ਦੋਪੰਥੀ ਵੰਡ

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ: ਥਿਊਰੀ, ਐਪਲੀਕੇਸ਼ਨ, ਅਤੇ ਉਦਾਹਰਣਾਂ

ਪੇਂਡਹੁਲੁਆਨ

ਦੋਪਦੀ ਵੰਡ ਅੰਕੜਾ ਅਤੇ ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਸੰਕਲਪ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡਿਸਕ੍ਰਿਟ ਵੰਡਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਰੂਪ ਵਿੱਚ, ਦੋਪਦੀ ਵੰਡ ਦਵਾਈ, ਅਰਥਸ਼ਾਸਤਰ, ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕਈ ਉਪਯੋਗ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਇਹ ਲੇਖ ਦੋਪਦੀ ਵੰਡ ਬਾਰੇ ਡੂੰਘਾਈ ਨਾਲ ਚਰਚਾ ਕਰੇਗਾ, ਜਿਸ ਵਿੱਚ ਇਸਦੀ ਪਰਿਭਾਸ਼ਾ, ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਸੰਬੰਧਿਤ ਫਾਰਮੂਲੇ ਅਤੇ ਕਈ ਵਿਹਾਰਕ ਉਪਯੋਗ ਉਦਾਹਰਣਾਂ ਸ਼ਾਮਲ ਹਨ।

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਨੂੰ ਸਮਝਣਾ

ਦੋਪਦੀ ਵੰਡ n ਬਰਨੌਲੀ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੇ ਨਤੀਜੇ ਦਾ ਵਰਣਨ ਕਰਦੀ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਅਜ਼ਮਾਇਸ਼ ਦੇ ਸਿਰਫ਼ ਦੋ ਸੰਭਵ ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ: "ਸਫਲਤਾ" ਜਾਂ "ਅਸਫਲਤਾ।" ਉਦਾਹਰਨ ਲਈ, ਸਿੱਕੇ ਦੇ ਉਛਾਲ ਵਿੱਚ, ਸੰਭਾਵੀ ਨਤੀਜੇ "ਸਿਰ" ਜਾਂ "ਸਿਰ" ਹੁੰਦੇ ਹਨ।

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਵਿੱਚ ਦੋ ਮੁੱਖ ਮਾਪਦੰਡ ਹਨ:
1. n (ਪ੍ਰੀਖਿਆਵਾਂ ਦੀ ਗਿਣਤੀ)
2. p (ਹਰੇਕ ਪਰਖ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ)

ਹੋਰ ਰਸਮੀ ਤੌਰ 'ਤੇ, n ਪਰਖਾਂ ਵਿੱਚ ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਬਾਇਨੋਮੀਅਲ ਵੰਡ \( B(n, p) \) ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਪ੍ਰੋਬੇਬਿਲਿਟੀ ਮਾਸ ਫੰਕਸ਼ਨ (PMF)

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੇ ਪ੍ਰੋਬੇਬਿਲਟੀ ਪੁੰਜ ਫੰਕਸ਼ਨ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
ਕਿੱਥੇ:
– \( \binom{n}{k} \) n ਚੁਣੇ ਹੋਏ k ਦਾ ਸੁਮੇਲ ਹੈ,
– \( p \) ਇੱਕ ਸਿੰਗਲ ਟ੍ਰਾਇਲ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਹੈ,
– \( k \) ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਹੈ,
– \( n \) ਪਰਖਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਹੈ।

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦੇ ਮੁੱਖ ਗੁਣ

ਦੋਪਦੀ ਵੰਡ ਦੇ ਕਈ ਮੁੱਖ ਗੁਣ ਹਨ:
1. ਔਸਤ (ਔਸਤ): ਹਰੇਕ ਪਰਖ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਨਾਲ ਪਰਖਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਗੁਣਾ ਕਰਨ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਔਸਤ \( \mu = np \) ਹੈ।
2. ਭਿੰਨਤਾ: ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦਾ ਭਿੰਨਤਾ ਪਰਖਾਂ ਦੀ ਸੰਖਿਆ, ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ, ਅਤੇ ਅਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਗੁਣਨਫਲ ਹੈ, ਯਾਨੀ ਕਿ, \( \sigma^2 = np(1 – p) \)।
3. ਸਮਰੂਪਤਾ ਅਤੇ ਤਿਰਛੀਤਾ: ਜਦੋਂ \( p = 0.5 \), ਤਾਂ ਦੋਪਦੀ ਵੰਡ ਸਮਰੂਪ ਹੁੰਦੀ ਹੈ। \( p < 0.5 \) ਲਈ, ਵੰਡ ਸੱਜੇ ਪਾਸੇ ਤਿਰਛੀ ਹੁੰਦੀ ਹੈ, ਅਤੇ \( p > 0.5 \) ਲਈ, ਵੰਡ ਖੱਬੇ ਪਾਸੇ ਤਿਰਛੀ ਹੁੰਦੀ ਹੈ।
4. ਮੁੱਲ ਸੀਮਾਵਾਂ: ਦੋਪੰਥੀ ਮੁੱਲ (k) 0 ਤੋਂ n ਤੱਕ ਹੁੰਦਾ ਹੈ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਅਤੇ ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ

ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਵਿੱਚ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀ ਹੈ। ਜਦੋਂ ਪਰਖਾਂ (n) ਦੀ ਗਿਣਤੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਮੱਧਮਾਨ \( \mu = np \) ਅਤੇ ਮਿਆਰੀ ਭਟਕਣ \( \sigma = \sqrt{np(1 – p)} \) ਦੇ ਨਾਲ ਇੱਕ ਆਮ ਵੰਡ ਤੱਕ ਪਹੁੰਚ ਜਾਵੇਗੀ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੇਸ ਉਦਾਹਰਣ

ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਤੋਂ ਵਿਹਾਰਕ ਉਦਾਹਰਣਾਂ ਰਾਹੀਂ ਦੋਪੰਥੀ ਵੰਡ ਬਾਰੇ ਚਰਚਾਵਾਂ ਨੂੰ ਸਮਝਣਾ ਆਸਾਨ ਹੋਵੇਗਾ। ਇੱਥੇ ਕੁਝ ਅਸਲ-ਸੰਸਾਰ ਉਪਯੋਗ ਹਨ:

ਉਦਾਹਰਨ 1: ਉਤਪਾਦ ਟੈਸਟਿੰਗ

ਮੰਨ ਲਓ ਕਿ ਇੱਕ ਇਲੈਕਟ੍ਰਾਨਿਕਸ ਕੰਪਨੀ ਕੋਲ ਇੱਕ ਉਤਪਾਦਨ ਲਾਈਨ ਹੈ ਜਿੱਥੇ ਇੱਕ ਨੁਕਸਦਾਰ ਉਤਪਾਦ ਦੀ ਸੰਭਾਵਨਾ 0.01 ਹੈ। ਜੇਕਰ ਕੰਪਨੀ 100 ਉਤਪਾਦਾਂ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ, ਤਾਂ ਬਿਲਕੁਲ 2 ਨੁਕਸਦਾਰ ਉਤਪਾਦ ਲੱਭਣ ਦੀ ਸੰਭਾਵਨਾ ਕਿੰਨੀ ਹੈ?

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ:
\[ ਪੀ(ਐਕਸ = 2) = \ਬਿਨੋਮ{100}{2} (0.01)^2 (0.99)^{98} \]

ਸੰਜੋਗਾਂ \(\binom{100}{2}) ਦੀ ਗਣਨਾ ਕਰਕੇ, ਫਿਰ ਬਾਕੀ ਸੰਭਾਵਨਾਵਾਂ ਨਾਲ ਗੁਣਾ ਕਰਕੇ, ਸਾਨੂੰ ਅੰਤਿਮ ਨਤੀਜਾ ਮਿਲਦਾ ਹੈ।

ਉਦਾਹਰਨ 2: ਮੈਡੀਕਲ ਖੋਜ

ਕਿਸੇ ਖਾਸ ਬਿਮਾਰੀ ਲਈ ਦਵਾਈ ਦੇ ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲ ਵਿੱਚ, ਇੱਕ ਮਰੀਜ਼ ਦੇ ਦਵਾਈ ਨਾਲ ਠੀਕ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 0.8 ਹੈ। ਜੇਕਰ 10 ਮਰੀਜ਼ਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਘੱਟੋ-ਘੱਟ 8 ਮਰੀਜ਼ਾਂ ਦੇ ਠੀਕ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਕਿੰਨੀ ਹੈ?

ਇਸ ਸੰਭਾਵਨਾ ਨੂੰ ਲੱਭਣ ਲਈ, ਸਾਨੂੰ 8, 9, ਅਤੇ 10 ਮਰੀਜ਼ਾਂ ਦੇ ਠੀਕ ਹੋਣ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਜੋੜਨਾ ਪਵੇਗਾ:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]

k (8, 9, ਅਤੇ 10) ਦੇ ਹਰੇਕ ਮੁੱਲ ਲਈ ਦੋਪੰਥੀ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਫਿਰ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜ ਕੇ।

ਉਦਾਹਰਨ 3: ਅਰਥ ਸ਼ਾਸਤਰ ਵਿੱਚ ਫੈਸਲੇ

ਇੱਕ ਮਾਰਕੀਟ ਸਰਵੇਖਣ ਵਿੱਚ, 60% ਖਪਤਕਾਰਾਂ ਨੂੰ ਇੱਕ ਨਵਾਂ ਉਤਪਾਦ ਪਸੰਦ ਆਇਆ। ਜੇਕਰ 20 ਖਪਤਕਾਰਾਂ ਦਾ ਇੱਕ ਬੇਤਰਤੀਬ ਨਮੂਨਾ ਲਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸ ਗੱਲ ਦੀ ਸੰਭਾਵਨਾ ਕੀ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਘੱਟੋ-ਘੱਟ 15 ਨੂੰ ਉਤਪਾਦ ਪਸੰਦ ਆਇਆ?

ਸਾਨੂੰ 15 ਤੋਂ 20 ਤੱਕ ਪਸੰਦਾਂ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਦੋਪੰਥੀ ਵੰਡ ਦੀ ਲੋੜ ਹੈ:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]

ਇਸੇ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਇਹਨਾਂ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਜੋੜਦੇ ਹਾਂ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਗਣਨਾਵਾਂ ਵਿੱਚ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ

ਡਿਜੀਟਲ ਯੁੱਗ ਵਿੱਚ, ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਕੈਲਕੂਲੇਸ਼ਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਸਿਰਫ਼ ਹੱਥੀਂ ਹੀ ਨਹੀਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ, ਸਗੋਂ ਆਰ, ਪਾਈਥਨ, ਜਾਂ ਕੁਝ ਅੰਕੜਾ ਕੈਲਕੂਲੇਟਰ ਵਰਗੇ ਸੌਫਟਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।

ਇੱਥੇ ਬਾਈਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਪਾਈਥਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੈ:

''ਪਾਇਥਨ
scipy.stats ਇੰਪੋਰਟ ਬਿਨੌਮ ਤੋਂ

n = 10 ਪਰਖਾਂ ਦੀ ਗਿਣਤੀ
p = 0.8 ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ
k = 8 ਸਫਲਤਾਵਾਂ ਦੀ ਉਮੀਦ ਕੀਤੀ ਗਈ ਸੰਖਿਆ

ਬਿਲਕੁਲ 8 ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾ
prob_8 = binom.pmf(k, n, p)

ਘੱਟੋ-ਘੱਟ 8 ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾ
prob_ge_8 = 1 – binom.cdf(k-1, n, p)

print(f”ਬਿਲਕੁਲ 8 ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾ: {prob_8}”)
print(f"ਘੱਟੋ-ਘੱਟ 8 ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾ: {prob_ge_8}")
“

ਸਿੱਟਾ

ਦੋਪਦੀ ਵੰਡ ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿੱਚ ਇੱਕ ਜ਼ਰੂਰੀ ਬੁਨਿਆਦੀ ਸੰਕਲਪ ਹੈ। ਦੋਪਦੀ ਵੰਡ ਨੂੰ ਸਮਝ ਕੇ, ਅਸੀਂ ਦੋ ਨਤੀਜਿਆਂ ਨਾਲ ਵਾਰ-ਵਾਰ ਪ੍ਰਯੋਗ ਕਰਨ ਵਾਲੀਆਂ ਅਸਲ-ਸੰਸਾਰ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸੰਭਾਵਨਾ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਤਕਨੀਕੀ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਯੋਗਤਾ ਗਣਨਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਅਤੇ ਸਹੀ ਬਣਾਉਂਦੀ ਹੈ। ਦੋਪਦੀ ਵੰਡ ਨਾ ਸਿਰਫ਼ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ ਬਲਕਿ ਵਿਗਿਆਨ ਅਤੇ ਉਦਯੋਗ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਇਸਦੇ ਕਈ ਸੰਬੰਧਿਤ ਵਿਹਾਰਕ ਉਪਯੋਗ ਵੀ ਹਨ।

ਉਮੀਦ ਹੈ ਕਿ ਇਹ ਲੇਖ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦੀ ਡੂੰਘੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰੇਗਾ ਅਤੇ ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਹੋਰ ਖੋਜ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰੇਗਾ।