عام ورڇ جي متوقع قدر
عام ورڇ، جنهن کي گاسي ورڇ جي نالي سان پڻ سڃاتو وڃي ٿو، شماريات ۾ سڀ کان بنيادي امڪاني ورڇن مان هڪ آهي ۽ اڪثر ڪري مختلف سائنسي شعبن ۾ استعمال ٿيندو آهي، جن ۾ معاشيات، نفسيات، فزڪس، ۽ حياتيات شامل آهن. عام ورڇ ۾ اهم تصورن مان هڪ متوقع قدر (مطلب) آهي، جيڪو هڪ مرڪزي پيرا ميٽر آهي جيڪو ورڇ جي مرڪز جي جڳهه کي بيان ڪري ٿو. هي مضمون عام ورڇ جي متوقع قدر تي جامع طور تي بحث ڪندو، جنهن ۾ ان جي تعريف، خاصيتون، ۽ مختلف شعبن ۾ ايپليڪيشن شامل آهن.
1. عام ورڇ کي سمجھڻ
عام ورڇ هڪ مسلسل امڪاني ورڇ آهي جيڪا گھنٽي جي شڪل واري آهي ۽ اوسط بابت هم آهنگ آهي. رياضي طور تي، عام ورڇ کي هيٺ ڏنل امڪاني کثافت فنڪشن (pdf) ذريعي ظاهر ڪري سگهجي ٿو:
\[ f(x | \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp \left( -\frac{(x – \mu)^2}{2\sigma^2} \right) \]
ڪٿي:
- \( x \) هڪ بي ترتيب متغير آهي.
– \( \mu \) ورڇ جي متوقع قدر يا اوسط آهي.
– \( \sigma \) ورڇ جو معياري انحراف آهي.
– \( \sigma^2 \) ورڇ جو فرق آهي.
عام ورڇ جا ٻه مکيه پيرا ميٽر آهن: سراسري (\(\mu\)) ۽ معياري انحراف (\(\sigma\)). سراسري ورڇ جو مرڪز طئي ڪري ٿو، جڏهن ته معياري انحراف ورڇ جي ويڪر يا پکيڙ کي طئي ڪري ٿو.
2. متوقع قدر (وچولي)
امڪاني ورڇ جي متوقع قدر، جنهن کي توقع پڻ چيو ويندو آهي، ورڇ جي مرڪز جو بهترين اندازو آهي، خاص طور تي عام ورڇ جي حوالي سان. هڪ بي ترتيب متغير \( X \) جي متوقع قدر جيڪا عام طور تي اوسط \( \mu \) ۽ ويرينس \( \sigma^2 \) سان ورهائي ويندي آهي \(\mu\) آهي.
باضابطه طور تي، امڪاني کثافت فنڪشن \( f \) سان مسلسل بي ترتيب متغير \( X \) جي متوقع قدر هن طرح بيان ڪئي وئي آهي:
\[ اي[ايڪس] = \انٽ_{-\انفٽي}^{\انفٽي} xf(x) dx \]
عام ورڇ لاءِ، ان جو مطلب آهي ته سراسري يا متوقع قدر (\(\mu\)) اهو نقطو آهي جتي ورڇ جو وکر پنهنجي بلند ترين نقطي تي آهي ۽ جتي ورڇ هموار آهي.
3. متوقع قدر جون خاصيتون
عام ورڇ ۾ متوقع قدر جون ڪيتريون ئي اهم خاصيتون آهن جيڪي گهڻي سمجھ ۽ عملي استعمال لاءِ ڪارآمد آهن:
1. هم آهنگي:
عام ورڇ ۾ سراسري \(\mu\) جي باري ۾ مڪمل هم آهنگي آهي. ان جو مطلب آهي ته ڊيٽا جو اڌ سراسري جي کاٻي پاسي آهي ۽ ٻيو اڌ سراسري جي ساڄي پاسي آهي.
2. متوقع قدر جي طور تي اوسط:
عام ورڇ ۾، اوسط (\(\mu\)) پڻ متوقع قدر آهي، جيڪو سڀني ممڪن قدرن جي اوسط کي ظاهر ڪري ٿو جيڪي هڪ بي ترتيب متغير وٺي سگهي ٿو.
3. انٽيجر لينئر فيڪٽرز:
جيڪڏهن \( X \) هڪ بي ترتيب متغير آهي جنهن ۾ هڪ عام تقسيم \( N(\mu, \sigma^2) \) آهي، ۽ \( a \) ۽ \( b \) مستقل انگ آهن، ته پوءِ لڪير واري بي ترتيب متغير \( Y = aX + b \) جي متوقع قدر \( E[Y] = aE[X] + b \) آهي. هڪ عام تقسيم لاءِ، هي \( E[Y] = a\mu + b \) ڏئي ٿو.
4. بي ترتيب متغيرن جو اضافو:
جيڪڏهن \( X_1 \) ۽ \( X_2 \) ٻه آزاد بي ترتيب متغير آهن جيڪي ٻئي عام طور تي ورهايل آهن، ته پوءِ رقم \( X = X_1 + X_2 \) کي عام طور تي اوسط \( \mu_X = \mu_1 + \mu_2 \) ۽ ويرينس \( \sigma_X^2 = \sigma_1^2 + \sigma_2^2 \) سان ورهايو ويندو آهي.
4. عام ورڇ ۾ متوقع قدر جو اطلاق
عام ورڇ ۾ متوقع قدر جا حقيقي دنيا ۾ مختلف استعمال آهن، جن ۾ هيٺيان شامل آهن:
1. فنانس:
مالي تجزيي ۾، متوقع قدر کي سيڙپڪاري پورٽ فوليو جي واپسي جو اندازو لڳائڻ لاءِ استعمال ڪيو ويندو آهي. مثال طور، جيڪڏهن ڪنهن اثاثن تي واپسي هڪ عام ورڇ جي پيروي ڪري ٿي، ته ان ورڇ جو مطلب متوقع سراسري واپسي کي بيان ڪرڻ لاءِ استعمال ڪري سگهجي ٿو.
2. انشورنس:
انشورنس ڪمپنيون تاريخي ڊيٽا جي بنياد تي مستقبل جي دعوائن جو اندازو لڳائڻ لاءِ متوقع قدر استعمال ڪنديون آهن. انهن دعوائن جي ورڇ اڪثر ڪري هڪ عام ورڇ جي پيروي ڪرڻ جو فرض ڪيو ويندو آهي.
3. معيار ۽ پيداوار جو عمل:
پيداوار جي صنعت ۾، معيار جو ڪنٽرول اڪثر ڪري پيداوار جي عمل جي تبديلي کي ماڊل ڪرڻ لاءِ عام تقسيم کي استعمال ڪندو آهي ۽ اهو طئي ڪندو آهي ته ڇا ڪو عمل سٺو هلي رهيو آهي يا پيداوار ۾ خرابيون آهن.
4. نفسيات ۽ تعليم:
تعليمي ۽ نفسياتي ماپ ۾ ٽيسٽ اسڪور جي ورڇ کي بيان ڪرڻ لاءِ عام ورڇ استعمال ڪئي ويندي آهي. اهو تشخيص کي معياري بڻائڻ ۽ آبادي ۾ صلاحيتن جي ورڇ کي سمجهڻ ۾ مدد ڪري ٿو.
5. ڪيسمپولن
عام ورڇ ۾ متوقع قدر هڪ اهم تصور آهي. ورڇ جي مرڪزيت جي ماپ جي طور تي، متوقع قدر هڪ بي ترتيب عمل ذريعي پيدا ٿيندڙ ڊيٽا جي اوسط ۾ بصيرت فراهم ڪري ٿي. حقيقي دنيا ۾، متوقع قدر فيصلا ڪرڻ ۽ ڊيٽا جي تجزيي لاءِ مختلف شعبن ۾ استعمال ڪيا ويندا آهن. عام ورڇ، متوقع قدر ۽ معياري انحراف جي ذريعي بيان ڪيل ان جي هموار خاصيتن سان، هڪ انتهائي وجداني ۽ آسان عمل درآمد امڪاني ماڊل فراهم ڪري ٿي.
عام ورڇ ۾ متوقع قدر کي سمجهڻ سان، اسان ڊيٽا جو بهتر تجزيو ڪري سگهون ٿا، اڳڪٿيون ڪري سگهون ٿا، ۽ مختلف ڪاروباري، سائنسي ۽ سماجي حوالي سان وڌيڪ باخبر فيصلا ڪري سگهون ٿا.
