စာရင်းအင်းပညာတွင် ပုံမှန်ဖြန့်ဖြူးမှု ဖော်မြူလာ

# စာရင်းအင်းပညာတွင် ပုံမှန်ဖြန့်ဖြူးမှု ဖော်မြူလာ

ပုံမှန်ဖြန့်ဖြူးမှုကို Gaussian ဖြန့်ဖြူးမှု သို့မဟုတ် ခေါင်းလောင်းကွေးဟုလည်း လူသိများပြီး စာရင်းအင်းပညာတွင် အခြေခံအကျဆုံး သဘောတရားများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်း၏တည်ရှိမှုကို စာရင်းအင်းနှင့် ဖြစ်နိုင်ခြေ ခွဲခြမ်းစိတ်ဖြာမှုအမျိုးမျိုး၏ အခြေခံအဖြစ် မကြာခဏ ယူဆကြသည်။ ဤဖြန့်ဖြူးမှုကို သီအိုရီတွင်သာမက ငွေကြေးဆိုင်ရာအန္တရာယ်စီမံခန့်ခွဲမှု၊ လူမှုရေးသိပ္ပံ၊ ဆေးပညာနှင့် အခြားအရာများကဲ့သို့သော လက်တွေ့အသုံးချမှုအမျိုးမျိုးတွင်လည်း မကြာခဏ အသုံးပြုကြသည်။

## ပုံမှန်ဖြန့်ဖြူးမှု၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်

ပုံမှန်ဖြန့်ဖြူးမှုသည် ၎င်း၏ပျမ်းမျှအပေါ် ထပ်တူကျသော စဉ်ဆက်မပြတ်ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ တစ်နည်းအားဖြင့်ဆိုရသော် ဤဖြန့်ဖြူးမှု၏ ဂရပ်ဖစ်ပုံဆွဲခြင်းသည် ပျမ်းမျှတွင် ကျယ်လာပြီး အမြီးများတွင် ကျဉ်းမြောင်းလာသော ခေါင်းလောင်းကွေးတစ်ခုကို ဖွဲ့စည်းပေးလိမ့်မည်။ ဤဖြန့်ဖြူးမှုတွင် အဓိကကန့်သတ်ချက်နှစ်ခုရှိသည်- ပျမ်းမျှ (μ) နှင့် စံသွေဖည်မှု (σ)။

ပျမ်းမျှသည် ဖြန့်ဖြူးမှု၏ဗဟို၏တည်နေရာကို ဆုံးဖြတ်ပေးပြီး၊ စံသွေဖည်မှုသည် ပျမ်းမျှပတ်လည်တွင် ဒေတာမည်မျှပျံ့နှံ့နေသည်ကို တိုင်းတာသည်။ စံသွေဖည်မှုကြီးလေ၊ ဖြန့်ဖြူးမှုမျဉ်းကွေးသည် ပိုကျယ်ပြီး ပိုတိုလေဖြစ်ပြီး၊ စံသွေဖည်မှုငယ်လေ၊ မျဉ်းကွေးသည် ပိုကျဉ်းပြီး ပိုမတ်စောက်လေဖြစ်သည်။

## ဖြစ်နိုင်ခြေသိပ်သည်းဆ လုပ်ဆောင်ချက်

ပုံမှန်ဖြန့်ဖြူးမှုအတွက် ဖြစ်နိုင်ခြေသိပ်သည်းဆလုပ်ဆောင်ချက် (pdf) သည် အောက်ပါသင်္ချာပုံစံရှိသည်-

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

ဒီမှာ:
-\( x\) သည် ကျပန်းကိန်းရှင်တစ်ခုဖြစ်သည်။
– \( \mu \) သည် ဖြန့်ဖြူးမှု၏ ပျမ်းမျှဖြစ်သည်။
– \( \sigma \) သည် ဖြန့်ဖြူးမှု၏ စံသွေဖည်မှု ဖြစ်သည်။
– \( e \) သည် သဘာဝလော်ဂရစ်သမ်၏ အခြေဖြစ်ပြီး ခန့်မှန်းခြေအားဖြင့် ၂.၇၁၈၂၈ ဖြစ်သည်။

အထက်ပါ function သည် symmetric bell curve ကို ဖန်တီးပေးသည်။ အမှတ်နှစ်ခုကြားရှိ ဤ function ၏ integral သည် random variable သည် ထိုတန်ဖိုးနှစ်ခုကြားတွင် ရှိနေနိုင်ခြေကို ပေးသည်။

## စံ ပုံမှန် ဖြန့်ဖြူးမှု

စံပုံမှန်ဖြန့်ဖြူးမှုသည် ပျမ်းမျှ (\mu = 0 \) နှင့် စံသွေဖည်မှု (\sigma = 1 \) ရှိသော ပုံမှန်ဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ စံပုံမှန်ဖြန့်ဖြူးမှုအတွက် ဖြစ်နိုင်ခြေသိပ်သည်းဆလုပ်ဆောင်ချက်မှာ-

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

ဒီမှာ:
–\( z\) သည် စံပုံမှန်ဖြန့်ဖြူးမှုကို လိုက်နာသည့် ကျပန်းကိန်းရှင်တစ်ခုဖြစ်သည်။

စံပုံမှန်ဖြန့်ဖြူးမှုကို မကြာခဏအသုံးပြုလေ့ရှိသည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် “စံသတ်မှတ်ခြင်း” ဟုခေါ်သော လုပ်ငန်းစဉ်မှတစ်ဆင့် အခြားပုံမှန်ဖြန့်ဖြူးမှုများကို စံသတ်မှတ်နိုင်စေသောကြောင့်ဖြစ်သည်။ စံသတ်မှတ်ခြင်းတွင် အောက်ပါဖော်မြူလာကို အသုံးပြု၍ ပုံမှန်ဖြန့်ဖြူးမှု \(N(\mu, \sigma)\) ၏ \(x\) တန်ဖိုးများကို စံပုံမှန်ဖြန့်ဖြူးမှု \(N(0, 1)\) ၏ \(z\) တန်ဖိုးများအဖြစ် ပြောင်းလဲခြင်း ပါဝင်သည်။

\[ z = \frac{x – \mu}{\sigma} \]

ဤလုပ်ငန်းစဉ်သည် မတူညီသော ပုံမှန်ဖြန့်ဝေမှုများမှ တန်ဖိုးများကို တစ်ခုတည်းသော စကေးနှင့် မြေပုံဆွဲခြင်းဖြင့် နှိုင်းယှဉ်ရန် ပိုမိုလွယ်ကူစေသည်။

## အသုံးချမှုနှင့် သက်ဆိုင်မှု

### ၁။ ဗဟိုကန့်သတ်ချက်သီအိုရမ်

ပုံမှန်ဖြန့်ဖြူးမှုသည် ဗဟိုကန့်သတ်ချက်သီအိုရမ် (CLT) ၏ အခြေအနေတွင် အထူးသက်ဆိုင်သည်။ CLT သည် မူလဖြန့်ဖြူးမှုပုံသဏ္ဍာန် မည်သို့ပင်ရှိစေကာမူ လွတ်လပ်သော ကျပန်းကိန်းရှင် အရေအတွက် လုံလောက်စွာများပြားခြင်းသည် ပုံမှန်ဖြန့်ဖြူးမှုဖြစ်လိမ့်မည်ဟု ဖော်ပြထားသည်။ ဆိုလိုသည်မှာ နမူနာသည် လုံလောက်အောင် ကြီးမားနေသရွေ့ ပုံမှန်ဖြန့်ဖြူးမှုကို နမူနာပျမ်းမျှ၏ ဖြန့်ဖြူးမှုကို ခန့်မှန်းရန် အသုံးပြုနိုင်သည်။

### ၂။ စာရင်းအင်းဆိုင်ရာ ကောက်ချက်ချခြင်း

ပုံမှန်ဖြန့်ဖြူးမှုသည် z-test နှင့် t-test ကဲ့သို့သော ယူဆချက်စမ်းသပ်မှုများကို အသုံးချနိုင်စေပါသည်။ နည်းလမ်းနှစ်ခုစလုံးသည် တွေ့ရှိရသောရလဒ်များ၏ စာရင်းအင်းဆိုင်ရာ အရေးပါမှုကို ဆုံးဖြတ်ရန်အတွက် စံပုံမှန်ဖြန့်ဖြူးမှုကို အသုံးပြုသည်။ z-test ကို နမူနာအရွယ်အစား ကြီးမားသည့်အခါ သို့မဟုတ် လူဦးရေစံသွေဖည်မှုကို သိရှိသည့်အခါတွင် အသုံးပြုလေ့ရှိပြီး t-test ကို နမူနာအရွယ်အစား သေးငယ်သည့်အခါ သို့မဟုတ် လူဦးရေစံသွေဖည်မှုကို မသိသည့်အခါတွင် အသုံးပြုသည်။

### ၃။ ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာခြင်း

linear regression analysis တွင်၊ အမှားဒေတာများသည် ပုံမှန်အားဖြင့် ဖြန့်ဝေထားသည်ဟူသော ယူဆချက်သည် အလွန်အရေးကြီးပါသည်။ ဤယူဆချက်သည် regression model parameters များ၏ ယုံကြည်မှုကြားကာလများ တွက်ချက်ခြင်းနှင့် significance testing ပြုလုပ်ရန် ခွင့်ပြုသည်။ အလားတူပင်၊ ဒေတာအမှားများ သို့မဟုတ် outliers များကို ထောက်လှမ်းခြင်းကို ပုံမှန်အခြေအနေမှ သိသာထင်ရှားသော သွေဖည်မှုများအတွက် ကျန်ရှိသော ဖြန့်ဖြူးမှုကို စစ်ဆေးခြင်းဖြင့် မကြာခဏ ပြုလုပ်လေ့ရှိသည်။

### ၄။ ဆေးပညာနှင့် ဇီဝဗေဒ

ဆေးပညာတွင်၊ ပုံမှန်ဖြန့်ဖြူးမှုကို ဇီဝဗေဒဆိုင်ရာဖြစ်စဉ်အမျိုးမျိုး၏ ဖြန့်ဖြူးမှုကိုဖော်ပြရန် အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ အရပ်အမြင့်၊ သွေးပေါင်ချိန်နှင့် အချို့သောဓာတ်ခွဲခန်းစစ်ဆေးမှုရလဒ်များသည် ပုံမှန်ဖြန့်ဖြူးမှုကို လိုက်နာလေ့ရှိသည်။ ၎င်းသည် ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေမှုများအတွက် ဖြတ်တောက်တန်ဖိုးများကို ဆုံးဖြတ်ရာတွင် လွယ်ကူချောမွေ့စေသည်။

### ၅။ ဘဏ္ဍာရေးနှင့် စီးပွားရေး

ဘဏ္ဍာရေးတွင် ပုံမှန်ဖြန့်ဖြူးမှုကို စတော့ရှယ်ယာပြန်အမ်းငွေများ၊ အတိုးနှုန်းများနှင့် အခြားအရာများကဲ့သို့သော ဖြစ်စဉ်များစွာကို ပုံစံထုတ်ရန် အသုံးပြုသည်။ လက်တွေ့တွင် စတော့ရှယ်ယာများသည် မကြာခဏ ပိုမိုမြင့်မားသော skewness နှင့် kurtosis ကို ပြသလေ့ရှိသော်လည်း၊ ပုံမှန်ဖြန့်ဖြူးမှု၏ ယူဆချက်သည် ခိုင်မာသော ခွဲခြမ်းစိတ်ဖြာမှုအခြေခံကို ပေးစွမ်းနေဆဲဖြစ်သည်။

## အကောင်အထည်ဖော်မှုနှင့် တွက်ချက်မှု

### Python အသုံးပြုခြင်း

NumPy နှင့် SciPy ကဲ့သို့သော libraries များပါရှိသော Python သည် normal distribution နှင့်အလုပ်လုပ်ရန် နည်းလမ်းများစွာကို ပံ့ပိုးပေးပါသည်။ ဤ libraries များကို အသုံးပြု၍ normal distribution ကို မည်သို့ generalize လုပ်ပြီး plot လုပ်နိုင်သည်ကို ဥပမာတစ်ခုအနေဖြင့် ဖော်ပြထားပါသည်။

“`စပါးအုံး
numpy ကို np အဖြစ်တင်သွင်းပါ
plt ကဲ့သို့ matplotlib.pyplot ကိုတင်သွင်းပါ
scipy.stats တင်သွင်းမှုစံနှုန်းမှ

# ပုံမှန်ဖြန့်ဖြူးမှု ကန့်သတ်ချက်များ
mu = 0 # ပျမ်းမျှ
ဆစ်ဂမာ = 1 # စံသွေဖည်မှု

# ပုံမှန်ဖြန့်ဖြူးမှုအတွက် ဒေတာ
x = np.linspace(-၅၊ ၅၊ ၁၀၀၀)
y = norm.pdf(x, mu, sigma)

# ပုံမှန်ဖြန့်ဖြူးမှုပုံ
plt.plot(x၊ y)
plt.xlabel('x')
plt.ylabel('သိပ်သည်းဆ')
plt.title('ပုံမှန်ဖြန့်ဖြူးမှု N(0, 1)')
plt.show ()
``

အထက်ပါ ဥပမာတွင်၊ ကျွန်ုပ်တို့သည် ပျမ်းမျှ 0 နှင့် စံသွေဖည်မှု 1 ဖြင့် ပုံမှန်ဖြန့်ဖြူးမှုဒေတာကို ထုတ်လုပ်ပြီးနောက် ၎င်း၏ ဖြစ်နိုင်ခြေသိပ်သည်းဆ လုပ်ဆောင်ချက်ကို တွက်ချက်ခဲ့သည်။

## နိဂုံးချုပ်

ပုံမှန်ဖြန့်ဖြူးမှုသည် စာရင်းအင်းနှင့် ဖြစ်နိုင်ခြေတွင် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်သည်။ ဗဟိုကန့်သတ်ချက်သီအိုရမ်မှသည် ဆုတ်ယုတ်ခွဲခြမ်းစိတ်ဖြာမှုနှင့် ယူဆချက်စမ်းသပ်ခြင်းကဲ့သို့သော လက်တွေ့အသုံးချမှုအမျိုးမျိုးအထိ ၎င်း၏ တစ်ကမ္ဘာလုံးအတိုင်းအတာဖြင့် အသုံးပြုမှုသည် ၎င်းကို အလွန်ရေပန်းစားပြီး အရေးကြီးသော ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုများထဲမှ တစ်ခုဖြစ်စေသည်။ ပုံမှန်ဖြန့်ဖြူးမှုပုံသေနည်းနှင့် ၎င်းကို မည်သို့ထိရောက်စွာအသုံးပြုရမည်ကို နားလည်ခြင်းသည် ဒေတာသိပ္ပံ၊ သုတေသန၊ စီးပွားရေးနှင့် အခြားနယ်ပယ်များစွာတွင် အလုပ်လုပ်နေသော မည်သူမဆိုအတွက် မရှိမဖြစ်လိုအပ်သော အရည်အချင်းတစ်ခုဖြစ်သည်။

ဤအသိပညာဖြင့်၊ ကျွန်ုပ်တို့သည် ခွဲခြမ်းစိတ်ဖြာမှုပြဿနာအမျိုးမျိုးကို ပိုမိုထိရောက်စွာ ချဉ်းကပ်ဖြေရှင်းနိုင်ပြီး ရရှိနိုင်သောဒေတာနှင့် ဖြစ်နိုင်ခြေများအပေါ်အခြေခံ၍ ပိုမိုကောင်းမွန်သောဆုံးဖြတ်ချက်များချနိုင်စေပါသည်။