ଦୁଇ- ଭାଗ ସମ୍ଭାବ୍ୟତା ଗଣନାକାରୀName
n ସ୍ୱତନ୍ତ୍ର ପ୍ରୟାସରେ k ସଫଳତାର ସମ୍ଭାବନାକୁ ଖୋଜନ୍ତୁ ।
ଆପଣ ଟାଇପ କରିବା ସମୟରେ ଫଳାଫଳ ଅଦ୍ୟତନ କରନ୍ତୁ ।
ଏହି ଗଣନାକାରୀ ବିଷୟରେ
the probability of at least k successes is 100%, the probability of at least k successes is 100%, and the probability of at least k successes is 100%. The binomial distribution calculator uses the binomial distribution to model the number of successes inafixed number of independent trials, each with the same success probability — the classic "how many heads in ten coin flips" problem. It returns the probability of exactly k successes, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ), along with the cumulative probabilities of at most k and at least k successes. The probability of at least k successes is 100%. The probability of at least k successes is 100%.The term C(n, k) is the number of ways to choose which k of the n trials succeed, pᵏ is the chance those k succeed and (1 − p)ⁿ⁻ᵏ the chance the rest fail. The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability of success.The term C(n, k) is the probability
ସାଧାରଣ ପ୍ରଶ୍ନ
ମୁଁ କ'ଣ ଦୁଇ- ଭାଗ ବିତରଣକୁ ବ୍ୟବହାର କରିପାରିବି?
ଏହାକୁ ବ୍ୟବହାର କରନ୍ତୁ ଯେତେବେଳେ ସ୍ୱତନ୍ତ୍ର ପ୍ରୟାସଗୁଡ଼ିକର ଗୋଟିଏ ନିର୍ଦ୍ଧାରିତ ସଂଖ୍ୟା ଅଛି, ପ୍ରତ୍ୟେକ ପ୍ରୟାସରେ କେବଳ ଦୁଇଟି ପରିଣାମ ଅଛି (ସଫଳତା କିମ୍ବା ବିଫଳତା), ଏବଂ ସଫଳତାର ସମ୍ଭାବନା ସବୁବେଳେ ସମାନ ହୋଇଥାଏ - ଯେପରିକି ଗୋଟିଏ ମୁଦ୍ରାକୁ 10 ଥର ଫ୍ଲିକ କରିବା କିମ୍ବା ଗୋଟିଏ ବ୍ୟାଚରେ ତ୍ରୁଟିପୂର୍ଣ୍ଣ ବସ୍ତୁଗୁଡ଼ିକୁ ଗଣନା କରିବା।
P(X = k) ଏବଂ P(X ≤ k) ମଧ୍ୟରେ କଣ ଭିନ୍ନତା ଅଛି?
P(X = k) ଠିକ୍ ଭାବରେ k ସଫଳତାର ସମ୍ଭାବନା, ଯେତେବେଳେ P(X ≤ k)0, 1,... ର ସମ୍ଭାବନାକୁ k ସଫଳତା ପର୍ଯ୍ୟନ୍ତ ଯୋଗ କରିଥାଏ। ସଂଗ୍ରହୀୟ ସଂସ୍କରଣ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇଥାଏ ଯେପରିକି "3 ସଫଳତାର ସମ୍ଭାବନା କେତେ?"
"n ବାଛିବା k" କଣ?
C(n, k), ପଢନ୍ତୁ "n k ବାଛନ୍ତୁ", n ପ୍ରୟାସଗୁଡିକରୁ କେଉଁ k ସଫଳତା ଅଟେ ତାହା ବାଛିବା ପାଇଁ ଭିନ୍ନ ଭିନ୍ନ ଉପାୟଗୁଡ଼ିକର ସଂଖ୍ୟା। 10 ପ୍ରୟାସ ଏବଂ3ସଫଳତା ପାଇଁ C(10,3) = 120 ଏପରି ସଂଯୋଗ ଅଛି, ଏବଂ ପ୍ରତ୍ୟେକଟି ମୋଟ ସମ୍ଭାବ୍ୟତାରେ ଯୋଗଦାନ କରେ।
ଗୋଟିଏ ଦ୍ୱିମାସିକ ବଣ୍ଟନର ମଧ୍ଯମ ଏବଂ ମାନକ ବିଚ୍ୟୁତି କଣ?
ମଧ୍ଯମ (ସଫଳତାର ଆଶା କରାଯାଇଥିବା ସଂଖ୍ଯା) n·p ଏବଂ ପରିବର୍ତ୍ତନ n·p·(1 − p) ଅଟେ, ତେଣୁ ମାନକ ବିଚ୍ୟୁତି √(n·p·(1 − p)) ଅଟେ। 10ଟି ସଠିକ ମୁଦ୍ରା ଫ୍ଲପ୍ ପାଇଁ ମଧ୍ଯମ5ଅଟେ ଏବଂ ମାନକ ବିଚ୍ୟୁତି ପାଖାପାଖି 1.58।
ମୁଁ କେବେ ଏକ ସାଧାରଣ ବଣ୍ଟନ ସହିତ ଦ୍ୱିବିଧକୁ ପାଖାପାଖି କରିପାରିବି?
ଯେତେବେଳେ n ବଡ଼ ହୋଇଥାଏ ଏବଂ n·p ଏବଂ n·(1 − p) ଉଭୟ ଅତିକମରେ ୧୦ ପାଖାପାଖି ହୋଇଥାଏ, ସେତେବେଳେ ଦୁଇଟି ବିଭାଜନକୁ ସମାନ ମଧ୍ଯମ ଏବଂ ମାନକ ବିଚ୍ୟୁତି ସହିତ ଏକ ସାଧାରଣ ବଣ୍ଟନ ଦ୍ୱାରା ଭଲ ଭାବରେ ଅନୁମାନ କରାଯାଇଥାଏ । ଏହା ଅନେକ ବଡ଼ ନମୁନା ଅନୁପାତ ପରୀକ୍ଷାର ଆଧାର ।
ମୁଁ କିପରି ଅତିକମରେ k ସଫଳତାର ସମ୍ଭାବନାକୁ ଖୋଜି ପାଇବି?
P(X ≥ k) k, k+1,... ର ସମ୍ଭାବ୍ୟତାଗୁଡ଼ିକୁ n ସଫଳତା ପର୍ଯ୍ୟନ୍ତ ଯୋଗ କରିଥାଏ। ଏହା 1 − P(X ≤ k − 1) ସହିତ ସମାନ, ଏବଂ ଏହି ଦ୍ୱିମାସିକ ସମ୍ଭାବ୍ୟତା ଗଣନାକାରୀ ଏହାକୁ ସିଧାସଳଖ "ସମସ୍ତରୁ ଅଧିକ" ମୂଲ୍ୟ ସହିତ ରିପୋର୍ଟ କରେ।
API — ଏହି ଗଣନାକାରୀକୁ ସଂକେତରୁ ବ୍ୟବହାର କରନ୍ତୁ
ଏହି ଗଣନାକାରୀକୁ ଗୋଟିଏ ମୁକ୍ତ JSON ଶେଷ ବିନ୍ଦୁ ଭାବରେ ଡକାନ୍ତୁ - କୌଣସି କି ଆବଶ୍ୟକ ନାହିଁ। ତଳର କ୍ଷେତ୍ର ମୂଲ୍ୟଗୁଡ଼ିକୁ ପ୍ରଶ୍ନ ପରିମାପକ କିମ୍ବା JSON ଭାବରେ ପଠାନ୍ତୁ। ସମ୍ପୂର୍ଣ୍ଣ API ଦଲିଲ ପଢନ୍ତୁ →
ସମାପ୍ତ ବିନ୍ଦୁ
GET https://calculator.free/api/v1/binomial-probability/curl
curl "https://calculator.free/api/v1/binomial-probability/?n=10&k=3&p=50"JavaScript fetch()
const r = await fetch(
"https://calculator.free/api/v1/binomial-probability/?" + new URLSearchParams({
"n": "10",
"k": "3",
"p": "50"
}));
const data = await r.json();
console.log(data.results);ଏହି ରିପୋର୍ଟରେ ପ୍ରଦାନ କରାଯାଇଥିବା ଫଳାଫଳ କେବଳ ସାଧାରଣ ସୂଚନା ପାଇଁ, ଅର୍ଥନୈତିକ, ଚିକିତ୍ସା କିମ୍ବା ଟିକସ ପରାମର୍ଶ ପାଇଁ ନୁହେଁ ।