ദ്വിപദ വിതരണം

ദ്വിപദ വിതരണം: സിദ്ധാന്തം, പ്രയോഗങ്ങൾ, ഉദാഹരണങ്ങൾ

പെൻഡഹുലുവൻ

സ്റ്റാറ്റിസ്റ്റിക്സിലും പ്രോബബിലിറ്റി സിദ്ധാന്തത്തിലും ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ ഒരു അടിസ്ഥാന ആശയമാണ്. ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്ന ഡിസ്ക്രീറ്റ് ഡിസ്ട്രിബ്യൂഷനുകളിൽ ഒന്നായതിനാൽ, വൈദ്യശാസ്ത്രം, സാമ്പത്തിക ശാസ്ത്രം, ജീവശാസ്ത്രം, സാമൂഹിക ശാസ്ത്രം തുടങ്ങിയ മേഖലകളിൽ ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ നിരവധി ആപ്ലിക്കേഷനുകൾ വാഗ്ദാനം ചെയ്യുന്നു. ഈ ലേഖനം ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷനെ അതിന്റെ നിർവചനം, പ്രധാന ഗുണങ്ങൾ, അനുബന്ധ സൂത്രവാക്യങ്ങൾ, നിരവധി പ്രായോഗിക പ്രയോഗ ഉദാഹരണങ്ങൾ എന്നിവയുൾപ്പെടെ ആഴത്തിൽ ചർച്ച ചെയ്യും.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ മനസ്സിലാക്കൽ

n ബെർണൂലി പരീക്ഷണങ്ങളുടെ ഫലത്തെ ദ്വിപദ വിതരണം വിവരിക്കുന്നു, അവിടെ ഓരോ പരീക്ഷണത്തിനും രണ്ട് സാധ്യമായ ഫലങ്ങൾ മാത്രമേയുള്ളൂ: "വിജയം" അല്ലെങ്കിൽ "പരാജയം". ഉദാഹരണത്തിന്, ഒരു നാണയം ടോസിൽ, സാധ്യമായ ഫലങ്ങൾ "തലകൾ" അല്ലെങ്കിൽ "തലകൾ" ആണ്.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷനിലെ രണ്ട് പ്രധാന പാരാമീറ്ററുകൾ ഇവയാണ്:
1. n (പരീക്ഷകളുടെ എണ്ണം)
2. പി (ഓരോ പരീക്ഷണത്തിലും വിജയസാധ്യത)

കൂടുതൽ ഔപചാരികമായി പറഞ്ഞാൽ, n പരീക്ഷണങ്ങളിലെ വിജയങ്ങളുടെ എണ്ണം ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ \( B(n, p) \) ഉപയോഗിച്ച് വിവരിക്കാം.

പ്രോബബിലിറ്റി മാസ് ഫംഗ്ഷൻ (PMF)

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷന്റെ പ്രോബബിലിറ്റി മാസ് ഫംഗ്ഷൻ ഇനിപ്പറയുന്ന രീതിയിൽ രൂപപ്പെടുത്തിയിരിക്കുന്നു:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
എവിടെ:
– \( \binom{n}{k} \) എന്നത് n തിരഞ്ഞെടുത്ത k യുടെ സംയോജനമാണ്,
– \( p \) എന്നത് ഒറ്റ പരീക്ഷണത്തിൽ വിജയിക്കാനുള്ള സാധ്യതയാണ്,
– \( k \) എന്നത് വിജയങ്ങളുടെ എണ്ണമാണ്,
– \( n \) എന്നത് പരീക്ഷണങ്ങളുടെ ആകെ എണ്ണമാണ്.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷന്റെ പ്രധാന ഗുണങ്ങൾ

ദ്വിപദ വിതരണത്തിന് നിരവധി പ്രധാന ഗുണങ്ങളുണ്ട്:
1. ശരാശരി (ശരാശരി): ഓരോ പരീക്ഷണത്തിലെയും വിജയസാധ്യതയുടെ സാധ്യതയെ പരീക്ഷണങ്ങളുടെ എണ്ണം കൊണ്ട് ഗുണിക്കുന്നതിലൂടെ ലഭിക്കുന്നത്. ശരാശരി \( \mu = np \) ആണ്.
2. വേരിയൻസ്: ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷന്റെ വേരിയൻസ് എന്നത് പരീക്ഷണങ്ങളുടെ എണ്ണം, വിജയസാധ്യത, പരാജയസാധ്യത എന്നിവയുടെ ഗുണനഫലമാണ്, അതായത്, \( \sigma^2 = np(1 – p) \).
3. സമമിതിയും വക്രതയും: \( p = 0.5 \) ആകുമ്പോൾ, ദ്വിപദ വിതരണം സമമിതിയാകും. \( p < 0.5 \) ആകുമ്പോൾ, വിതരണം വലത്തോട്ട് ചരിഞ്ഞിരിക്കും, \( p > 0.5 \) ആകുമ്പോൾ, വിതരണം ഇടത്തോട്ട് ചരിഞ്ഞിരിക്കും.
4. മൂല്യ പരിധികൾ: ദ്വിപദ മൂല്യം (k) 0 മുതൽ n വരെയാണ്.

ദ്വിപദ വിതരണവും കേന്ദ്ര പരിധി സിദ്ധാന്തവും

കേന്ദ്ര പരിധി സിദ്ധാന്തത്തിൽ ദ്വിപദ വിതരണം ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു. പരീക്ഷണങ്ങളുടെ എണ്ണം (n) വളരെ വലുതാകുമ്പോൾ, ദ്വിപദ വിതരണം ശരാശരി \( \mu = np \) ഉം സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും \( \sigma = \sqrt{np(1 – p)} \) ഉള്ള ഒരു സാധാരണ വിതരണത്തിലേക്ക് അടുക്കും.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ ഉപയോഗിച്ചുള്ള കേസ് ഉദാഹരണം

വിവിധ മേഖലകളിൽ നിന്നുള്ള പ്രായോഗിക ഉദാഹരണങ്ങളിലൂടെ ദ്വിപദ വിതരണത്തെക്കുറിച്ചുള്ള ചർച്ചകൾ മനസ്സിലാക്കാൻ എളുപ്പമായിരിക്കും. ചില യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ ഇതാ:

ഉദാഹരണം 1: ഉൽപ്പന്ന പരിശോധന

ഒരു ഇലക്ട്രോണിക്സ് കമ്പനിക്ക് ഒരു പ്രൊഡക്ഷൻ ലൈൻ ഉണ്ടെന്ന് കരുതുക, അവിടെ ഒരു തകരാറുള്ള ഉൽപ്പന്നത്തിന്റെ സാധ്യത 0.01 ആണ്. കമ്പനി 100 ഉൽപ്പന്നങ്ങൾ പരിശോധിച്ചാൽ, കൃത്യമായി 2 തകരാറുള്ള ഉൽപ്പന്നങ്ങൾ കണ്ടെത്താനുള്ള സാധ്യത എന്താണ്?

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ ഫോർമുല ഉപയോഗിച്ച്:
\[ പി(എക്സ് = 2) = \ബിനോം{100}{2} (0.01)^2 (0.99)^{98} \]

\(\binom{100}{2}\) കോമ്പിനേഷനുകൾ കണക്കാക്കി, ശേഷിക്കുന്ന സാധ്യതകൾ കൊണ്ട് ഗുണിച്ചാൽ, നമുക്ക് അന്തിമഫലം ലഭിക്കും.

ഉദാഹരണം 2: മെഡിക്കൽ ഗവേഷണം

ഒരു പ്രത്യേക രോഗത്തിനുള്ള മരുന്നിന്റെ ക്ലിനിക്കൽ പരീക്ഷണത്തിൽ, ഒരു രോഗിക്ക് ആ മരുന്ന് ഉപയോഗിച്ച് സുഖം പ്രാപിക്കാനുള്ള സാധ്യത 0.8 ആണ്. 10 രോഗികളെ പരിശോധിച്ചാൽ, കുറഞ്ഞത് 8 രോഗികളെങ്കിലും സുഖം പ്രാപിക്കാനുള്ള സാധ്യത എന്താണ്?

ഈ സാധ്യത കണ്ടെത്താൻ, സുഖം പ്രാപിക്കുന്ന 8, 9, 10 രോഗികളുടെ സാധ്യതകൾ നമ്മൾ കൂട്ടിച്ചേർക്കണം:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]

k യുടെ ഓരോ മൂല്യത്തിനും (8, 9, 10) ദ്വിപദ സൂത്രവാക്യം ഉപയോഗിച്ച്, ഫലങ്ങൾ കൂട്ടിച്ചേർത്ത്.

ഉദാഹരണം 3: സാമ്പത്തിക ശാസ്ത്രത്തിലെ തീരുമാനങ്ങൾ

ഒരു മാർക്കറ്റ് സർവേയിൽ, 60% ഉപഭോക്താക്കൾക്ക് ഒരു പുതിയ ഉൽപ്പന്നം ഇഷ്ടപ്പെട്ടു. 20 ഉപഭോക്താക്കളുടെ ഒരു റാൻഡം സാമ്പിൾ എടുത്താൽ, അവരിൽ കുറഞ്ഞത് 15 പേരെങ്കിലും ആ ഉൽപ്പന്നം ഇഷ്ടപ്പെട്ടിരിക്കാനുള്ള സാധ്യത എന്താണ്?

15 മുതൽ 20 വരെയുള്ള ലൈക്കുകളുടെ എണ്ണത്തിന്റെ സാധ്യത കണക്കാക്കാൻ നമുക്ക് ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ ആവശ്യമാണ്:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]

അതേ രീതി ഉപയോഗിച്ച്, നമ്മൾ ഈ സാധ്യതകൾ കണക്കാക്കുകയും കൂട്ടിച്ചേർക്കുകയും ചെയ്യുന്നു.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ കണക്കുകൂട്ടലുകളിൽ സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നു

ഡിജിറ്റൽ യുഗത്തിൽ, ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ കണക്കുകൂട്ടൽ ആപ്ലിക്കേഷനുകൾ സ്വമേധയാ മാത്രമല്ല, ആർ, പൈത്തൺ പോലുള്ള സോഫ്റ്റ്‌വെയറുകൾ അല്ലെങ്കിൽ ചില സ്റ്റാറ്റിസ്റ്റിക്കൽ കാൽക്കുലേറ്ററുകൾ ഉപയോഗിച്ചും ചെയ്യുന്നു.

ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ കണക്കാക്കാൻ പൈത്തൺ ഉപയോഗിക്കുന്നതിനുള്ള ഒരു ഉദാഹരണം ഇതാ:

"`പൈത്തൺ
scipy.stats-ൽ നിന്ന് ബിനോം ഇറക്കുമതി ചെയ്യുക

n = 10 പരീക്ഷണങ്ങളുടെ എണ്ണം
p = 0.8 വിജയസാധ്യത
k = പ്രതീക്ഷിക്കുന്ന വിജയങ്ങളുടെ എണ്ണം 8

കൃത്യം 8 വിജയങ്ങളുടെ സാധ്യത
പ്രോബ്_8 = binom.pmf(k, n, p)

കുറഞ്ഞത് 8 വിജയങ്ങളുടെ സാധ്യത
prob_ge_8 = 1 – binom.cdf(k-1, n, p)

print(f”കൃത്യമായി 8 വിജയങ്ങളുടെ സാധ്യത: {prob_8}”)
print(f”കുറഞ്ഞത് 8 വിജയങ്ങളുടെ സാധ്യത: {prob_ge_8}”)
""

ഉപസംഹാരം

സ്റ്റാറ്റിസ്റ്റിക്സിലും പ്രോബബിലിറ്റിയിലും ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ ഒരു അത്യാവശ്യ അടിസ്ഥാന ആശയമാണ്. ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷൻ മനസ്സിലാക്കുന്നതിലൂടെ, രണ്ട് ഫലങ്ങളുള്ള ആവർത്തിച്ചുള്ള പരീക്ഷണങ്ങൾ ഉൾപ്പെടുന്ന യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ നമുക്ക് വിവിധ പ്രോബബിലിറ്റി മോഡലുകൾ പ്രയോഗിക്കാൻ കഴിയും. സാങ്കേതിക ഉപകരണങ്ങൾ ഉപയോഗിക്കാനുള്ള കഴിവ് കണക്കുകൂട്ടൽ പ്രക്രിയയെ കൂടുതൽ കാര്യക്ഷമവും കൃത്യവുമാക്കുന്നു. ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷന് സൈദ്ധാന്തികമായി മാത്രമല്ല, ശാസ്ത്രത്തിന്റെയും വ്യവസായത്തിന്റെയും വിവിധ മേഖലകളിൽ നിരവധി പ്രസക്തമായ പ്രായോഗിക പ്രയോഗങ്ങളുമുണ്ട്.

ഈ ലേഖനം ദ്വിപദ വിതരണത്തെക്കുറിച്ച് കൂടുതൽ ആഴത്തിലുള്ള ധാരണ നൽകുമെന്നും സ്ഥിതിവിവരക്കണക്കുകളുടെയും സാധ്യതയുടെയും മേഖലകളിൽ കൂടുതൽ പര്യവേക്ഷണത്തിന് പ്രചോദനം നൽകുമെന്നും പ്രതീക്ഷിക്കുന്നു.