દ્વિપદી વિતરણ

દ્વિપદી વિતરણ: સિદ્ધાંત, ઉપયોગો અને ઉદાહરણો

પેન્ડાહુલુઆન

દ્વિપદી વિતરણ એ આંકડાશાસ્ત્ર અને સંભાવના સિદ્ધાંતમાં એક મૂળભૂત ખ્યાલ છે. સૌથી વધુ ઉપયોગમાં લેવાતા અલગ વિતરણોમાંના એક તરીકે, દ્વિપદી વિતરણ દવા, અર્થશાસ્ત્ર, જીવવિજ્ઞાન અને સામાજિક વિજ્ઞાન જેવા ક્ષેત્રોમાં અસંખ્ય એપ્લિકેશનો પ્રદાન કરે છે. આ લેખ દ્વિપદી વિતરણની ઊંડાણપૂર્વક ચર્ચા કરશે, જેમાં તેની વ્યાખ્યા, મુખ્ય ગુણધર્મો, સંબંધિત સૂત્રો અને કેટલાક વ્યવહારુ એપ્લિકેશન ઉદાહરણોનો સમાવેશ થાય છે.

દ્વિપદી વિતરણને સમજવું

દ્વિપદી વિતરણ n બર્નૌલી ટ્રાયલના પરિણામનું વર્ણન કરે છે, જ્યાં દરેક ટ્રાયલના ફક્ત બે જ સંભવિત પરિણામો હોય છે: "સફળતા" અથવા "નિષ્ફળતા." ઉદાહરણ તરીકે, સિક્કાના ઉછાળામાં, સંભવિત પરિણામો "હેડ્સ" અથવા "હેડ્સ" હોય છે.

દ્વિપદી વિતરણમાં બે મુખ્ય પરિમાણો છે:
૧. n (ટ્રાયલની સંખ્યા)
2. p (દરેક અજમાયશમાં સફળતાની સંભાવના)

વધુ ઔપચારિક રીતે, n ટ્રાયલ્સમાં સફળતાઓની સંખ્યા દ્વિપદી વિતરણ \( B(n, p) \) દ્વારા વર્ણવી શકાય છે.

સંભાવના માસ ફંક્શન (PMF)

દ્વિપદી વિતરણનું સંભાવના સમૂહ કાર્ય આ રીતે ઘડવામાં આવે છે:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
ક્યાં:
– \( \binom{n}{k} \) એ n પસંદ કરેલ k નું સંયોજન છે,
– \( p \) એ એક જ અજમાયશમાં સફળતાની સંભાવના છે,
– \( k \) એ સફળતાઓની સંખ્યા છે,
– \( n \) એ કુલ પરીક્ષણોની સંખ્યા છે.

દ્વિપદી વિતરણના મુખ્ય ગુણધર્મો

દ્વિપદી વિતરણમાં ઘણા મુખ્ય ગુણધર્મો છે:
૧. સરેરાશ (સરેરાશ): દરેક અજમાયશમાં સફળતાની સંભાવના દ્વારા અજમાયશની સંખ્યાનો ગુણાકાર કરવાથી મેળવવામાં આવે છે. સરેરાશ \( \mu = np \) છે.
2. ભિન્નતા: દ્વિપદી વિતરણનો ભિન્નતા એ ટ્રાયલ્સની સંખ્યા, સફળતાની સંભાવના અને નિષ્ફળતાની સંભાવનાનો ગુણાકાર છે, એટલે કે, \( \sigma^2 = np(1 – p) \).
૩. સમપ્રમાણતા અને વિકૃતિ: જ્યારે \( p = 0.5 \), દ્વિપદી વિતરણ સપ્રમાણ હોય છે. \( p < 0.5 \) માટે, વિતરણ જમણી તરફ વળેલું હોય છે, અને \( p > 0.5 \) માટે, વિતરણ ડાબી તરફ વળેલું હોય છે.
4. મૂલ્ય મર્યાદા: દ્વિપદી મૂલ્ય (k) 0 થી n સુધીની હોય છે.

દ્વિપદી વિતરણ અને કેન્દ્રીય મર્યાદા પ્રમેય

દ્વિપદી વિતરણ કેન્દ્રીય મર્યાદા પ્રમેયમાં મહત્વપૂર્ણ ભૂમિકા ભજવે છે. જ્યારે પરીક્ષણોની સંખ્યા (n) ખૂબ મોટી થઈ જાય છે, ત્યારે દ્વિપદી વિતરણ સરેરાશ \( \mu = np \) અને પ્રમાણભૂત વિચલન \( \sigma = \sqrt{np(1 – p)} \) સાથે સામાન્ય વિતરણનો સંપર્ક કરશે.

દ્વિપદી વિતરણનો ઉપયોગ કરીને કેસ ઉદાહરણ

વિવિધ ક્ષેત્રોના વ્યવહારુ ઉદાહરણો દ્વારા દ્વિપદી વિતરણ વિશેની ચર્ચાઓ સમજવામાં સરળ બનશે. અહીં કેટલાક વાસ્તવિક-વિશ્વના ઉપયોગો છે:

ઉદાહરણ ૧: ઉત્પાદન પરીક્ષણ

ધારો કે કોઈ ઇલેક્ટ્રોનિક્સ કંપની પાસે એક ઉત્પાદન લાઇન છે જ્યાં ખામીયુક્ત ઉત્પાદનની સંભાવના 0.01 છે. જો કંપની 100 ઉત્પાદનોનું નિરીક્ષણ કરે છે, તો બરાબર 2 ખામીયુક્ત ઉત્પાદનો શોધવાની સંભાવના કેટલી છે?

દ્વિપદી વિતરણ સૂત્રનો ઉપયોગ કરીને:
\[ પી(એક્સ = 2) = \બિનોમ{100}{2} (0.01)^2 (0.99)^{98} \]

સંયોજનો \(\binom{100}{2}\) ની ગણતરી કરીને, અને પછી બાકીની સંભાવનાઓ દ્વારા ગુણાકાર કરીને, આપણને અંતિમ પરિણામ મળે છે.

ઉદાહરણ ૨: તબીબી સંશોધન

કોઈ ચોક્કસ રોગ માટે દવાના ક્લિનિકલ ટ્રાયલમાં, દર્દી દવાથી સાજા થવાની સંભાવના 0.8 છે. જો 10 દર્દીઓનું પરીક્ષણ કરવામાં આવે, તો ઓછામાં ઓછા 8 દર્દીઓ સાજા થવાની સંભાવના કેટલી છે?

આ સંભાવના શોધવા માટે, આપણે 8, 9 અને 10 દર્દીઓના સ્વસ્થ થવાની સંભાવનાઓનો સરવાળો કરવો પડશે:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]

k (8, 9, અને 10) ના દરેક મૂલ્ય માટે દ્વિપદી સૂત્રનો ઉપયોગ કરીને, પછી પરિણામોનો સરવાળો કરીને.

ઉદાહરણ ૩: અર્થશાસ્ત્રમાં નિર્ણયો

બજાર સર્વેક્ષણમાં, 60% ગ્રાહકોને નવી પ્રોડક્ટ ગમી. જો 20 ગ્રાહકોનો રેન્ડમ સેમ્પલ લેવામાં આવે, તો તેમાંથી ઓછામાં ઓછા 15 ગ્રાહકોને તે પ્રોડક્ટ ગમવાની સંભાવના કેટલી છે?

૧૫ થી ૨૦ સુધીની લાઈક્સની સંભાવનાની ગણતરી કરવા માટે આપણને દ્વિપદી વિતરણની જરૂર છે:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]

આ જ પદ્ધતિનો ઉપયોગ કરીને, આપણે આ સંભાવનાઓની ગણતરી અને સરવાળો કરીએ છીએ.

દ્વિપદી વિતરણ ગણતરીઓમાં ટેકનોલોજીનો ઉપયોગ

ડિજિટલ યુગમાં, દ્વિપદી વિતરણ ગણતરી એપ્લિકેશનો ફક્ત મેન્યુઅલી જ નહીં પરંતુ R, Python અથવા ચોક્કસ આંકડાકીય કેલ્ક્યુલેટર જેવા સોફ્ટવેરનો ઉપયોગ કરીને પણ કરવામાં આવે છે.

દ્વિપદી વિતરણની ગણતરી કરવા માટે પાયથોનનો ઉપયોગ કરવાનું ઉદાહરણ અહીં છે:

"`અજગર
scipy.stats ઇમ્પોર્ટ બિનોમમાંથી

n = 10 પરીક્ષણોની સંખ્યા
p = 0.8 સફળતાની સંભાવના
k = 8 સફળતાઓની અપેક્ષિત સંખ્યા

બરાબર 8 સફળતાઓની સંભાવના
પ્રોબ_8 = બાયનોમ.પીએમએફ(કે, એન, પી)

ઓછામાં ઓછી 8 સફળતાની સંભાવના
prob_ge_8 = 1 – binom.cdf(k-1, n, p)

print(f”બરાબર 8 સફળતાઓની સંભાવના: {prob_8}”)
print(f”ઓછામાં ઓછા 8 સફળતાઓની સંભાવના: {prob_ge_8}”)
"`

કેસિમ્પુલન

દ્વિપદી વિતરણ એ આંકડાશાસ્ત્ર અને સંભાવનામાં એક આવશ્યક મૂળભૂત ખ્યાલ છે. દ્વિપદી વિતરણને સમજીને, આપણે બે પરિણામો સાથે વારંવાર પ્રયોગો કરતી વાસ્તવિક દુનિયાની પરિસ્થિતિઓમાં વિવિધ સંભાવના મોડેલો લાગુ કરી શકીએ છીએ. તકનીકી સાધનોનો ઉપયોગ કરવાની ક્ષમતા ગણતરી પ્રક્રિયાને વધુ કાર્યક્ષમ અને સચોટ બનાવે છે. દ્વિપદી વિતરણ માત્ર સૈદ્ધાંતિક રીતે મહત્વપૂર્ણ નથી પણ વિજ્ઞાન અને ઉદ્યોગના વિવિધ ક્ષેત્રોમાં અસંખ્ય સંબંધિત વ્યવહારુ ઉપયોગો પણ ધરાવે છે.

આશા છે કે આ લેખ દ્વિપદી વિતરણની ઊંડી સમજ પ્રદાન કરશે અને આંકડા અને સંભાવનાના ક્ષેત્રોમાં વધુ સંશોધનને પ્રેરણા આપશે.