülü: P(X = k) = C(n, k) × pk × (1−p)n−k. Yazı-tura örneğimizde n=10, k=7, p=0.5 için: C(10,7) × 0.57 × 0.53 = 120 × 0.0078125 × 0.125 = 0.1172, yani yaklaşık %11.7 olasılık.
Kümülatif Olasılığı Anlamak
Pratikte nadiren tek bir sayının olasılığı sorulur. Çoğu zaman asıl merak edilen şudur: 7 veya daha az başarı elde etme şansı nedir? İşte bu, kümülatif dağılım fonksiyonudur — P(X=0) + P(X=1) + ... + P(X=k) toplamı. Bu hesaplayıcı, sıfırdan k'ya kadar tüm PMF değerlerini toplayarak sonucu üretir.
Tümleyen de bir o kadar işe yarar. P(X > k) = 1 − P(X ≤ k), k başarıyı aşma olasılığını verir. Kalite kontrol mühendisleri bunu sürekli kullanır: 200 bileşenlik bir partide %2 hata oranıyla 8'den fazla arıza çıkma olasılığı nedir? Bu yanıt, tüm partinin kabul veya red kararını belirler.
Binom Dağılımı Ne Zaman Kullanılır
Binom modelinin uygulanabilmesi için dört koşul sağlanmalıdır. Birincisi, deneme sayısı n deney başlamadan önce belirlenmiş olmalıdır. İkincisi, her deneme tam olarak iki sonuç üretmelidir — geleneksel olarak başarı ve başarısızlık denir. Üçüncüsü, başarı olasılığı p tüm denemelerde sabit kalmalıdır. Dördüncüsü, denemeler bağımsız olmalıdır; yani birinin sonucu diğerini etkilememelidir.
Yazı-tura ve zar atışları bariz örnekler, ama binom dağılımı ders kitaplarının gösterdiğinden çok daha geniş bir kullanım alanına sahiptir. Klinik çalışmalar, n hastadan kaçının tedaviye yanıt verdiğini takip eder. Web sitelerindeki A/B testleri, n ziyaretçiden kaçının butona tıkladığını ölçer. Üretim hatları parti başına hatalı ürün sayısını sayar. Anket araştırmacıları, n katılımcıdan kaçının "evet" dediğini toplar.
Model, denemelerin bağımsız olmadığı durumlarda (kartları geri koymadan çekme), olasılığın denemeler arasında değiştiği durumlarda (seri yakalayan bir basketbolcu) veya ikiden fazla sonuç olduğunda çalışmaz. İlk durumda hipergeometrik dağılım doğru seçimdir. Değişen olasılıklar için simülasyon veya daha esnek bir model gerekebilir.
Referans: Yaygın Binom Olasılıkları
| Senaryo | n | k | p | P(X = k) | P(X ≤ k) |
|---|---|---|---|---|---|
| Adil madeni para, 10 atış, 5 tura | 10 | 5 | 0.50 | 0.2461 | 0.6230 |
| Adil madeni para, 10 atış, 7 tura | 10 | 7 | 0.50 | 0.1172 | 0.9453 |
| Zar atışı, 12 atış, 2 altı | 12 | 2 | 0.167 | 0.2960 | 0.6887 |
| %5 hata oranı, 50 ürün, 0 hatalı | 50 | 0 | 0.05 | 0.0769 | 0.0769 |
| %80 geçme oranı, 20 öğrenci, 18 geçer | 20 | 18 | 0.80 | 0.1369 | 0.9308 |
Sıkça Sorulan Sorular
Binom dağılımı nedir?
Sabit sayıda bağımsız denemede kaç başarı elde edileceğini modelleyen bir olasılık dağılımıdır. Yazı-tura en bilinen örnek — adil bir parayı 10 kez atın, binom dağılımı herhangi bir tura sayısının olasılığını söyler.
Dört koşul gerekir: sabit deneme sayısı, deneme başına iki olası sonuç, denemelerde sabit olasılık ve denemeler arası bağımsızlık. Bunlardan herhangi biri bozulursa farklı bir dağılıma geçmeniz gerekir.
PMF ve CDF arasındaki fark nedir?
PMF, P(X = k) verir — tam olarak k başarının olasılığı. CDF ise P(X ≤ k) verir — k veya daha az başarının olasılığı. Biri tek bir noktadır, diğeri o noktaya kadar olan toplam.
Pratik soruların çoğu CDF veya tümleyenini gerektirir. "En fazla 3 hatalı parça" P(X ≤ 3)'tür. "3'ten fazla hatalı parça" ise 1 − P(X ≤ 3)'tür. "Tam olarak 3 hatalı parça" gibi kesin sayı soruları daha nadir görülür ama PMF bunları doğrudan hesaplar.
Binom dağılımını ne zaman kullanmalıyım?
Sabit sayıda evet/hayır denemeniz, sabit olasılığınız ve bağımsızlığınız olduğunda. Üretim kalite kontrolleri, klinik ilaç çalışmaları, anket evet/hayır soruları, A/B dönüşüm testleri ve serbest atış yüzdeleri doğal olarak bu modele uyar.
Geri koymadan çekiyorsanız (desteden kart çekimi gibi) hipergeometrik dağılıma geçin. Sabit deneme sayısı yerine bir zaman dilimindeki olayları sayıyorsanız Poisson dağılımı daha doğru bir tercih olur.
n çok büyük olursa ne olur?
Binom bir çan eğrisine benzemeye başlar. np ve n(1−p) yaklaşık 10'u aştığında, binom olasılıklarını μ = np ortalamalı ve σ = √(np(1−p)) standart sapmalı normal dağılımla yaklaşık olarak hesaplayabilirsiniz. Bu yaklaşım bilgisayarlar öncesinde çok kritikti çünkü büyük n değerleri için elle tam binom hesabı yapmak gerçekten eziyetli bir işti.
Modern hesaplayıcılarla — bu araç dahil — artık yaklaşıma gerek yok. Bu hesaplayıcı, naif faktöriyel uygulamalarını çökerten taşma sorunlarından kaçınan logaritmik aritmetik kullanarak n'yi 1.000'e kadar destekler.
P(X > k) nasıl hesaplanır?
Tümleyeni alın: P(X > k) = 1 − P(X ≤ k). Bu hesaplayıcı, üst kuyruk olasılığını PMF ve CDF sonuçlarının hemen altında gösterir — ekstra adıma gerek kalmaz.
P(a ≤ X ≤ b) gibi bir aralık için P(X ≤ b) − P(X ≤ a−1) hesaplayın. Hesaplayıcıyı farklı k değerleriyle iki kez çalıştırıp çıkarma yapmanız yeterli.