तथ्याङ्कमा सामान्य वितरण सूत्र

# तथ्याङ्कमा सामान्य वितरण सूत्र

सामान्य वितरण, जसलाई गौसियन वितरण वा घण्टी वक्र पनि भनिन्छ, तथ्याङ्कमा सबैभन्दा आधारभूत अवधारणाहरू मध्ये एक हो। यसको अस्तित्वलाई प्रायः विभिन्न सांख्यिकीय र सम्भाव्यता विश्लेषणहरूको आधार मानिन्छ। यो वितरण सिद्धान्तमा मात्र नभई वित्तीय जोखिम व्यवस्थापन, सामाजिक विज्ञान, चिकित्सा, र अन्य जस्ता विभिन्न व्यावहारिक अनुप्रयोगहरूमा पनि बारम्बार प्रयोग गरिन्छ।

## सामान्य वितरणको परिभाषा

सामान्य वितरण भनेको निरन्तर सम्भाव्यता वितरण हो जुन यसको औसतको बारेमा सममित हुन्छ। अर्को शब्दमा, यस वितरणको ग्राफिकल प्लटले एउटा घण्टी वक्र बनाउनेछ जुन औसतमा फराकिलो हुँदैछ र पुच्छरमा साँघुरो हुँदैछ। यो वितरणमा दुई मुख्य प्यारामिटरहरू छन्: औसत (μ) र मानक विचलन (σ)।

माध्यले वितरणको केन्द्रको स्थान निर्धारण गर्छ, जबकि मानक विचलनले माध्यको वरिपरि डेटा कति फैलिएको छ भनेर मापन गर्छ। मानक विचलन जति ठूलो हुन्छ, वितरण वक्र त्यति नै फराकिलो र छोटो हुन्छ; मानक विचलन जति सानो हुन्छ, वक्र त्यति नै साँघुरो र ठाडो हुन्छ।

## सम्भाव्यता घनत्व प्रकार्य

सामान्य वितरणको लागि सम्भाव्यता घनत्व प्रकार्य (pdf) मा निम्न गणितीय रूप छ:

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

यहाँ:
– \( x \) एक अनियमित चर हो।
– \( \mu \) वितरणको माध्य हो।
– \( \sigma \) वितरणको मानक विचलन हो।
– \( e \) प्राकृतिक लघुगणकको आधार हो, लगभग २.७१८२८।

माथिको प्रकार्यले सममित घण्टी वक्र सिर्जना गर्दछ। दुई बिन्दुहरू बीचको यो प्रकार्यको अभिन्नले सम्भाव्यता दिन्छ कि अनियमित चर ती दुई मानहरू बीच छ।

## मानक सामान्य वितरण

मानक सामान्य वितरण भनेको औसत \( \mu = 0 \) र मानक विचलन \( \sigma = 1 \) भएको सामान्य वितरण हो। मानक सामान्य वितरणको लागि सम्भाव्यता घनत्व प्रकार्य हो:

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

यहाँ:
– \( z \) मानक सामान्य वितरण पछि आउने अनियमित चर हो।

मानक सामान्य वितरण प्रायः प्रयोग गरिन्छ किनभने यसले हामीलाई "मानकीकरण" भनिने प्रक्रिया मार्फत अन्य सामान्य वितरणहरूलाई मानकीकरण गर्न अनुमति दिन्छ। मानकीकरणमा निम्न सूत्र प्रयोग गरेर सामान्य वितरण \( N(\mu, \sigma) \) को मान \( x \) लाई मानक सामान्य वितरण \( N(0, 1) \) को मान \( z \) मा रूपान्तरण गर्नु समावेश छ:

\[ z = \frac{x - \mu}{\sigma} \]

यो प्रक्रियाले विभिन्न सामान्य वितरणहरूबाट मानहरूलाई एउटै स्केलमा म्याप गरेर तुलना गर्न सजिलो बनाउँछ।

## प्रयोग र सान्दर्भिकता

### १. केन्द्रीय सीमा प्रमेय

केन्द्रीय सीमा प्रमेय (CLT) को सन्दर्भमा सामान्य वितरण विशेष गरी सान्दर्भिक छ। CLT ले भन्छ कि पर्याप्त मात्रामा स्वतन्त्र अनियमित चरहरू लगभग सामान्य रूपमा वितरित हुनेछन्, मूल वितरणको आकारलाई ध्यान नदिई। यसको अर्थ सामान्य वितरणलाई नमूना औसतको वितरण अनुमान गर्न प्रयोग गर्न सकिन्छ, जबसम्म नमूना पर्याप्त ठूलो हुन्छ।

### २. तथ्याङ्कीय अनुमान

सामान्य वितरणले परिकल्पना परीक्षणहरू, जस्तै z-परीक्षण र t-परीक्षण, प्रयोग गर्न अनुमति दिन्छ। दुवै विधिहरूले अवलोकन गरिएका परिणामहरूको सांख्यिकीय महत्त्व निर्धारण गर्न मानक सामान्य वितरण प्रयोग गर्छन्। z-परीक्षण सामान्यतया नमूना आकार ठूलो हुँदा वा जनसंख्या मानक विचलन ज्ञात हुँदा प्रयोग गरिन्छ, जबकि t-परीक्षण नमूना आकार सानो हुँदा वा जनसंख्या मानक विचलन अज्ञात हुँदा लागू गरिन्छ।

### ३. प्रतिगमन विश्लेषण

रेखीय प्रतिगमन विश्लेषणमा, त्रुटि डेटा सामान्य रूपमा वितरित गरिन्छ भन्ने धारणा महत्त्वपूर्ण छ। यो धारणाले विश्वास अन्तरालहरूको गणना र प्रतिगमन मोडेल प्यारामिटरहरूको महत्त्व परीक्षणको लागि अनुमति दिन्छ। त्यस्तै गरी, डेटा त्रुटिहरू वा आउटलियरहरू पत्ता लगाउने काम प्रायः सामान्यताबाट महत्त्वपूर्ण विचलनहरूको लागि अवशिष्ट वितरणको जाँच गरेर गरिन्छ।

### ४. चिकित्सा र जीवविज्ञान

चिकित्सामा, सामान्य वितरणलाई विभिन्न जैविक घटनाहरूको वितरण वर्णन गर्न प्रयोग गरिन्छ। उदाहरणका लागि, उचाइ, रक्तचाप, र केही प्रयोगशाला परीक्षण परिणामहरू प्रायः सामान्य वितरणलाई पछ्याउँछन्। यसले चिकित्सा निदानको लागि कटअफ मानहरूको निर्धारणलाई सहज बनाउँछ।

### ५. वित्त र अर्थशास्त्र

वित्तमा, सामान्य वितरणलाई धेरै घटनाहरू मोडेल गर्न प्रयोग गरिन्छ, जस्तै स्टक रिटर्न, ब्याज दर, र थप। यद्यपि व्यवहारमा, स्टकहरूले प्रायः उच्च स्क्युनेस र कर्टोसिस प्रदर्शन गर्छन्, सामान्य वितरणको धारणाले अझै पनि ठोस विश्लेषणात्मक आधार प्रदान गर्दछ।

## कार्यान्वयन र गणना

### पाइथन प्रयोग गर्दै

NumPy र SciPy जस्ता पुस्तकालयहरू भएको पाइथनले सामान्य वितरणसँग काम गर्ने धेरै तरिकाहरू प्रदान गर्दछ। यी पुस्तकालयहरू प्रयोग गरेर हामी कसरी सामान्य वितरणलाई सामान्यीकरण र प्लट गर्न सक्छौं भन्ने उदाहरण यहाँ दिइएको छ:

'' अजगर
np को रूपमा numpy आयात गर्नुहोस्
matplotlib.pyplot लाई plt को रूपमा आयात गर्नुहोस्
scipy.stats आयात मानकबाट

# सामान्य वितरण प्यारामिटरहरू
mu = ० # माध्य
सिग्मा = १ # मानक विचलन

# सामान्य वितरणको लागि डेटा
x = np.linspace(-५, ५, १०००)
y = norm.pdf(x, mu, सिग्मा)

# सामान्य वितरण प्लट
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('घनत्व')
plt.title('सामान्य वितरण N(0, 1)')
plt.show() लाई
"'

माथिको उदाहरणमा, हामीले औसत ० र मानक विचलन १ सहितको सामान्य वितरण डेटा उत्पन्न गर्यौं, र त्यसपछि यसको सम्भाव्यता घनत्व प्रकार्य प्लट गर्यौं।

## निष्कर्ष

सामान्य वितरणले तथ्याङ्क र सम्भाव्यतामा महत्त्वपूर्ण भूमिका खेल्छ। केन्द्रीय सीमा प्रमेयदेखि लिएर प्रतिगमन विश्लेषण र परिकल्पना परीक्षण जस्ता विभिन्न व्यावहारिक अनुप्रयोगहरूसम्म यसको विश्वव्यापी प्रयोगले यसलाई सबैभन्दा लोकप्रिय र महत्त्वपूर्ण सम्भाव्यता वितरणहरू मध्ये एक बनाउँछ। सामान्य वितरण सूत्र बुझ्नु र यसलाई प्रभावकारी रूपमा कसरी प्रयोग गर्ने भन्ने कुरा डेटा विज्ञान, अनुसन्धान, अर्थशास्त्र, र अन्य धेरै क्षेत्रहरूमा काम गर्ने जो कोहीको लागि आवश्यक सीप हो।

यस ज्ञानको साथ, हामी विभिन्न प्रकारका विश्लेषणात्मक समस्याहरूलाई अझ प्रभावकारी रूपमा समाधान गर्न र समाधान गर्न सक्छौं, जसले गर्दा उपलब्ध डेटा र सम्भाव्यताहरूको आधारमा राम्रो निर्णय लिन सक्षम हुन्छौं।