Binomic 概率计算器
找到在n独立审判中成功k的概率。
输入结果时更新 。
关于此计算器
硬概率计算器使用二线概率计算器,用二线概率分布法来模拟在固定数目的独立审判中的成功率,每个独立审判的概率相同——经典的“十硬硬币翻10个硬翻中有多少头多少头”问题。它返回了准确的k成功率,P(X=k)=C(n,k)k)=k(1--p)k(1--p)k)k(1-p)n-k)的概率,以及最多k和至少k成功的累积概率。C(n)和k)的累积概率分布,用来模拟在固定数目的独立审判中的成功率的模型,每个都以同样概率来模拟成功率的成数。C(n)=10个平方的10个翻折率。C(p=50 %)精确的K=3个头的概率是(10,3x0.53x)x0.53x0.5x0.57美元,预期的(n)=120(1--1)xx0.5个标准的C(0.5,xx0.5,10的
经常问到的问题
什么时候可以用二元分布法?
当有固定数量的独立审判,每次审判只有两项结果(成功或失败)时使用它,每次成功概率相同——例如把硬币翻10倍或分批计算有缺陷的项目。
P(X) = k) 和 P(X) = k 之间有什么区别?
P(X) = k) 是成功的机会, 而P(X) = k(k) 将成功的机会加起来为 0, 1,.., 直至 k(c) 成功。 累积版本回答的问题有“ 最多成功3个的概率是多少? ”
"不选择k"是什么?
C(n, k), 改为 “ n choose k ” 是选择哪种 k 的各种方式数。 对于 10 个 和 3 个 成功 来说, 共有 C( 10, 3 ) = 120 个 组合, 每种组合都促成了总概率。
二元分布的平均值和标准偏差是什么?
平均值(预期成功次数)为n-p, 差异为 n-p-(1 - p), 因此标准差为 ( n-p-) 。 对于10个公平的硬币翻转, 平均值为 5, 标准差约为 1. 58。
什么时候我能用正常的分布来接近二元论?
当 n 较大, 且 n- p 和 n- (1 - p) 至少 10 左右时, 则二元制的分布大致为正常分布, 其平均值和标准差相同。 这是许多大比例测试的基础 。
我如何找到至少成功k的概率?
P(X ≥ k) sums the probabilities of k, k+1, … up to n successes. It equals 1 − P(X ≤ k − 1), and this binomial probability calculator reports it directly alongside the "at most" value.
API - 使用代码中的计算器
将此计算器称为自由 JSON 端点 。 不需要按键 。 将字段值发送到下面作为查询参数或 JSON 。 读取 API 全部文件 →
终点
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);成果仅是一般指导的估计数,而不是财务、医疗或税务咨询。