ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫੰਕਸ਼ਨ

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫੰਕਸ਼ਨ: ਸੰਪੂਰਨ ਵਿਆਖਿਆ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡਿਸਕ੍ਰਿਟ ਪ੍ਰੋਬੇਬਿਲਟੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਹ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਇੱਕੋ ਜਿਹੇ, ਸੁਤੰਤਰ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਿੱਚ ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਮਾਡਲ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਅਜ਼ਮਾਇਸ਼ ਦੇ ਦੋ ਸੰਭਾਵੀ ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ: ਸਫਲਤਾ ਜਾਂ ਅਸਫਲਤਾ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫੰਕਸ਼ਨ ਦੀ ਪਰਿਭਾਸ਼ਾ, ਫਾਰਮੂਲਾ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਡੂੰਘਾਈ ਨਾਲ ਪੜਚੋਲ ਕਰਾਂਗੇ।

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਨੂੰ ਸਮਝਣਾ

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ n ਸੁਤੰਤਰ ਪਰੀਖਣਾਂ ਵਿੱਚ "ਸਫਲਤਾਵਾਂ" ਦੀ ਸੰਖਿਆ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ:

- ਹਰੇਕ ਅਜ਼ਮਾਇਸ਼ ਸਿਰਫ਼ ਦੋ ਸੰਭਾਵਿਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦੀ ਹੈ: ਸਫਲਤਾ ਜਾਂ ਅਸਫਲਤਾ।
- ਹਰੇਕ ਪਰਖ 'ਤੇ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ p ਹੈ।
– ਅਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ 1 – p ਹੈ।
- ਹਰੇਕ ਮੁਕੱਦਮਾ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸੁਤੰਤਰ ਹੁੰਦਾ ਹੈ।

ਦੋਪਦੀ ਵੰਡ ਨੂੰ B(n, p) ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਜਿੱਥੇ n ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੀ ਸੰਖਿਆ ਹੈ ਅਤੇ p ਇੱਕ ਅਜ਼ਮਾਇਸ਼ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫਾਰਮੂਲਾ

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦੀ ਗਣਨਾ ਹੇਠ ਦਿੱਤੇ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

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

ਮਨ:
– \( P(X = k) \): n ਪਰੀਖਣਾਂ ਵਿੱਚ ਬਿਲਕੁਲ k ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ।
– \( \binom{n}{k} \): n ਵਸਤੂਆਂ ਦਾ ਸੁਮੇਲ k ਲਿਆ ਗਿਆ।
– \( p \): ਹਰੇਕ ਪਰਖ 'ਤੇ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ।
– \( n \): ਕੁੱਲ ਪਰਖਾਂ ਦੀ ਗਿਣਤੀ।
– \( k \): ਲੋੜੀਂਦੀਆਂ ਸਫਲਤਾਵਾਂ ਦੀ ਗਿਣਤੀ।

ਸੁਮੇਲ \(\binom{n}{k}\) ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

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

ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦੇ ਗੁਣ

1. ਉਮੀਦ (ਮਤਲਬ) ਅਤੇ ਭਿੰਨਤਾ:
– ਦੋਪਦੀ ਵੰਡ ਦੀ ਉਮੀਦ ਜਾਂ ਮੱਧਮਾਨ \( \mu = np \) ਹੈ।
– ਭਿੰਨਤਾ \( \sigma^2 = np(1-p) \) ਹੈ।

2. ਸਮਰੂਪਤਾ:
– ਦੋਪਦੀ ਵੰਡ ਸਮਮਿਤੀ ਹੁੰਦੀ ਹੈ ਜੇਕਰ p = 0.5 ਹੈ। ਜੇਕਰ p ≠ 0.5 ਹੈ, ਤਾਂ ਵੰਡ ਸੱਜੇ ਪਾਸੇ (p < 0.5) ਜਾਂ ਖੱਬੇ ਪਾਸੇ (p > 0.5) ਤਿਰਛੀ ਹੋ ਜਾਂਦੀ ਹੈ।

3. ਤਿਰਛੀ ਅਤੇ ਕੁਟਰੋਸਿਸ:
– ਦੋਪਦੀ ਵੰਡ ਦੀ ਤਿਰਛੀਤਾ \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \) ਹੈ।
– ਕਰਟੋਸਿਸ \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \) ਹੈ।

4. ਅਨੁਮਾਨਤ ਵੰਡ:
– 0.5 ਦੇ ਨੇੜੇ ਪਹੁੰਚਣ ਵਾਲੇ ਵੱਡੇ n ਅਤੇ p ਲਈ, ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਨੂੰ ਆਮ ਵੰਡ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
- ਜੇਕਰ p ਬਹੁਤ ਛੋਟਾ ਹੈ ਅਤੇ n ਬਹੁਤ ਵੱਡਾ ਹੈ ਤਾਂ ਜੋ np ਸਥਿਰ ਰਹੇ, ਤਾਂ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਨੂੰ ਪੋਇਸਨ ਵੰਡ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਵਰਤੋਂ

ਬਾਈਨੋਮੀਅਲ ਵੰਡ ਦੀ ਵਰਤੋਂ ਜੀਵ ਵਿਗਿਆਨ, ਅਰਥ ਸ਼ਾਸਤਰ, ਮਾਰਕੀਟਿੰਗ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਉਹਨਾਂ ਘਟਨਾਵਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਾਈਨਰੀ ਸ਼ਬਦਾਂ (ਸਫਲਤਾ/ਅਸਫਲਤਾ) ਵਿੱਚ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਥੇ ਇਸਦੀ ਵਰਤੋਂ ਦੀਆਂ ਕੁਝ ਠੋਸ ਉਦਾਹਰਣਾਂ ਹਨ:

ਉਤਪਾਦ ਗੁਣਵੱਤਾ ਜਾਂਚ

ਮੰਨ ਲਓ ਕਿ ਉਤਪਾਦ ਦੇ ਇੱਕ ਬੈਚ ਵਿੱਚ ਨੁਕਸਦਾਰ ਹੋਣ ਦੀ 2% ਸੰਭਾਵਨਾ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਉਤਪਾਦ ਦੀਆਂ 50 ਇਕਾਈਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਦਿੱਤੇ ਗਏ ਨੁਕਸਦਾਰ ਇਕਾਈਆਂ ਦੀ ਸੰਖਿਆ ਲੱਭਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। n = 50 ਅਤੇ p = 0.02 ਦੇ ਨਾਲ, ਅਸੀਂ ਬੈਚ ਵਿੱਚ ਬਿਲਕੁਲ k ਨੁਕਸਦਾਰ ਇਕਾਈਆਂ ਲੱਭਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ।

ਸੈਂਪਲਿੰਗ ਮੁਲਾਂਕਣ

ਉਦਾਹਰਨ ਲਈ, ਮਾਰਕੀਟ ਖੋਜ ਵਿੱਚ, ਸਰਵੇਖਣ ਅਕਸਰ ਹਾਂ/ਨਹੀਂ ਸਵਾਲਾਂ ਨਾਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਜੇਕਰ ਅਸੀਂ 100 ਲੋਕਾਂ ਦੇ ਨਮੂਨੇ ਵਿੱਚ ਇੱਕ ਬਿਆਨ ਨਾਲ ਸਹਿਮਤ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਗਿਣਤੀ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਾਂ (0.7 ਦੀ ਸਹਿਮਤੀ ਦੀ ਸੰਭਾਵਨਾ ਮੰਨਦੇ ਹੋਏ), ਤਾਂ ਬਾਇਨੋਮੀਅਲ ਵੰਡ ਸਹਿਮਤ ਲੋਕਾਂ ਦੀ ਸੰਭਾਵਿਤ ਸੰਖਿਆ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ।

ਜੈਨੇਟਿਕਾ

ਜੈਨੇਟਿਕਸ ਵਿੱਚ, ਦੋਪੰਥੀ ਵੰਡ ਦੀ ਵਰਤੋਂ ਇੱਕ ਪੀੜ੍ਹੀ ਤੋਂ ਦੂਜੀ ਪੀੜ੍ਹੀ ਤੱਕ ਕੁਝ ਖਾਸ ਗੁਣਾਂ ਦੇ ਵਿਰਾਸਤ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇਕਰ 25% ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਇੱਕ ਔਲਾਦ ਵਿੱਚ ਇੱਕ ਖਾਸ ਜੈਨੇਟਿਕ ਗੁਣ ਹੋਵੇਗਾ, ਤਾਂ ਅਸੀਂ ਦੋਪੰਥੀ ਵੰਡ ਦੀ ਵਰਤੋਂ ਇਸ ਸੰਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਚਾਰ ਔਲਾਦਾਂ ਵਿੱਚੋਂ, ਦੋ ਵਿੱਚ ਉਹ ਗੁਣ ਹੋਵੇਗਾ।

ਵਿੱਤ ਅਤੇ ਬੀਮਾ

ਵਿੱਤ ਵਿੱਚ, ਦੋਪੰਥੀ ਵੰਡ ਦੀ ਵਰਤੋਂ ਦੀਵਾਲੀਆਪਨ, ਦਾਅਵਿਆਂ ਦੇ ਭੁਗਤਾਨ, ਜਾਂ ਕੁਝ ਖਾਸ ਵਸਤੂਆਂ 'ਤੇ ਵਿਆਜ ਦਰਾਂ ਦੀ ਘਟਨਾ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਸਫਲਤਾ/ਅਸਫਲਤਾ ਦੀਆਂ ਸ਼ਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ।

ਗਣਨਾ ਉਦਾਹਰਨ

ਮੰਨ ਲਓ ਅਸੀਂ ਇਸ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ, 10 ਸਿੱਕਿਆਂ ਦੇ ਉਛਾਲ ਵਿੱਚੋਂ, ਸਾਨੂੰ ਬਿਲਕੁਲ 6 ਸਿਰ ਮਿਲਦੇ ਹਨ (ਇਹ ਮੰਨ ਕੇ ਕਿ ਸਿੱਕੇ ਨਿਰਪੱਖ ਹਨ ਅਤੇ p=0.5):

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

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

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

\[ = 0.205 \]

ਇਸ ਲਈ, 10 ਸਿੱਕਿਆਂ ਦੇ ਉਛਾਲ ਵਿੱਚੋਂ ਬਿਲਕੁਲ 6 ਸਿਰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ 0.205 ਹੈ।

ਕੰਪਿਊਟਿੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ

ਅੱਜ ਦੇ ਤਕਨੀਕੀ ਯੁੱਗ ਵਿੱਚ, ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਗਣਨਾ ਅਕਸਰ R, Python ਵਰਗੇ ਅੰਕੜਾ ਸਾਫਟਵੇਅਰ, ਜਾਂ Microsoft Excel ਵਰਗੇ ਸਪ੍ਰੈਡਸ਼ੀਟ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਥੇ `scipy` ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਸਧਾਰਨ Python ਸਕ੍ਰਿਪਟ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੈ:

''ਪਾਇਥਨ
scipy.stats ਇੰਪੋਰਟ ਬਿਨੌਮ ਤੋਂ

ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ n=10 ਅਤੇ p=0.5 ਲਈ P(X = 6) ਲੱਭਣਾ ਚਾਹੁੰਦੇ ਹਾਂ।
n = 10
ਪੀ = 0.5
ਕੇ = 6

ਸਮੱਸਿਆ = binom.pmf(k, n, p)

print(f”{n} ਸਿੱਕਿਆਂ ਦੇ ਉਛਾਲ ਤੋਂ ਬਿਲਕੁਲ {k} ਹੈੱਡ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ {prob:.3f} ਹੈ”)
“

ਸਿੱਟਾ

ਦੋਪਦੀ ਵੰਡ ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਾਧਨ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਸੁਤੰਤਰ ਬਾਈਨਰੀ ਘਟਨਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਸੰਕਲਪ ਵਿੱਚ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਨਾਲ ਸਾਨੂੰ ਵਿੱਤੀ ਫੈਸਲਿਆਂ, ਮਾਰਕੀਟ ਖੋਜ, ਉਤਪਾਦ ਦੀ ਗੁਣਵੱਤਾ, ਜੈਨੇਟਿਕਸ, ਅਤੇ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਹੋਰ ਉਪਯੋਗਾਂ ਨਾਲ ਜੁੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕਦੀ ਹੈ।

ਬਾਇਨੋਮੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਸਮਝ ਕੇ, ਅਸੀਂ ਘਟਨਾਵਾਂ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਸ਼ੁੱਧਤਾ ਨਾਲ ਮਾਡਲ ਅਤੇ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਮਜ਼ਬੂਤ ​​ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ 'ਤੇ ਅਧਾਰਤ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ। ਤਕਨਾਲੋਜੀ ਅਤੇ ਅੰਕੜਾ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਤਰੱਕੀ ਨੇ ਇਸ ਵੰਡ ਦੀ ਗਣਨਾ ਅਤੇ ਕਲਪਨਾ ਕਰਨਾ ਵੀ ਆਸਾਨ ਬਣਾ ਦਿੱਤਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਅਧਿਐਨ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਵਿਸ਼ਾਲ ਖੇਤਰਾਂ ਵਿੱਚ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਹੋ ਗਿਆ ਹੈ।