द्विपदी वितरण: सिद्धांत, उपयोजन आणि उदाहरणे
पेंडाहुलुआन
द्विपद वितरण ही सांख्यिकी आणि संभाव्यता सिद्धांतामधील एक मूलभूत संकल्पना आहे. सर्वाधिक वापरल्या जाणाऱ्या असतत वितरणांपैकी एक म्हणून, द्विपद वितरणाचे वैद्यकशास्त्र, अर्थशास्त्र, जीवशास्त्र आणि सामाजिक शास्त्रे यांसारख्या क्षेत्रांमध्ये असंख्य उपयोग आहेत. या लेखात द्विपद वितरणाची सखोल चर्चा केली जाईल, ज्यामध्ये त्याची व्याख्या, प्रमुख गुणधर्म, संबंधित सूत्रे आणि अनेक व्यावहारिक उपयोगांच्या उदाहरणांचा समावेश असेल.
द्विपदी वितरण समजून घेणे
द्विपद वितरण हे n बर्नोली चाचण्यांच्या निकालाचे वर्णन करते, जिथे प्रत्येक चाचणीचे फक्त दोन संभाव्य निकाल असतात: “यश” किंवा “अपयश.” उदाहरणार्थ, नाणेफेकीमध्ये, संभाव्य निकाल “छाप” किंवा “छाप” हे असतात.
द्विपद वितरणातील दोन मुख्य मापदंड खालीलप्रमाणे आहेत:
1. n (प्रयत्नांची संख्या)
२. p (प्रत्येक प्रयत्नात यश मिळण्याची संभाव्यता)
अधिक औपचारिकपणे, n प्रयत्नांमधील यशांची संख्या द्विपदी वितरण \( B(n, p) \) द्वारे वर्णन केली जाऊ शकते.
संभाव्यता वस्तुमान कार्य (PMF)
द्विपदी वितरणाचे संभाव्यता वस्तुमान फलन खालीलप्रमाणे मांडले जाते:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
कुठे:
– \( \binom{n}{k} \) हे n मधून k निवडून केलेले संयोजन आहे,
– \( p \) ही एकाच प्रयत्नात यश मिळण्याची संभाव्यता आहे,
– \( k \) ही यशांची संख्या आहे,
– \( n \) ही एकूण चाचण्यांची संख्या आहे.
द्विपदी वितरणाचे मुख्य गुणधर्म
द्विपद वितरणाचे अनेक प्रमुख गुणधर्म आहेत:
१. मध्यमान (सरासरी): प्रयत्नांची संख्या आणि प्रत्येक प्रयत्नातील यशाची संभाव्यता यांचा गुणाकार करून मध्यमान मिळवला जातो. मध्यमान \( \mu = np \) असतो.
२. विचलन: द्विपदी वितरणाचे विचलन हे प्रयत्नांची संख्या, यशाची संभाव्यता आणि अपयशाची संभाव्यता यांचा गुणाकार असतो, म्हणजेच \( \sigma^2 = np(1 – p) \).
३. सममिती आणि विषमता: जेव्हा \( p = 0.5 \) असते, तेव्हा द्विपदी वितरण सममित असते. \( p < 0.5 \) साठी, वितरण उजवीकडे विषम असते आणि \( p > 0.5 \) साठी, वितरण डावीकडे विषम असते.
4. मूल्य मर्यादा: द्विपदी मूल्य (k) 0 ते n पर्यंत असते.
द्विपदी वितरण आणि केंद्रीय मर्यादा प्रमेय
केंद्रीय मर्यादा प्रमेयामध्ये द्विपद वितरण महत्त्वाची भूमिका बजावते. जेव्हा चाचण्यांची संख्या (n) खूप मोठी होते, तेव्हा द्विपद वितरण हे \( \mu = np \) मध्यक आणि \( \sigma = \sqrt{np(1 – p)} \) मानक विचलन असलेल्या सामान्य वितरणाकडे झुकते.
द्विपदी वितरणाचा वापर करून दिलेले उदाहरण
विविध क्षेत्रांतील व्यावहारिक उदाहरणांमुळे द्विपद वितरणाबद्दलची चर्चा समजायला सोपी जाईल. येथे काही वास्तविक जीवनातील उपयोग दिले आहेत:
उदाहरण १: उत्पादन चाचणी
समजा एका इलेक्ट्रॉनिक्स कंपनीच्या उत्पादन लाइनवर सदोष उत्पादन मिळण्याची संभाव्यता 0.01 आहे. जर कंपनीने 100 उत्पादनांची तपासणी केली, तर नेमकी 2 सदोष उत्पादने आढळण्याची संभाव्यता काय आहे?
द्विपदी वितरण सूत्र वापरून:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
\(\binom{100}{2}\) संयोगांची गणना करून, नंतर उर्वरित संभाव्यतांनी गुणाकार केल्यावर, आपल्याला अंतिम निकाल मिळतो.
उदाहरण २: वैद्यकीय संशोधन
एका विशिष्ट रोगावरील औषधाच्या क्लिनिकल ट्रायलमध्ये, औषधाने रुग्ण बरा होण्याची संभाव्यता 0.8 आहे. जर 10 रुग्णांची चाचणी केली गेली, तर किमान 8 रुग्ण बरे होण्याची संभाव्यता काय आहे?
ही संभाव्यता शोधण्यासाठी, आपल्याला ८, ९ आणि १० रुग्ण बरे होण्याच्या संभाव्यतांची बेरीज करावी लागेल:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
k च्या प्रत्येक मूल्यासाठी (8, 9, आणि 10) द्विपदी सूत्र वापरून, नंतर निकालांची बेरीज करून.
उदाहरण ३: अर्थशास्त्रातील निर्णय
एका बाजार सर्वेक्षणात, 60% ग्राहकांना एक नवीन उत्पादन आवडले. जर 20 ग्राहकांचा यादृच्छिक नमुना घेतला, तर त्यापैकी किमान 15 जणांना ते उत्पादन आवडण्याची संभाव्यता काय आहे?
१५ ते २० पर्यंतच्या लाईक्सच्या संख्येची संभाव्यता मोजण्यासाठी आपल्याला द्विपद वितरणाची आवश्यकता आहे:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
त्याच पद्धतीचा वापर करून, आपण या संभाव्यतांची गणना करतो आणि त्यांची बेरीज करतो.
द्विपदी वितरणाच्या गणितांमध्ये तंत्रज्ञानाचा वापर
डिजिटल युगात, द्विपदी वितरणाची गणना केवळ हातानेच नाही तर आर (R), पायथन (Python) किंवा विशिष्ट सांख्यिकीय कॅल्क्युलेटरसारख्या सॉफ्टवेअरचा वापर करूनही केली जाते.
पायथॉन वापरून द्विपदी वितरणाची गणना करण्याचे एक उदाहरण येथे दिले आहे:
'' अजगर
scipy.stats मधून binom आयात करा
n = १० चाचण्यांची संख्या
यशाची संभाव्यता p = 0.8
k = ८ अपेक्षित यशांची संख्या
नेमके ८ यश मिळण्याची संभाव्यता
prob_8 = binom.pmf(k, n, p)
किमान ८ यश मिळण्याची शक्यता
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
print(f”नेमके ८ यश मिळण्याची संभाव्यता: {prob_8}”)
print(f”किमान ८ यश मिळण्याची संभाव्यता: {prob_ge_8}”)
"`
निष्कर्ष
द्विपद वितरण ही सांख्यिकी आणि संभाव्यता यांमधील एक अत्यावश्यक मूलभूत संकल्पना आहे. द्विपद वितरण समजून घेतल्याने, आपण दोन निष्पत्ती असलेल्या पुनरावृत्त प्रयोगांचा समावेश असलेल्या वास्तविक-जगातील परिस्थितींमध्ये विविध संभाव्यता प्रारूपे लागू करू शकतो. तांत्रिक साधनांचा वापर करण्याच्या क्षमतेमुळे गणना प्रक्रिया अधिक कार्यक्षम आणि अचूक बनते. द्विपद वितरण केवळ सैद्धांतिकदृष्ट्याच महत्त्वाचे नाही, तर विज्ञान आणि उद्योग यांमधील विविध क्षेत्रांमध्ये त्याचे असंख्य संबंधित व्यावहारिक उपयोगही आहेत.
आशा आहे की हा लेख द्विपद वितरणाची अधिक सखोल समज देईल आणि सांख्यिकी व संभाव्यता या क्षेत्रांमध्ये पुढील संशोधनास प्रेरणा देईल.
