ਅੰਕੜਿਆਂ ਵਿੱਚ ਆਮ ਵੰਡ ਫਾਰਮੂਲਾ

# ਅੰਕੜਿਆਂ ਵਿੱਚ ਆਮ ਵੰਡ ਫਾਰਮੂਲਾ

ਆਮ ਵੰਡ, ਜਿਸਨੂੰ ਗੌਸੀ ਵੰਡ ਜਾਂ ਘੰਟੀ ਵਕਰ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅੰਕੜਿਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸਦੀ ਹੋਂਦ ਨੂੰ ਅਕਸਰ ਵੱਖ-ਵੱਖ ਅੰਕੜਾ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਦੀ ਨੀਂਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਵੰਡ ਨਾ ਸਿਰਫ਼ ਸਿਧਾਂਤ ਵਿੱਚ ਸਗੋਂ ਵੱਖ-ਵੱਖ ਵਿਹਾਰਕ ਉਪਯੋਗਾਂ ਵਿੱਚ ਵੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਵਿੱਤੀ ਜੋਖਮ ਪ੍ਰਬੰਧਨ, ਸਮਾਜਿਕ ਵਿਗਿਆਨ, ਦਵਾਈ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ।

## ਆਮ ਵੰਡ ਦੀ ਪਰਿਭਾਸ਼ਾ

ਆਮ ਵੰਡ ਇੱਕ ਨਿਰੰਤਰ ਸੰਭਾਵਨਾ ਵੰਡ ਹੈ ਜੋ ਆਪਣੇ ਔਸਤ ਬਾਰੇ ਸਮਮਿਤੀ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਸ ਵੰਡ ਦਾ ਇੱਕ ਗ੍ਰਾਫਿਕਲ ਪਲਾਟ ਇੱਕ ਘੰਟੀ ਵਕਰ ਬਣਾਏਗਾ ਜੋ ਔਸਤ 'ਤੇ ਚੌੜਾ ਹੋ ਰਿਹਾ ਹੈ ਅਤੇ ਪੂਛਾਂ 'ਤੇ ਤੰਗ ਹੋ ਰਿਹਾ ਹੈ। ਇਸ ਵੰਡ ਦੇ ਦੋ ਮੁੱਖ ਮਾਪਦੰਡ ਹਨ: ਔਸਤ (μ) ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ (σ)।

ਮੱਧਮਾਨ ਵੰਡ ਦੇ ਕੇਂਦਰ ਦੀ ਸਥਿਤੀ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਮਿਆਰੀ ਭਟਕਣਾ ਇਹ ਮਾਪਦੀ ਹੈ ਕਿ ਡੇਟਾ ਔਸਤ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕਿੰਨਾ ਫੈਲਿਆ ਹੋਇਆ ਹੈ। ਮਿਆਰੀ ਭਟਕਣਾ ਜਿੰਨੀ ਵੱਡੀ ਹੋਵੇਗੀ, ਵੰਡ ਵਕਰ ਓਨਾ ਹੀ ਚੌੜਾ ਅਤੇ ਛੋਟਾ ਹੋਵੇਗਾ; ਮਿਆਰੀ ਭਟਕਣਾ ਜਿੰਨੀ ਛੋਟੀ ਹੋਵੇਗੀ, ਵਕਰ ਓਨਾ ਹੀ ਸੰਕੁਚਿਤ ਅਤੇ ਢਿੱਲਾ ਹੋਵੇਗਾ।

## ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ

ਆਮ ਵੰਡ ਲਈ ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ (pdf) ਦਾ ਗਣਿਤਿਕ ਰੂਪ ਹੇਠਾਂ ਦਿੱਤਾ ਗਿਆ ਹੈ:

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

ਇਥੇ:
– \( x \) ਇੱਕ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਹੈ।
– \( \mu \) ਵੰਡ ਦਾ ਮੱਧਮਾਨ ਹੈ।
– \( \ਸਿਗਮਾ \) ਵੰਡ ਦਾ ਮਿਆਰੀ ਭਟਕਣ ਹੈ।
– \( e \) ਕੁਦਰਤੀ ਲਘੂਗਣਕ ਦਾ ਅਧਾਰ ਹੈ, ਲਗਭਗ 2.71828।

ਉਪਰੋਕਤ ਫੰਕਸ਼ਨ ਇੱਕ ਸਮਮਿਤੀ ਘੰਟੀ ਵਕਰ ਬਣਾਉਂਦਾ ਹੈ। ਦੋ ਬਿੰਦੂਆਂ ਵਿਚਕਾਰ ਇਸ ਫੰਕਸ਼ਨ ਦਾ ਇੰਟੈਗਰਲ ਇਹ ਸੰਭਾਵਨਾ ਦਿੰਦਾ ਹੈ ਕਿ ਰੈਂਡਮ ਵੇਰੀਏਬਲ ਉਹਨਾਂ ਦੋ ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਹੈ।

## ਮਿਆਰੀ ਆਮ ਵੰਡ

ਮਿਆਰੀ ਆਮ ਵੰਡ ਇੱਕ ਆਮ ਵੰਡ ਹੈ ਜਿਸਦਾ ਔਸਤ \( \mu = 0 \) ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ \( \ਸਿਗਮਾ = 1 \) ਹੈ। ਮਿਆਰੀ ਆਮ ਵੰਡ ਲਈ ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ ਹੈ:

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

ਇਥੇ:
– \( z \) ਇੱਕ ਮਿਆਰੀ ਆਮ ਵੰਡ ਤੋਂ ਬਾਅਦ ਇੱਕ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਹੈ।

ਮਿਆਰੀ ਆਮ ਵੰਡ ਅਕਸਰ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਾਨੂੰ "ਮਾਨਕੀਕਰਨ" ਨਾਮਕ ਪ੍ਰਕਿਰਿਆ ਰਾਹੀਂ ਹੋਰ ਆਮ ਵੰਡਾਂ ਨੂੰ ਮਿਆਰੀ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਮਿਆਰੀਕਰਨ ਵਿੱਚ ਹੇਠ ਲਿਖੇ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਆਮ ਵੰਡ \( N(\mu, \sigma) \) ਦੇ ਮੁੱਲ \( x \) ਨੂੰ ਮਿਆਰੀ ਆਮ ਵੰਡ \( N(0, 1) \) ਦੇ ਮੁੱਲ \( z \) ਵਿੱਚ ਬਦਲਣਾ ਸ਼ਾਮਲ ਹੈ:

\[ z = \frac{x – \mu}{\sigma} \]

ਇਹ ਪ੍ਰਕਿਰਿਆ ਵੱਖ-ਵੱਖ ਆਮ ਵੰਡਾਂ ਤੋਂ ਮੁੱਲਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਪੈਮਾਨੇ 'ਤੇ ਮੈਪ ਕਰਕੇ ਤੁਲਨਾ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦੀ ਹੈ।

## ਉਪਯੋਗ ਅਤੇ ਸਾਰਥਕਤਾ

### 1. ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ

ਆਮ ਵੰਡ ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ (CLT) ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਖਾਸ ਤੌਰ 'ਤੇ ਢੁਕਵੀਂ ਹੈ। CLT ਦੱਸਦਾ ਹੈ ਕਿ ਕਾਫ਼ੀ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਸੁਤੰਤਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਲਗਭਗ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡੇ ਜਾਣਗੇ, ਮੂਲ ਵੰਡ ਦੀ ਸ਼ਕਲ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਆਮ ਵੰਡ ਨੂੰ ਨਮੂਨੇ ਦੇ ਔਸਤ ਦੀ ਵੰਡ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿੰਨਾ ਚਿਰ ਨਮੂਨਾ ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ।

### 2. ਅੰਕੜਾ ਅਨੁਮਾਨ

ਆਮ ਵੰਡ ਪਰਿਕਲਪਨਾ ਟੈਸਟਾਂ, ਜਿਵੇਂ ਕਿ z-ਟੈਸਟ ਅਤੇ t-ਟੈਸਟ, ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਦੋਵੇਂ ਤਰੀਕੇ ਨਿਰੀਖਣ ਕੀਤੇ ਨਤੀਜਿਆਂ ਦੀ ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਮਿਆਰੀ ਆਮ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। z-ਟੈਸਟ ਆਮ ਤੌਰ 'ਤੇ ਉਦੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਨਮੂਨਾ ਦਾ ਆਕਾਰ ਵੱਡਾ ਹੁੰਦਾ ਹੈ ਜਾਂ ਆਬਾਦੀ ਮਿਆਰੀ ਭਟਕਣਾ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ t-ਟੈਸਟ ਉਦੋਂ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਨਮੂਨਾ ਦਾ ਆਕਾਰ ਛੋਟਾ ਹੁੰਦਾ ਹੈ ਜਾਂ ਆਬਾਦੀ ਮਿਆਰੀ ਭਟਕਣਾ ਅਣਜਾਣ ਹੁੰਦੀ ਹੈ।

### 3. ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ

ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਇਹ ਧਾਰਨਾ ਕਿ ਗਲਤੀ ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਧਾਰਨਾ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲਾਂ ਦੀ ਗਣਨਾ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਮਹੱਤਤਾ ਜਾਂਚ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਡੇਟਾ ਗਲਤੀਆਂ ਜਾਂ ਆਊਟਲੀਅਰਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਅਕਸਰ ਸਧਾਰਣਤਾ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਭਟਕਣਾਂ ਲਈ ਬਕਾਇਆ ਵੰਡ ਦੀ ਜਾਂਚ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

### 4. ਦਵਾਈ ਅਤੇ ਜੀਵ ਵਿਗਿਆਨ

ਦਵਾਈ ਵਿੱਚ, ਆਮ ਵੰਡ ਦੀ ਵਰਤੋਂ ਵੱਖ-ਵੱਖ ਜੈਵਿਕ ਵਰਤਾਰਿਆਂ ਦੀ ਵੰਡ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਉਚਾਈ, ਬਲੱਡ ਪ੍ਰੈਸ਼ਰ, ਅਤੇ ਕੁਝ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਅਕਸਰ ਇੱਕ ਆਮ ਵੰਡ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ। ਇਹ ਡਾਕਟਰੀ ਨਿਦਾਨਾਂ ਲਈ ਕੱਟਆਫ ਮੁੱਲਾਂ ਦੇ ਨਿਰਧਾਰਨ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ।

### 5. ਵਿੱਤ ਅਤੇ ਅਰਥ ਸ਼ਾਸਤਰ

ਵਿੱਤ ਵਿੱਚ, ਆਮ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਈ ਘਟਨਾਵਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਟਾਕ ਰਿਟਰਨ, ਵਿਆਜ ਦਰਾਂ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ। ਹਾਲਾਂਕਿ ਅਭਿਆਸ ਵਿੱਚ, ਸਟਾਕ ਅਕਸਰ ਉੱਚ ਵਿਘਨ ਅਤੇ ਕੁਰਟੋਸਿਸ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਇੱਕ ਆਮ ਵੰਡ ਦੀ ਧਾਰਨਾ ਅਜੇ ਵੀ ਇੱਕ ਠੋਸ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।

## ਲਾਗੂਕਰਨ ਅਤੇ ਗਣਨਾ

### ਪਾਈਥਨ ਦੀ ਵਰਤੋਂ

ਪਾਈਥਨ, NumPy ਅਤੇ SciPy ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਨਾਲ, ਆਮ ਵੰਡ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇੱਥੇ ਇੱਕ ਉਦਾਹਰਣ ਹੈ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਮ ਵੰਡ ਨੂੰ ਕਿਵੇਂ ਜਨਰਲਾਈਜ਼ ਅਤੇ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹਾਂ:

''ਪਾਇਥਨ
NP ਦੇ ਤੌਰ ਤੇ ਨਿੰਪੀ ਆਯਾਤ
plp ਦੇ ਤੌਰ ਤੇ matplotlib.pyplot ਇੰਪੋਰਟ ਕਰੋ
scipy.stats ਆਯਾਤ ਨਿਯਮ ਤੋਂ

# ਆਮ ਵੰਡ ਪੈਰਾਮੀਟਰ
mu = 0 # ਮਤਲਬ
ਸਿਗਮਾ = 1 # ਮਿਆਰੀ ਭਟਕਣਾ

# ਆਮ ਵੰਡ ਲਈ ਡੇਟਾ
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, ਸਿਗਮਾ)

# ਆਮ ਵੰਡ ਪਲਾਟ
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('ਘਣਤਾ')
plt.title('ਆਮ ਵੰਡ N(0, 1)')
plt.show ()
“

ਉੱਪਰ ਦਿੱਤੀ ਉਦਾਹਰਣ ਵਿੱਚ, ਅਸੀਂ ਔਸਤ 0 ਅਤੇ ਮਿਆਰੀ ਵਿਵਹਾਰ 1 ਦੇ ਨਾਲ ਆਮ ਵੰਡ ਡੇਟਾ ਤਿਆਰ ਕੀਤਾ, ਅਤੇ ਫਿਰ ਇਸਦੇ ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ ਨੂੰ ਪਲਾਟ ਕੀਤਾ।

## ਸਿੱਟਾ

ਆਮ ਵੰਡ ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀ ਹੈ। ਇਸਦੀ ਸਰਵਵਿਆਪੀ ਵਰਤੋਂ, ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਤੋਂ ਲੈ ਕੇ ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ ਵਰਗੇ ਵੱਖ-ਵੱਖ ਵਿਹਾਰਕ ਉਪਯੋਗਾਂ ਤੱਕ, ਇਸਨੂੰ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਸੰਭਾਵਨਾ ਵੰਡਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣਾਉਂਦੀ ਹੈ। ਆਮ ਵੰਡ ਫਾਰਮੂਲੇ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ, ਡੇਟਾ ਵਿਗਿਆਨ, ਖੋਜ, ਅਰਥਸ਼ਾਸਤਰ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਹੁਨਰ ਹੈ।

ਇਸ ਗਿਆਨ ਨਾਲ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਹੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਨਾਲ ਅਸੀਂ ਉਪਲਬਧ ਡੇਟਾ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ।