ဒွိစုံ ဖြန့်ဖြူးမှု လုပ်ဆောင်ချက်

ဒွိစုံဖြန့်ဖြူးမှု လုပ်ဆောင်ချက်- အပြည့်အစုံရှင်းလင်းချက်နှင့် အသုံးချမှုများ

ဘိုင်နိုမီရယ် ဖြန့်ဖြူးမှုသည် စာရင်းအင်းနှင့် ဖြစ်နိုင်ခြေတွင် အသုံးအများဆုံး discrete probability ဖြန့်ဖြူးမှုများထဲမှ တစ်ခုဖြစ်သည်။ ဤဖြန့်ဖြူးမှုသည် တူညီသော၊ လွတ်လပ်သော စမ်းသပ်မှုစီးရီးများတွင် အောင်မြင်မှုအရေအတွက်ကို ပုံစံပြုပြီး စမ်းသပ်မှုတစ်ခုစီတွင် ဖြစ်နိုင်ချေရှိသော ရလဒ်နှစ်ခုရှိသည်- အောင်မြင်မှု သို့မဟုတ် ကျရှုံးမှု။ ဤဆောင်းပါးတွင်၊ ဘိုင်နိုမီရယ် ဖြန့်ဖြူးမှု လုပ်ဆောင်ချက်၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်၊ ဖော်မြူလာ၊ ဂုဏ်သတ္တိများနှင့် အသုံးချမှုများကို နက်နက်နဲနဲ လေ့လာသွားပါမည်။

ဒွိစုံဖြန့်ဖြူးမှုကို နားလည်ခြင်း

ဒွိစုံဖြန့်ဖြူးမှုသည် လွတ်လပ်သောစမ်းသပ်မှု n ခုတွင် "အောင်မြင်မှု" အရေအတွက်ကို ဖော်ပြသည်။ ဤတွင်-

- စမ်းသပ်မှုတစ်ခုစီတွင် ဖြစ်နိုင်ချေရှိသော ရလဒ်နှစ်ခုသာ ထွက်ပေါ်သည်- အောင်မြင်မှု သို့မဟုတ် ကျရှုံးမှု။
– စမ်းသပ်မှုတစ်ခုစီတွင် အောင်မြင်မှုဖြစ်နိုင်ခြေသည် p ဖြစ်သည်။
– မအောင်မြင်နိုင်ခြေမှာ ၁ – p ဖြစ်သည်။
- စမ်းသပ်မှုတစ်ခုစီသည် တစ်ခုနှင့်တစ်ခု သီးခြားစီဖြစ်သည်။

ဒွိစုံဖြန့်ဖြူးမှုကို B(n, p) ဖြင့် ဖော်ပြပြီး၊ n သည် စမ်းသပ်မှုအရေအတွက်ဖြစ်ပြီး p သည် စမ်းသပ်မှုတစ်ခုတည်းတွင် အောင်မြင်မှုဖြစ်နိုင်ခြေဖြစ်သည်။

ဒွိစုံဖြန့်ဖြူးမှုဖော်မြူလာ

ဒွိစုံဖြန့်ဖြူးမှုကို အောက်ပါဖော်မြူလာကို အသုံးပြု၍ တွက်ချက်သည်-

\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]

ဘယ်နေရာ:
– \( P(X = k) \): စမ်းသပ်မှု n ခုတွင် အောင်မြင်မှု k ခု အတိအကျရရှိရန် ဖြစ်နိုင်ခြေ။
– \( \binom{n}{k} \): k တွင်ယူထားသော အရာဝတ္ထု n ခု၏ ပေါင်းစပ်မှု။
– \( p \): စမ်းသပ်မှုတစ်ခုစီတွင် အောင်မြင်မှုဖြစ်နိုင်ခြေ။
– \( n \): စမ်းသပ်မှု စုစုပေါင်းအရေအတွက်။
– \( k \): လိုချင်သော အောင်မြင်မှုအရေအတွက်။

\(\binom{n}{k}\) ပေါင်းစပ်မှုကို အောက်ပါအတိုင်း တွက်ချက်ထားသည်-

\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]

ဒွိစုံဖြန့်ဖြူးမှု၏ ဂုဏ်သတ္တိများ

၁။ မျှော်မှန်းချက် (ပျမ်းမျှ) နှင့် ကွဲလွဲမှု-
– ဒွိစုံဖြန့်ဖြူးမှု၏ မျှော်လင့်ချက် သို့မဟုတ် ပျမ်းမျှသည် \( \mu = np \) ဖြစ်သည်။
– ကွေကွင်းမှုသည် \( \sigma^2 = np(1-p) \) ဖြစ်သည်။

၁။ ဆ៊ီမက်ထရီ
– p = 0.5 ဖြစ်လျှင် ဒွိစုံဖြန့်ဖြူးမှုသည် ညီမျှသည်။ p ≠ 0.5 ဖြစ်လျှင် ဖြန့်ဖြူးမှုသည် ညာဘက်သို့ (p < 0.5) သို့မဟုတ် ဘယ်ဘက်သို့ (p > 0.5) စောင်းသွားသည်။

၃။ စောင်းခြင်းနှင့် Kurtosis:
– ဒွိနိုမီရယ် ဖြန့်ဖြူးမှု၏ စောင်းမှုသည် \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \) ဖြစ်သည်။
– Kurtosis သည် \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \) ဖြစ်သည်။

၄။ ခန့်မှန်းဖြန့်ဖြူးမှု-
– 0.5 ချဉ်းကပ်လာသော n နှင့် p ကြီးများအတွက်၊ binomial ဖြန့်ဖြူးမှုကို normal distribution ဖြင့် ခန့်မှန်းနိုင်သည်။
– p သည် အလွန်သေးငယ်ပြီး n သည် အလွန်ကြီးမားသောကြောင့် np သည် ကိန်းသေဖြစ်နေပါက၊ ဘိုင်နိုမီယယ် ဖြန့်ဖြူးမှုကို Poisson ဖြန့်ဖြူးမှုဖြင့် ခန့်မှန်းနိုင်သည်။

ဘိုင်နိုမီရယ် ဖြန့်ဖြူးမှုကို အသုံးပြုခြင်း

ဒွိစုံဖြန့်ဖြူးမှုကို ဇီဝဗေဒ၊ စီးပွားရေး၊ စျေးကွက်ရှာဖွေရေးနှင့် အင်ဂျင်နီယာကဲ့သို့သော နယ်ပယ်များတွင် ဒွိစုံအသုံးအနှုန်းများ (အောင်မြင်မှု/ကျရှုံးမှု) ဖြင့် ဖော်ပြနိုင်သည့် ဖြစ်ရပ်များကို ပုံစံထုတ်ရန် အသုံးပြုသည်။ ၎င်း၏အသုံးပြုမှု၏ တိကျသော ဥပမာအချို့ကို ဤနေရာတွင် ဖော်ပြထားပါသည်။

ထုတ်ကုန်အရည်အသွေးစမ်းသပ်ခြင်း

ထုတ်ကုန်အသုတ်တစ်ခုတွင် ချို့ယွင်းချက်ရှိနိုင်ခြေ ၂% ရှိသည်ဟု ယူဆပါ။ ထုတ်ကုန်၏ ယူနစ် ၅၀ ကို စမ်းသပ်ပါက၊ ပေးထားသော ချို့ယွင်းချက်ရှိသော ယူနစ်အရေအတွက်ကို ရှာဖွေတွေ့ရှိနိုင်ခြေကို တွက်ချက်ရန် ဒွိစုံဖြန့်ဖြူးမှုကို အသုံးပြုနိုင်သည်။ n = 50 နှင့် p = 0.02 ဖြင့်၊ အသုတ်တွင် ချို့ယွင်းချက်ရှိသော ယူနစ် k ခုကို ရှာဖွေတွေ့ရှိနိုင်ခြေကို တွက်ချက်နိုင်သည်။

နမူနာယူခြင်း အကဲဖြတ်ခြင်း

ဥပမာအားဖြင့် ဈေးကွက်သုတေသနတွင် စစ်တမ်းများကို မကြာခဏ ဟုတ်ကဲ့/မဟုတ်ဘူး မေးခွန်းများဖြင့် ပြုလုပ်လေ့ရှိသည်။ လူ ၁၀၀ ပါဝင်သော နမူနာတွင် ဖော်ပြချက်တစ်ခုကို သဘောတူသူ အရေအတွက်ကို သိလိုပါက (သဘောတူညီချက်ဖြစ်နိုင်ခြေ 0.7 ဟုယူဆပါက)၊ ဒွိစုံဖြန့်ဖြူးမှုသည် သဘောတူသူ အရေအတွက်ကို ခန့်မှန်းရန် ကူညီပေးနိုင်ပါသည်။

မျိုးရိုးဗီဇ

မျိုးရိုးဗီဇတွင်၊ ဒွိစုံဖြန့်ဖြူးမှုကို မျိုးဆက်တစ်ခုမှ နောက်တစ်ခုသို့ အချို့သောဝိသေသလက္ခဏာများကို အမွေဆက်ခံရန် ပုံစံပြုရန် အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ သားစဉ်မြေးဆက်တွင် အချို့သော မျိုးရိုးဗီဇဝိသေသလက္ခဏာရှိနိုင်ခြေ ၂၅% ရှိပါက၊ သားစဉ်မြေးဆက်လေးယောက်တွင် နှစ်ယောက်တွင် ထိုဝိသေသလက္ခဏာရှိနိုင်ခြေကို ဆုံးဖြတ်ရန် ဒွိစုံဖြန့်ဖြူးမှုကို အသုံးပြုနိုင်သည်။

ဘဏ္ဍာရေးနှင့် အာမခံ

ဘဏ္ဍာရေးတွင်၊ ဒွိစုံဖြန့်ဖြူးမှုကို အောင်မြင်မှု/ကျရှုံးမှုအခြေအနေများနှင့် ကိုက်ညီသော အချို့သောကုန်စည်များအပေါ် ဒေဝါလီခံမှုများ၊ တောင်းဆိုမှုများ ပေးချေမှုများ သို့မဟုတ် အတိုးနှုန်းများ ဖြစ်ပွားမှုကို မော်ဒယ်လုပ်ရန် အသုံးပြုနိုင်သည်။

တွက်ချက်မှု ဥပမာ

ဒင်္ဂါး ၁၀ ကြိမ်ပစ်လျှင် ခေါင်း ၆ လုံးတိတိ ရမည့် ဖြစ်နိုင်ခြေကို တွက်ချက်လိုသည်ဆိုပါစို့ (ဒင်္ဂါးများသည် တရားမျှတပြီး p=0.5 ဟုယူဆပါ)။

\[ P(X = 6) = \binom{10}{6} (0.5)^6 (0.5)^4 \]

\[ = \frac{10!}{6!4!} (0.5)^{10} \]

\[ = \frac{210}{1024} \]

\[= 0.205 \]

ဒါကြောင့် ဒင်္ဂါး ၁၀ ချက်ပစ်ရာမှာ ခေါင်း ၆ လုံးတိတိ ရဖို့ ဖြစ်နိုင်ခြေက 0.205 ပါ။

ကွန်ပျူတာအသုံးချမှုများ

ယနေ့ခေတ် နည်းပညာခေတ်တွင်၊ binomial distributions များကို R၊ Python ကဲ့သို့သော စာရင်းအင်းဆော့ဖ်ဝဲ သို့မဟုတ် Microsoft Excel ကဲ့သို့သော spreadsheet tools များကို အသုံးပြု၍ မကြာခဏ တွက်ချက်လေ့ရှိသည်။ `scipy` library ကို အသုံးပြုသည့် ရိုးရှင်းသော Python script ၏ ဥပမာတစ်ခုကို ဤနေရာတွင် ဖော်ပြထားပါသည်။

“`စပါးအုံး
scipy.stats မှ binom ကို import လုပ်ပါ။

ဥပမာအားဖြင့်၊ n=10 နှင့် p=0.5 အတွက် P(X = 6) ကို ရှာလိုပါသည်။
ဎ = 10
p = ၂၉
= = ၂

prob = binom.pmf(k, n, p)

print(f”ဒင်္ဂါးပစ်ခြင်း {n} ခုမှ ခေါင်း {k} လုံးတိတိ ရရှိရန် ဖြစ်နိုင်ခြေမှာ {prob: .3f} ဖြစ်သည်”)
``

နိဂုံး

ဒွိစုံဖြန့်ဖြူးမှုသည် စာရင်းအင်းနှင့် ဖြစ်နိုင်ခြေတွင် အရေးကြီးသောကိရိယာတစ်ခုဖြစ်ပြီး၊ အထူးသဖြင့် လွတ်လပ်သော ဒွိစုံဖြစ်ရပ်များကို ခွဲခြမ်းစိတ်ဖြာသည့်အခါတွင်ဖြစ်သည်။ ဤသဘောတရားကို ကျွမ်းကျင်စွာ ကျွမ်းကျင်ခြင်းသည် ဘဏ္ဍာရေးဆုံးဖြတ်ချက်များ၊ ဈေးကွက်သုတေသန၊ ထုတ်ကုန်အရည်အသွေး၊ မျိုးရိုးဗီဇနှင့် အခြားအသုံးချမှုအမျိုးမျိုးပါဝင်သည့် ပြဿနာများကို ပိုမိုထိရောက်စွာ ဖြေရှင်းရန် ကျွန်ုပ်တို့အား ကူညီပေးနိုင်ပါသည်။

ဒွိနိုမီရယ် ဖြန့်ဖြူးမှု လုပ်ဆောင်ချက်ကို နားလည်ခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ဖြစ်ရပ်များ၏ ဖြစ်နိုင်ခြေများကို တိကျစွာ ပုံစံထုတ်ပြီး တွက်ချက်နိုင်ပြီး ခိုင်မာသော စာရင်းအင်း ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံ၍ ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်ပါသည်။ နည်းပညာနှင့် စာရင်းအင်းဆော့ဖ်ဝဲလ် တိုးတက်မှုများသည် ဤဖြန့်ဖြူးမှုကို တွက်ချက်ပြီး မြင်ယောင်ရန် ပိုမိုလွယ်ကူစေခဲ့ပြီး လေ့လာမှုနယ်ပယ်များနှင့် အသုံးချမှုများတွင် ပိုမိုလွယ်ကူစွာ အသုံးပြုနိုင်ပါသည်။