بائنوميل ڊسٽريبيوشن فنڪشن: مڪمل وضاحت ۽ ايپليڪيشنون
انگن اکرن ۽ امڪان ۾ بائنوميل ورڇ سڀ کان وڌيڪ استعمال ٿيندڙ ڊسڪريٽ امڪاني ورڇن مان هڪ آهي. هي ورڇ هڪجهڙي، آزاد آزمائشن جي هڪ سلسلي ۾ ڪاميابين جي تعداد کي ماڊل ڪري ٿو، جتي هر آزمائش جا ٻه ممڪن نتيجا آهن: ڪاميابي يا ناڪامي. هن آرٽيڪل ۾، اسان بائنوميل ورڇ جي فنڪشن جي تعريف، فارمولا، ملڪيت، ۽ ايپليڪيشنن کي کوٽائي ۾ ڳولينداسين.
بائنوميل ورڇ کي سمجھڻ
ٻہ نالي واري تقسيم n آزاد آزمائشن ۾ "ڪاميابين" جي تعداد کي بيان ڪري ٿي، جتي:
- هر آزمائش صرف ٻه ممڪن نتيجا پيدا ڪري ٿي: ڪاميابي يا ناڪامي.
- هر آزمائش ۾ ڪاميابي جو امڪان p آهي.
- ناڪامي جو امڪان 1 آهي - p.
- هر آزمائش هڪ ٻئي کان آزاد آهي.
ٻہ نامي ورڇ کي B(n, p) طور ظاهر ڪيو ويو آهي، جتي n آزمائشن جو تعداد آهي ۽ p هڪ آزمائش ۾ ڪاميابي جو امڪان آهي.
بائنوميل ورڇ فارمولا
ٻہ عددي ورڇ جو حساب هيٺ ڏنل فارمولا استعمال ڪندي ڪيو ويندو آهي:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
ڪٿي:
– \( P(X = k) \): n آزمائشن ۾ بلڪل k ڪاميابيون حاصل ڪرڻ جو امڪان.
– \( \binom{n}{k} \): n شين جو ميلاپ k ورتو ويو.
– \( p \): هر آزمائش تي ڪاميابي جو امڪان.
– \( n \): آزمائشن جو ڪُل تعداد.
– \( k \): ڪاميابين جو گهربل تعداد.
ميلاپ \(\binom{n}{k}\) هن ريت ڳڻيو ويندو آهي:
\[ \binom{n}{k} = \frac{n!}{k!(nk)!} \]
بائنوميل ورڇ جون خاصيتون
1. توقع (مطلب) ۽ فرق:
- ٻہ نالي واري ورڇ جي توقع يا اوسط \( \mu = np \) آهي.
- فرق آهي \( \sigma^2 = np(1-p) \).
2. هم آهنگي:
- جيڪڏهن p = 0.5 هجي ته ٻہ نامي ورڇ هموار آهي. جيڪڏهن p ≠ 0.5 هجي ته، ورڇ ساڄي طرف (p < 0.5) يا کاٻي طرف (p > 0.5) ترچھي ٿي ويندي آهي.
3. ترچھائي ۽ ڪُرٽوسس:
- ٻہ نالي واري ورڇ جي ترچھائي \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \) آهي.
- ڪرٽوسس آهي \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \).
4. تقريبن ورڇ:
- 0.5 جي ويجهو ايندڙ وڏي n ۽ p لاءِ، ٻہ عددي ورڇ کي عام ورڇ سان لڳائي سگهجي ٿو.
- جيڪڏهن p تمام ننڍو آهي ۽ n تمام وڏو آهي ته جيئن np مستقل رهي، ته پوءِ ٻہ نالي واري ورڇ کي پوئسن ورڇ ذريعي اندازو لڳائي سگهجي ٿو.
بائنوميل ورڇ استعمال ڪندي
بائنوميل ورڇ کي حياتيات، معاشيات، مارڪيٽنگ، ۽ انجنيئرنگ جهڙن شعبن ۾ استعمال ڪيو ويندو آهي ته جيئن واقعن کي ماڊل ڪري سگهجي جيڪي بائنري اصطلاحن ۾ ظاهر ڪري سگهجن (ڪاميابي/ناڪامي). هتي ان جي استعمال جون ڪجهه ٺوس مثالون آهن:
پيداوار جي معيار جي جاچ
فرض ڪريو ته پراڊڪٽ جي هڪ بيچ ۾ خراب هجڻ جو 2٪ امڪان آهي. جيڪڏهن اسان پراڊڪٽ جي 50 يونٽن جي جانچ ڪريون ٿا، ته اسان ڏنل تعداد ۾ خراب يونٽن کي ڳولڻ جي امڪان کي ڳڻڻ لاءِ بائنوميل ورڇ استعمال ڪري سگهون ٿا. n = 50 ۽ p = 0.02 سان، اسان بيچ ۾ بلڪل k خراب يونٽ ڳولڻ جي امڪان کي ڳڻائي سگهون ٿا.
نموني جي تشخيص
مثال طور، مارڪيٽ ريسرچ ۾، سروي اڪثر ها/نه سوالن سان ڪيا ويندا آهن. جيڪڏهن اسان 100 ماڻهن جي نموني ۾ هڪ بيان سان متفق جواب ڏيندڙن جو تعداد ڄاڻڻ چاهيون ٿا (0.7 جي اتفاق جي امڪان کي فرض ڪندي)، ته پوءِ بائنوميل ورڇ انهن ماڻهن جي متوقع تعداد جو اندازو لڳائڻ ۾ مدد ڪري سگهي ٿي جيڪي متفق آهن.
جينياتيات
جينياتيات ۾، ٻہ نالي واري تقسيم کي هڪ نسل کان ٻئي نسل تائين ڪجهه خاصيتن جي وراثت جي ماڊلنگ لاءِ استعمال ڪيو ويندو آهي. مثال طور، جيڪڏهن 25٪ امڪان آهي ته هڪ اولاد ۾ هڪ خاص جينياتي خاصيت هوندي، ته اسان ٻہ نالي واري تقسيم کي استعمال ڪري سگهون ٿا ته اهو امڪان طئي ڪيو وڃي ته چئن اولاد مان ٻن ۾ اها خاصيت هوندي.
فنانس ۽ انشورنس
فنانس ۾، ٻہ نالي واري ورڇ کي ڏيوالپڻي جي واقعن، دعوائن جي ادائيگين، يا ڪجهه شين تي سود جي شرحن جي ماڊلنگ لاءِ استعمال ڪري سگهجي ٿو جيڪي ڪاميابي/ناڪامي جي شرطن کي پورو ڪن ٿيون.
حساب ڪتاب جو مثال
فرض ڪريو ته اسان اهو امڪان ڳڻڻ چاهيون ٿا ته، 10 سڪن جي اُڇلڻ مان، اسان کي بلڪل 6 سر ملندا (فرض ڪريو ته سڪا منصفانه آهن ۽ p=0.5):
\[ پي(ايڪس = 6) = \بائنوم{10}{6} (0.5)^6 (0.5)^4 \]
\[ = \frac{10!}{6!4!} (0.5)^{10} \]
\[ = \فريڪ{210}{1024} \]
\[ = 0.205 \]
تنهن ڪري، 10 سڪن جي اُڇل مان بلڪل 6 سر حاصل ڪرڻ جو امڪان 0.205 آهي.
ڪمپيوٽنگ ايپليڪيشنون
اڄ جي ٽيڪنالاجي جي دور ۾، بائنوميل ورڇ اڪثر ڪري شمارياتي سافٽ ويئر جهڙوڪ آر، پٿون، يا اسپريڊ شيٽ ٽولز جهڙوڪ مائڪروسافٽ ايڪسل استعمال ڪندي ڳڻيا ويندا آهن. هتي `اسڪائپي` لائبريري استعمال ڪندي هڪ سادي پٿون اسڪرپٽ جو هڪ مثال آهي:
"پٿر"
scipy.stats امپورٽ بائنوم کان
مثال طور، اسان n=10 ۽ p=0.5 لاءِ P(X = 6) ڳولڻ چاهيون ٿا.
n = 10
ص = 0.5
ڪ = 6
مسئلو = binom.pmf(k, n, p)
print(f”{n} سڪن جي اُڇلڻ مان بلڪل {k} سر حاصل ڪرڻ جو امڪان {prob:.3f} آهي”)
“
نتيجو
انگن اکرن ۽ امڪان ۾ بائنوميل ورڇ هڪ اهم اوزار آهي، خاص طور تي جڏهن آزاد بائنري واقعن جو تجزيو ڪيو وڃي. هن تصور تي عبور حاصل ڪرڻ اسان کي مالي فيصلا، مارڪيٽ ريسرچ، پراڊڪٽ جي معيار، جينياتيات، ۽ ٻين مختلف ايپليڪيشنن سان لاڳاپيل مسئلن کي وڌيڪ اثرائتي طريقي سان حل ڪرڻ ۾ مدد ڪري سگهي ٿو.
بائنوميل ورڇ جي فنڪشن کي سمجهڻ سان، اسان واقعن جي امڪانن کي درستگي سان ماڊل ۽ حساب ڪري سگهون ٿا، ۽ مضبوط شمارياتي تجزيي تي ٻڌل فيصلا ڪري سگهون ٿا. ٽيڪنالاجي ۽ شمارياتي سافٽ ويئر ۾ ترقي پڻ هن ورڇ کي ڳڻڻ ۽ تصور ڪرڻ کي آسان بڻائي ڇڏيو آهي، ان کي مطالعي ۽ ايپليڪيشنن جي وسيع ميدان ۾ وڌيڪ رسائي لائق بڻائي ڇڏيو آهي.
