આંકડાશાસ્ત્રમાં સામાન્ય વિતરણ સૂત્ર

# આંકડાશાસ્ત્રમાં સામાન્ય વિતરણ સૂત્ર

સામાન્ય વિતરણ, જેને ગૌસીયન વિતરણ અથવા ઘંટડી વળાંક તરીકે પણ ઓળખવામાં આવે છે, તે આંકડાશાસ્ત્રમાં સૌથી મૂળભૂત ખ્યાલોમાંની એક છે. તેના અસ્તિત્વને ઘણીવાર વિવિધ આંકડાકીય અને સંભાવના વિશ્લેષણનો પાયો માનવામાં આવે છે. આ વિતરણનો ઉપયોગ ફક્ત સિદ્ધાંતમાં જ નહીં પરંતુ નાણાકીય જોખમ વ્યવસ્થાપન, સામાજિક વિજ્ઞાન, દવા અને વધુ જેવા વિવિધ વ્યવહારુ કાર્યક્રમોમાં પણ થાય છે.

## સામાન્ય વિતરણની વ્યાખ્યા

સામાન્ય વિતરણ એ સતત સંભાવના વિતરણ છે જે તેના સરેરાશ વિશે સપ્રમાણ છે. બીજા શબ્દોમાં કહીએ તો, આ વિતરણનો ગ્રાફિકલ પ્લોટ એક ઘંટડી વળાંક બનાવશે જે સરેરાશ પર પહોળો થઈ રહ્યો છે અને પૂંછડીઓ પર સંકુચિત થઈ રહ્યો છે. આ વિતરણમાં બે મુખ્ય પરિમાણો છે: સરેરાશ (μ) અને પ્રમાણભૂત વિચલન (σ).

સરેરાશ વિતરણના કેન્દ્રનું સ્થાન નક્કી કરે છે, જ્યારે પ્રમાણભૂત વિચલન સરેરાશની આસપાસ ડેટા કેટલો ફેલાયેલો છે તે માપે છે. પ્રમાણભૂત વિચલન જેટલું મોટું હશે, વિતરણ વળાંક તેટલો પહોળો અને ટૂંકો હશે; પ્રમાણભૂત વિચલન જેટલું નાનું હશે, વળાંક તેટલો સાંકડો અને ઊંચો હશે.

## સંભાવના ઘનતા કાર્ય

સામાન્ય વિતરણ માટે સંભાવના ઘનતા કાર્ય (pdf) નીચે મુજબ ગાણિતિક સ્વરૂપ ધરાવે છે:

\[ f(x | \mu, \સિગ્મા) = \frac{1}{\સિગ્મા \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\સિગ્મા^2} } \]

અહીં:
– \( x \) એક રેન્ડમ ચલ છે.
– \( \mu \) એ વિતરણનો સરેરાશ છે.
– \( \sigma \) એ વિતરણનું પ્રમાણભૂત વિચલન છે.
– \( e \) એ કુદરતી લઘુગણકનો આધાર છે, આશરે 2.71828.

ઉપરોક્ત ફંક્શન એક સપ્રમાણ ઘંટડી વળાંક બનાવે છે. બે બિંદુઓ વચ્ચેના આ ફંક્શનનું ઇન્ટિગ્રલ એ સંભાવના આપે છે કે રેન્ડમ ચલ તે બે મૂલ્યો વચ્ચે છે.

## માનક સામાન્ય વિતરણ

પ્રમાણભૂત સામાન્ય વિતરણ એ સરેરાશ \( \mu = 0 \) અને પ્રમાણભૂત વિચલન \( \sigma = 1 \) ધરાવતું સામાન્ય વિતરણ છે. પ્રમાણભૂત સામાન્ય વિતરણ માટે સંભાવના ઘનતા કાર્ય છે:

\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]

અહીં:
– \( z \) એ પ્રમાણભૂત સામાન્ય વિતરણને અનુસરીને આવેલું રેન્ડમ ચલ છે.

પ્રમાણભૂત સામાન્ય વિતરણનો ઉપયોગ ઘણીવાર થાય છે કારણ કે તે આપણને "માનકીકરણ" નામની પ્રક્રિયા દ્વારા અન્ય સામાન્ય વિતરણોને પ્રમાણિત કરવાની મંજૂરી આપે છે. માનકીકરણમાં નીચેના સૂત્રનો ઉપયોગ કરીને સામાન્ય વિતરણ \( N(\mu, \sigma) \) ના મૂલ્યો \( x \) ને પ્રમાણભૂત સામાન્ય વિતરણ \( N(0, 1) \) ના મૂલ્યો \( z \) માં રૂપાંતરિત કરવાનો સમાવેશ થાય છે:

\[ z = \frac{x – \mu}{\sigma} \]

આ પ્રક્રિયા વિવિધ સામાન્ય વિતરણોમાંથી મૂલ્યોને એક જ સ્કેલમાં મેપ કરીને તેમની તુલના કરવાનું સરળ બનાવે છે.

## ઉપયોગ અને સુસંગતતા

### ૧. કેન્દ્રીય મર્યાદા પ્રમેય

સામાન્ય વિતરણ ખાસ કરીને સેન્ટ્રલ લિમિટ પ્રમેય (CLT) ના સંદર્ભમાં સંબંધિત છે. CLT જણાવે છે કે મૂળ વિતરણના આકારને ધ્યાનમાં લીધા વિના, પૂરતી મોટી સંખ્યામાં સ્વતંત્ર રેન્ડમ ચલોનું વિતરણ લગભગ સામાન્ય રીતે કરવામાં આવશે. આનો અર્થ એ છે કે સામાન્ય વિતરણનો ઉપયોગ નમૂનાના સરેરાશના વિતરણનો અંદાજ કાઢવા માટે કરી શકાય છે, જ્યાં સુધી નમૂના પૂરતો મોટો હોય.

### 2. આંકડાકીય અનુમાન

સામાન્ય વિતરણ પૂર્વધારણા પરીક્ષણો, જેમ કે z-પરીક્ષણ અને t-પરીક્ષણ, લાગુ કરવાની મંજૂરી આપે છે. બંને પદ્ધતિઓ અવલોકન કરેલા પરિણામોના આંકડાકીય મહત્વને નક્કી કરવા માટે પ્રમાણભૂત સામાન્ય વિતરણનો ઉપયોગ કરે છે. z-પરીક્ષણનો ઉપયોગ સામાન્ય રીતે ત્યારે થાય છે જ્યારે નમૂનાનું કદ મોટું હોય અથવા વસ્તી પ્રમાણભૂત વિચલન જાણીતું હોય, જ્યારે નમૂનાનું કદ નાનું હોય અથવા વસ્તી પ્રમાણભૂત વિચલન અજાણ હોય ત્યારે t-પરીક્ષણ લાગુ કરવામાં આવે છે.

### ૩. રીગ્રેશન વિશ્લેષણ

રેખીય રીગ્રેશન વિશ્લેષણમાં, ભૂલ ડેટા સામાન્ય રીતે વિતરિત થાય છે તે ધારણા મહત્વપૂર્ણ છે. આ ધારણા વિશ્વાસ અંતરાલોની ગણતરી અને રીગ્રેશન મોડેલ પરિમાણોના મહત્વ પરીક્ષણ માટે પરવાનગી આપે છે. તેવી જ રીતે, ડેટા ભૂલો અથવા આઉટલાયર શોધવાનું ઘણીવાર સામાન્યતામાંથી નોંધપાત્ર વિચલનો માટે શેષ વિતરણની તપાસ કરીને કરવામાં આવે છે.

### ૪. દવા અને જીવવિજ્ઞાન

દવામાં, સામાન્ય વિતરણનો ઉપયોગ વિવિધ જૈવિક ઘટનાઓના વિતરણનું વર્ણન કરવા માટે થાય છે. ઉદાહરણ તરીકે, ઊંચાઈ, બ્લડ પ્રેશર અને ચોક્કસ પ્રયોગશાળા પરીક્ષણ પરિણામો ઘણીવાર સામાન્ય વિતરણને અનુસરે છે. આ તબીબી નિદાન માટે કટઓફ મૂલ્યોના નિર્ધારણને સરળ બનાવે છે.

### ૫. નાણાં અને અર્થશાસ્ત્ર

ફાઇનાન્સમાં, સામાન્ય વિતરણનો ઉપયોગ સ્ટોક વળતર, વ્યાજ દર અને વધુ જેવી ઘણી ઘટનાઓને મોડેલ કરવા માટે થાય છે. વ્યવહારમાં, શેરો ઘણીવાર ઉચ્ચ વિકૃતિ અને કર્ટોસિસ દર્શાવે છે, તેમ છતાં સામાન્ય વિતરણની ધારણા હજુ પણ એક મજબૂત વિશ્લેષણાત્મક આધાર પૂરો પાડે છે.

## અમલીકરણ અને ગણતરી

### પાયથોનનો ઉપયોગ

પાયથોન, NumPy અને SciPy જેવી લાઇબ્રેરીઓ સાથે, સામાન્ય વિતરણ સાથે કામ કરવા માટે ઘણી પદ્ધતિઓ પ્રદાન કરે છે. આ લાઇબ્રેરીઓનો ઉપયોગ કરીને આપણે સામાન્ય વિતરણને કેવી રીતે સામાન્ય બનાવી શકીએ અને પ્લોટ કરી શકીએ તેનું ઉદાહરણ અહીં છે:

"`અજગર
એનપી તરીકે નમ્પી આયાત કરો
matplotlib.pyplot plt તરીકે આયાત કરો
scipy.stats આયાત ધોરણમાંથી

# સામાન્ય વિતરણ પરિમાણો
mu = 0 # સરેરાશ
સિગ્મા = 1 # માનક વિચલન

# સામાન્ય વિતરણ માટેનો ડેટા
x = np.linspace(-5, 5, 1000)
y = નોર્મ.પીડીએફ (x, mu, સિગ્મા)

# સામાન્ય વિતરણ પ્લોટ
plt. પ્લોટ(x, y)
plt.xlabel('x')
plt.ylabel('ઘનતા')
plt.title('સામાન્ય વિતરણ N(0, 1)')
plt.show()
"`

ઉપરોક્ત ઉદાહરણમાં, અમે સરેરાશ 0 અને પ્રમાણભૂત વિચલન 1 સાથે સામાન્ય વિતરણ ડેટા જનરેટ કર્યો, અને પછી તેના સંભાવના ઘનતા કાર્યનું પ્લોટ બનાવ્યું.

## નિષ્કર્ષ

સામાન્ય વિતરણ આંકડાશાસ્ત્ર અને સંભાવનામાં મહત્વપૂર્ણ ભૂમિકા ભજવે છે. કેન્દ્રીય મર્યાદા પ્રમેયથી લઈને રીગ્રેશન વિશ્લેષણ અને પૂર્વધારણા પરીક્ષણ જેવા વિવિધ વ્યવહારુ ઉપયોગો સુધી, તેનો સાર્વત્રિક ઉપયોગ તેને સૌથી લોકપ્રિય અને મહત્વપૂર્ણ સંભાવના વિતરણોમાંનું એક બનાવે છે. સામાન્ય વિતરણ સૂત્રને સમજવું અને તેનો અસરકારક રીતે ઉપયોગ કેવી રીતે કરવો તે ડેટા વિજ્ઞાન, સંશોધન, અર્થશાસ્ત્ર અને અન્ય ઘણા ક્ષેત્રોમાં કામ કરતા કોઈપણ માટે એક આવશ્યક કૌશલ્ય છે.

આ જ્ઞાન સાથે, આપણે વિવિધ પ્રકારની વિશ્લેષણાત્મક સમસ્યાઓનો વધુ અસરકારક રીતે સંપર્ક કરી શકીએ છીએ અને તેનું નિરાકરણ લાવી શકીએ છીએ, જેનાથી ઉપલબ્ધ ડેટા અને સંભાવનાઓના આધારે વધુ સારા નિર્ણયો લઈ શકીએ છીએ.