ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ

ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਦੇ ਮੂਲ ਸੰਕਲਪ

ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਵਿੱਚ, ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹਨ, ਜੋ ਬੇਤਰਤੀਬ ਘਟਨਾਵਾਂ ਅਤੇ ਮਾਪਣਯੋਗ ਗਣਿਤਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ। ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਰਾਹੀਂ, ਅਸੀਂ ਇੱਕ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗ ਦੇ ਨਤੀਜਿਆਂ ਦਾ "ਅਨੁਵਾਦ" ਕਰ ਸਕਦੇ ਹਾਂ - ਜਿਸ ਵਿੱਚ ਸ਼ੁਰੂ ਵਿੱਚ ਘਟਨਾਵਾਂ ਜਾਂ ਸ਼੍ਰੇਣੀਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ - ਉਹਨਾਂ ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: ਉਹਨਾਂ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ, ਉਹਨਾਂ ਨੂੰ ਔਸਤ ਨਾਲ ਸੰਖੇਪ ਕਰਨਾ, ਉਹਨਾਂ ਦੇ ਫੈਲਾਅ ਨੂੰ ਮਾਪਣਾ, ਅਤੇ ਖਾਸ ਵੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਹਨਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਨਾ। ਇਹ ਲੇਖ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ, ਉਹਨਾਂ ਦੀਆਂ ਕਿਸਮਾਂ, ਅਤੇ ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਜਿਵੇਂ ਕਿ ਸੰਭਾਵਨਾ ਫੰਕਸ਼ਨ, ਸੰਚਤ ਵੰਡ ਫੰਕਸ਼ਨ, ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਅਤੇ ਪਰਿਵਰਤਨ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।

1. ਇੱਕ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਕੀ ਹੈ?

ਸਿੱਧੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇੱਕ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਇੱਕ ਫੰਕਸ਼ਨ ਹੈ ਜੋ ਹਰੇਕ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਨਮੂਨਾ ਸਪੇਸ ਤੋਂ ਇੱਕ ਅਸਲ ਸੰਖਿਆ ਤੱਕ ਮੈਪ ਕਰਦਾ ਹੈ। ਨਮੂਨਾ ਸਪੇਸ ਇੱਕ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗ ਦੇ ਸਾਰੇ ਸੰਭਾਵਿਤ ਨਤੀਜਿਆਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ।

ਉਦਾਹਰਣ ਵਜੋਂ, ਮੰਨ ਲਓ ਅਸੀਂ ਛੇ-ਪਾਸੜ ਡਾਈ ਨੂੰ ਰੋਲ ਕਰਦੇ ਹਾਂ। ਨਮੂਨਾ ਸਪੇਸ {1, 2, 3, 4, 5, 6} ਹੈ। ਅਸੀਂ ਰੈਂਡਮ ਵੇਰੀਏਬਲ \(X\) ਨੂੰ "ਡਾਈ 'ਤੇ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਸੰਖਿਆ" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਫਿਰ \(X\) ਦੇ ਮੁੱਲ 1 ਤੋਂ 6 ਤੱਕ ਹੋ ਸਕਦੇ ਹਨ, ਜੇਕਰ ਡਾਈ ਨਿਰਪੱਖ ਹੈ ਤਾਂ ਬਰਾਬਰ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ।

ਇੱਕ ਹੋਰ ਉਦਾਹਰਣ: ਅਸੀਂ ਦੋ ਸਿੱਕੇ ਪਲਟਦੇ ਹਾਂ। ਨਮੂਨਾ ਸਪੇਸ {HH, HT, TH, TT} ਹੈ। ਜੇਕਰ ਅਸੀਂ ਰੈਂਡਮ ਵੇਰੀਏਬਲ \(Y\) ਨੂੰ "ਦਿਖਣ ਵਾਲੇ ਸਿਰਾਂ (H) ਦੀ ਸੰਖਿਆ" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ, ਤਾਂ:
– ਐੱਚਐੱਚ → \(ਵਾਈ = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– ਟੀ ਟੀ → \(ਵਾਈ = 0\)

ਇੱਥੇ ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਅਸਲ ਨਤੀਜੇ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ "ਪ੍ਰਤੀਬਿੰਬਤ" ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ; ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੇ ਅਨੁਸਾਰ ਬੇਤਰਤੀਬ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਨਿਰਧਾਰਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹਨ।

2. ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀਆਂ ਕਿਸਮਾਂ: ਡਿਸਕ੍ਰਿਟ ਅਤੇ ਨਿਰੰਤਰ

ਆਮ ਤੌਰ 'ਤੇ, ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਦੋ ਮੁੱਖ ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡੇ ਜਾਂਦੇ ਹਨ:

a) ਵੱਖਰੇ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ
ਇੱਕ ਡਿਸਕ੍ਰਿਟ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਇੱਕ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਹੁੰਦਾ ਹੈ ਜਿਸਦੇ ਮੁੱਲ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਗਿਣੇ ਜਾ ਸਕਦੇ ਹਨ (ਗਿਣਨਯੋਗ), ਆਮ ਤੌਰ 'ਤੇ ਪੂਰਨ ਅੰਕਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਜਾਂ ਖਾਸ ਮੁੱਲਾਂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਸੈੱਟ ਵਿੱਚ।

ਰੂਪ:
- ਇੱਕ ਪਰਿਵਾਰ ਵਿੱਚ ਬੱਚਿਆਂ ਦੀ ਗਿਣਤੀ (0, 1, 2, 3, …)
- 1 ਮਿੰਟ ਵਿੱਚ ਟੋਲ ਪੋਸਟ ਤੋਂ ਲੰਘਣ ਵਾਲੇ ਵਾਹਨਾਂ ਦੀ ਗਿਣਤੀ
- ਨਿਰੀਖਣ ਕੀਤੇ ਗਏ 10 ਉਤਪਾਦਾਂ ਵਿੱਚੋਂ ਨੁਕਸਦਾਰ ਵਸਤੂਆਂ ਦੀ ਗਿਣਤੀ

ਡਿਸਕ੍ਰਿਟ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਲਈ, ਹਰੇਕ ਮੁੱਲ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਇੱਕ ਪ੍ਰੋਬੇਬਿਲਟੀ ਪੁੰਜ ਫੰਕਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ ਸਿੱਧਾ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

b) ਨਿਰੰਤਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ
ਇੱਕ ਨਿਰੰਤਰ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਇੱਕ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਹੁੰਦਾ ਹੈ ਜੋ ਅਸਲ ਸੰਖਿਆ ਰੇਖਾ (ਅਗਿਣਤ) 'ਤੇ ਇੱਕ ਨਿਰੰਤਰ ਅੰਤਰਾਲ 'ਤੇ ਮੁੱਲ ਲੈ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਸਾਰੇ ਮੁੱਲ, ਜਾਂ ਸਾਰੇ ਸਕਾਰਾਤਮਕ ਅਸਲ ਮੁੱਲ।

ਰੂਪ:
- ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਉਚਾਈ
- ਕਾਊਂਟਰ 'ਤੇ ਗਾਹਕ ਦਾ ਇੰਤਜ਼ਾਰ ਸਮਾਂ
- ਇੱਕ ਨਿਸ਼ਚਿਤ ਘੰਟੇ 'ਤੇ ਹਵਾ ਦਾ ਤਾਪਮਾਨ

ਇੱਕ ਨਿਰੰਤਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਲਈ, ਕਿਸੇ ਵੀ ਦਿੱਤੇ ਬਿੰਦੂ 'ਤੇ ਸੰਭਾਵਨਾ ਅਸਲ ਵਿੱਚ ਜ਼ੀਰੋ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ (ਜਿਵੇਂ ਕਿ, 10 ਅਤੇ 12 ਮਿੰਟ ਦੇ ਵਿਚਕਾਰ) ਵਿੱਚ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

3. ਸੰਭਾਵਨਾ ਫੰਕਸ਼ਨ: PMF ਅਤੇ PDF

ਅਗਲਾ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ ਇਹ ਹੈ ਕਿ ਸੰਭਾਵਨਾ ਇੱਕ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਦੇ ਮੁੱਲ ਨਾਲ "ਜੁੜੀ" ਕਿਵੇਂ ਹੈ।

a) ਪ੍ਰੋਬੇਬਿਲਿਟੀ ਮਾਸ ਫੰਕਸ਼ਨ (PMF)
ਇੱਕ ਡਿਸਕ੍ਰਿਟ ਰੈਂਡਮ ਵੇਰੀਏਬਲ \(X\) ਲਈ, PMF ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ:
\[
ਪੀ(ਐਕਸ) = ਪੀ(ਐਕਸ = ਐਕਸ)
\]
ਇਸ ਵਿਵਸਥਾ ਦੇ ਨਾਲ:
1. \(p(x) \ge 0\) ਸਾਰਿਆਂ ਲਈ \(x\)
2. \(\sum_x p(x) = 1\)

ਸਧਾਰਨ ਉਦਾਹਰਣ: ਫੇਅਰ ਡਾਈਸ
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]

b) ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ (PDF)
ਇੱਕ ਨਿਰੰਤਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ \(X\) ਲਈ, ਅਸੀਂ PDF \(f(x)\) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਅੰਤਰਾਲ \([a,b]\) 'ਤੇ ਸੰਭਾਵਨਾ ਇਹ ਹੋਵੇ:
\[
P(a \le X \le b) = \int_a^bf(x)\,dx
\]
ਇਸ ਵਿਵਸਥਾ ਦੇ ਨਾਲ:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)

ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦੇਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇੱਕ ਨਿਰੰਤਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਲਈ, \(x\) ਦੇ ਹਰੇਕ ਮੁੱਲ ਲਈ \(P(X=x)=0\)। ਰੇਂਜਾਂ ਦੀ ਚਰਚਾ ਕਰਦੇ ਸਮੇਂ ਸੰਭਾਵਨਾ ਹਮੇਸ਼ਾ ਅਰਥਪੂਰਨ ਹੁੰਦੀ ਹੈ।

4. ਸੰਚਤ ਵੰਡ ਫੰਕਸ਼ਨ (CDF)

ਭਾਵੇਂ ਡਿਸਕ੍ਰਿਟ ਹੋਵੇ ਜਾਂ ਨਿਰੰਤਰ, ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਸੰਚਤ ਵੰਡ ਫੰਕਸ਼ਨ (CDF) ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ:
\[
F(x) = P(X \le x)
\]

CDF ਦੇ ਕਈ ਮਹੱਤਵਪੂਰਨ ਗੁਣ ਹਨ:
– \(F(x)\) ਦਾ ਮੁੱਲ ਹਮੇਸ਼ਾ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਹੁੰਦਾ ਹੈ।
– \(F(x)\) ਘਟਦਾ ਨਹੀਂ (ਘਟਦਾ ਨਹੀਂ)
– \(\lim_{x\ਤੋਂ -\infty}F(x)=0\) ਅਤੇ \(\lim_{x\ਤੋਂ\infty}F(x)=1\)

ਡਿਸਕ੍ਰਿਟ ਵੇਰੀਏਬਲਾਂ ਲਈ, CDF "ਪੌੜੀਆਂ" ਦੇ ਆਕਾਰ ਦਾ ਹੁੰਦਾ ਹੈ (ਕੁਝ ਖਾਸ ਬਿੰਦੂਆਂ 'ਤੇ ਵਧਦਾ ਹੋਇਆ)। ਨਿਰੰਤਰ ਵੇਰੀਏਬਲਾਂ ਲਈ, CDF ਆਮ ਤੌਰ 'ਤੇ ਨਿਰਵਿਘਨ ਹੁੰਦਾ ਹੈ ਅਤੇ PDF ਦਾ ਅਨਿੱਖੜਵਾਂ ਅੰਗ ਹੁੰਦਾ ਹੈ:
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]

5. ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਮਾਪ: ਅਨੁਮਾਨਿਤ ਮੁੱਲ (ਉਮੀਦ)

ਇੱਕ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਸੰਭਾਵਨਾ ਵੰਡ ਨੂੰ ਜਾਣ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਅਕਸਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਸੰਖਿਆ ਨਾਲ ਸੰਖੇਪ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਇਸਦੇ "ਲੰਬੇ ਸਮੇਂ ਦੇ ਔਸਤ ਮੁੱਲ" ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਜਾਂ ਉਮੀਦ ਹੈ।

a) ਵੱਖਰੀਆਂ ਪਰਿਵਰਤਨਸ਼ੀਲ ਉਮੀਦਾਂ
ਜੇਕਰ \(X\) ਵੱਖਰਾ ਹੈ:
\[
ਈ[ਐਕਸ] = \ਸਮ_ਐਕਸ x\,ਪੀ(ਐਕਸ)
\]

b) ਨਿਰੰਤਰ ਵੇਰੀਏਬਲਾਂ ਦੀ ਉਮੀਦ
ਜੇਕਰ \(X\) ਨਿਰੰਤਰ ਹੈ:
\[
ਈ[ਐਕਸ] = \ਇੰਟ_{-\ਇਨਫਟੀ}^{\ਇਨਫਟੀ} ਐਕਸ\,ਐਫ(ਐਕਸ)\,ਡੀਐਕਸ
\]

ਉਮੀਦ ਹਮੇਸ਼ਾ "ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਹੋਣ ਵਾਲੇ ਮੁੱਲ" (ਮੋਡ) ਦੇ ਸਮਾਨ ਨਹੀਂ ਹੁੰਦੀ, ਅਤੇ ਹਮੇਸ਼ਾ ਉਹ ਮੁੱਲ ਨਹੀਂ ਹੁੰਦਾ ਜੋ ਸੱਚਮੁੱਚ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦਾ ਹੈ, ਪਰ ਇਹ ਫੈਸਲੇ ਲੈਣ, ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਜੋਖਮ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਬਹੁਤ ਉਪਯੋਗੀ ਹੁੰਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਨ: ਕਾਰੋਬਾਰ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਇੱਕ ਰਣਨੀਤੀ ਦੇ ਅਨੁਮਾਨਿਤ ਔਸਤ ਲਾਭ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਉਮੀਦਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

6. ਫੈਲਾਅ ਦੇ ਮਾਪ: ਭਿੰਨਤਾ ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ

ਦੋ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀ ਉਮੀਦ ਇੱਕੋ ਜਿਹੀ ਹੋ ਸਕਦੀ ਹੈ ਪਰ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਪੱਧਰ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਸਾਨੂੰ ਫੈਲਾਅ ਦੇ ਮਾਪਾਂ ਦੀ ਲੋੜ ਹੈ, ਅਰਥਾਤ ਪਰਿਵਰਤਨ ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ।

\(X\) ਦੇ ਭਿੰਨਤਾ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ:
\[
ਵਾਰ(X)=E[(XE[X])^2]
\]
ਮਿਆਰੀ ਭਟਕਣ ਭਿੰਨਤਾ ਦਾ ਵਰਗਮੂਲ ਹੈ:
\[
\ਸਿਗਮਾ = \sqrt{ਵਾਰ(X)}
\]

ਵਿਹਾਰਕ ਫਾਰਮੂਲੇ ਜੋ ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ:
\[
ਵਾਰ(X) = E[X^2] – (E[X])^2
\]

ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਵਿਭਿੰਨਤਾ ਹੋਵੇਗੀ, ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਮੱਧਮਾਨ ਤੋਂ \(X\) ਮੁੱਲਾਂ ਦਾ ਫੈਲਾਅ ਹੋਵੇਗਾ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਉੱਚ ਅਨਿਸ਼ਚਿਤਤਾ।

7. ਅਕਸਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸੰਭਾਵੀ ਵੰਡ

ਅਭਿਆਸ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਕੁਝ ਵੰਡ ਪੈਟਰਨਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ। ਕੁਝ ਪ੍ਰਸਿੱਧ ਵੰਡਾਂ ਹਨ:

- ਬਰਨੌਲੀ: ਦੋ ਨਤੀਜੇ (ਸਫਲਤਾ/ਅਸਫਲਤਾ), ਉਦਾਹਰਣ ਵਜੋਂ ਸੱਚ-ਝੂਠ, ਜ਼ਿੰਦਾ-ਮੁਰਦਾ।
– ਬਾਇਨੋਮੀਅਲ: \(n\) ਬਰਨੌਲੀ ਟਰਾਇਲਾਂ ਤੋਂ ਸਫਲਤਾਵਾਂ ਦੀ ਗਿਣਤੀ, ਉਦਾਹਰਣ ਵਜੋਂ 20 ਲੋਕਾਂ ਵਿੱਚੋਂ ਗ੍ਰੈਜੂਏਟ ਹੋਣ ਵਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਗਿਣਤੀ।
- ਪੋਇਸਨ: ਇੱਕ ਸਮਾਂ/ਸਪੇਸ ਅੰਤਰਾਲ ਵਿੱਚ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ, ਉਦਾਹਰਣ ਵਜੋਂ ਪ੍ਰਤੀ ਮਿੰਟ ਆਉਣ ਵਾਲੀਆਂ ਕਾਲਾਂ ਦੀ ਗਿਣਤੀ।
- ਇਕਸਾਰ ਨਿਰੰਤਰ: ਅੰਤਰਾਲ ਵਿੱਚ ਸਾਰੇ ਮੁੱਲ ਬਰਾਬਰ ਸੰਭਾਵਿਤ ਹਨ।
– ਸਧਾਰਨ (ਗੌਸੀ): ਬਹੁਤ ਸਾਰੇ ਕੁਦਰਤੀ ਅਤੇ ਸਮਾਜਿਕ ਵਰਤਾਰੇ ਇਸ ਵੰਡ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਉਚਾਈ ਜਾਂ ਮਾਪ ਗਲਤੀ।

ਸਹੀ ਵੰਡ ਦੀ ਚੋਣ ਕਰਨ ਨਾਲ ਮਾਡਲਿੰਗ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਧੇਰੇ ਸਟੀਕ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ।

8. ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹਨ?

ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਇਹਨਾਂ ਲਈ ਆਧਾਰ ਹਨ:
- ਅਨੁਮਾਨਤ ਅੰਕੜੇ: ਨਮੂਨਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਆਬਾਦੀ ਦੇ ਮਾਪਦੰਡਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ
- ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ: ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਕਿ ਕੀ ਕੋਈ ਦਾਅਵਾ ਡੇਟਾ ਦੁਆਰਾ ਸਮਰਥਤ ਹੈ
- ਮਸ਼ੀਨ ਸਿਖਲਾਈ: ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਸੰਭਾਵਨਾ ਦਾ ਮਾਡਲਿੰਗ
- ਜੋਖਮ ਪ੍ਰਬੰਧਨ: ਨੁਕਸਾਨਾਂ ਅਤੇ ਅਤਿਅੰਤ ਸਥਿਤੀਆਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਮਾਪਣਾ
- ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਵਿਗਿਆਨ: ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ, ਸਿਸਟਮ ਭਰੋਸੇਯੋਗਤਾ, ਕਤਾਰ ਸਿਧਾਂਤ

ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ, ਸਾਡੇ ਕੋਲ ਅਨਿਸ਼ਚਿਤਤਾ ਬਾਰੇ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਗੱਲ ਕਰਨ ਲਈ ਇੱਕ ਗਣਿਤਿਕ ਭਾਸ਼ਾ ਹੈ।

ਸਿੱਟਾ

ਇੱਕ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਸੰਕਲਪ ਹੈ ਜੋ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਨਾਲ ਮੈਪ ਕਰਦਾ ਹੈ। ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਵੱਖਰੇ ਜਾਂ ਨਿਰੰਤਰ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਹਰੇਕ ਦਾ PMF ਜਾਂ PDF ਰਾਹੀਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, CDF ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਨੂੰ ਦੇਖਣ ਦਾ ਇੱਕ ਆਮ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇੱਕ ਵੰਡ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਲਈ, ਉਮੀਦ ਨੂੰ ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪ ਵਜੋਂ ਅਤੇ ਪਰਿਵਰਤਨ/ਮਿਆਰੀ ਭਟਕਣਾ ਨੂੰ ਫੈਲਾਅ ਦੇ ਮਾਪ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹਨਾਂ ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਨਾਲ ਸੰਭਾਵਨਾ ਵੰਡ, ਅੰਕੜਾ ਅਨੁਮਾਨ, ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਜੋਖਮ ਮਾਡਲਿੰਗ ਅਤੇ ਆਧੁਨਿਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਗੇ ਹੋਰ ਉੱਨਤ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਮਿਲੇਗੀ।

ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀ ਧਾਰਨਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ ਬਣਾਉਣ ਲਈ ਉਦਾਹਰਣ ਪ੍ਰਸ਼ਨ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਚਰਚਾਵਾਂ (ਵਿਵਸਥਿਤ ਅਤੇ ਨਿਰੰਤਰ) ਵੀ ਜੋੜ ਸਕਦਾ ਹਾਂ।