ஈருறுப்புப் பரவல் சார்பு

ஈருறுப்புப் பரவல் சார்பு: முழுமையான விளக்கம் மற்றும் பயன்பாடுகள்

ஈருறுப்புப் பரவல் என்பது புள்ளியியல் மற்றும் நிகழ்தகவில் மிகவும் பரவலாகப் பயன்படுத்தப்படும் தனித்த நிகழ்தகவுப் பரவல்களில் ஒன்றாகும். இந்தப் பரவலானது, ஒரே மாதிரியான, சார்பற்ற தொடர் முயற்சிகளில் கிடைக்கும் வெற்றிகளின் எண்ணிக்கையை மாதிரியாகக் காட்டுகிறது; இதில் ஒவ்வொரு முயற்சிக்கும் வெற்றி அல்லது தோல்வி என இரண்டு சாத்தியமான விளைவுகள் உள்ளன. இந்தக் கட்டுரையில், ஈருறுப்புப் பரவல் சார்பின் வரையறை, சூத்திரம், பண்புகள் மற்றும் பயன்பாடுகளை நாம் ஆழமாக ஆராய்வோம்.

ஈருறுப்புப் பரவலைப் புரிந்துகொள்ளுதல்

ஈருறுப்புப் பரவல் என்பது n சுயாதீன சோதனைகளில் கிடைக்கும் “வெற்றிகளின்” எண்ணிக்கையை விவரிக்கிறது, இதில்:

ஒவ்வொரு சோதனையும் வெற்றி அல்லது தோல்வி என இரண்டு சாத்தியமான விளைவுகளை மட்டுமே அளிக்கிறது.
ஒவ்வொரு முயற்சியிலும் வெற்றி பெறுவதற்கான நிகழ்தகவு p ஆகும்.
– தோல்வியின் நிகழ்தகவு 1 – p ஆகும்.
ஒவ்வொரு சோதனையும் மற்றொன்றைச் சாராதது.

ஈருறுப்புப் பரவல் B(n, p) எனக் குறிக்கப்படுகிறது, இதில் n என்பது சோதனைகளின் எண்ணிக்கை மற்றும் p என்பது ஒரு சோதனையில் வெற்றி பெறுவதற்கான நிகழ்தகவு ஆகும்.

ஈருறுப்புப் பரவல் சூத்திரம்

ஈருறுப்புப் பரவல் பின்வரும் சூத்திரத்தைப் பயன்படுத்தி கணக்கிடப்படுகிறது:

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

எங்கே:
– \( P(X = k) \): n முயற்சிகளில் சரியாக k வெற்றிகளைப் பெறுவதற்கான நிகழ்தகவு.
– \( \binom{n}{k} \): n பொருள்களின் k எடுக்கப்பட்ட சேர்மானம்.
– \( p \): ஒவ்வொரு முயற்சியிலும் வெற்றி பெறுவதற்கான நிகழ்தகவு.
– \( n \): மொத்த சோதனைகளின் எண்ணிக்கை.
– \( k \): விரும்பிய வெற்றிகளின் எண்ணிக்கை.

\(\binom{n}{k}\) என்ற சேர்மானம் பின்வருமாறு கணக்கிடப்படுகிறது:

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

ஈருறுப்புப் பரவலின் பண்புகள்

1. எதிர்பார்ப்பு (சராசரி) மற்றும் மாறுபாடு:
– ஈருறுப்புப் பரவலின் எதிர்பார்ப்பு அல்லது சராசரி \( \mu = np \) ஆகும்.
– மாறுபாடு \( \sigma^2 = np(1-p) \).

2. சமச்சீர்:
– p = 0.5 எனில் ஈருறுப்புப் பரவல் சமச்சீரானது. p ≠ 0.5 எனில், பரவலானது வலப்பக்கமாக (p < 0.5) அல்லது இடப்பக்கமாக (p > 0.5) சரிந்துவிடும்.

3. கோட்டம் மற்றும் தட்டை:
– ஈருறுப்புப் பரவலின் கோட்டம் \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \).
– குர்டோசிஸ் என்பது \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \).

4. தோராயமான பரவல்:
– n பெரியதாகவும், p 0.5-ஐ நெருங்கும்போதும், ஈருறுப்புப் பரவலை இயல்நிலைப் பரவலால் தோராயப்படுத்தலாம்.
p மிகவும் சிறியதாகவும், n மிகவும் பெரியதாகவும் இருந்து, np மாறாமல் இருந்தால், ஈருறுப்புப் பரவலை பாய்சான் பரவலால் தோராயப்படுத்தலாம்.

ஈருறுப்புப் பரவலைப் பயன்படுத்துதல்

உயிரியல், பொருளாதாரம், சந்தைப்படுத்தல் மற்றும் பொறியியல் போன்ற துறைகளில், இருமைச் சொற்களில் (வெற்றி/தோல்வி) வெளிப்படுத்தக்கூடிய நிகழ்வுகளை மாதிரியாக்க ஈருறுப்புப் பரவல் பயன்படுத்தப்படுகிறது. அதன் பயன்பாட்டிற்கான சில உறுதியான எடுத்துக்காட்டுகள் இங்கே:

தயாரிப்பு தர சோதனை

ஒரு தொகுதிப் பொருளில் குறைபாடு இருப்பதற்கான நிகழ்தகவு 2% என்று வைத்துக்கொள்வோம். அந்தப் பொருளின் 50 அலகுகளை நாம் சோதித்தால், கொடுக்கப்பட்ட எண்ணிக்கையிலான குறைபாடுள்ள அலகுகளைக் கண்டறிவதற்கான நிகழ்தகவைக் கணக்கிட ஈருறுப்புப் பரவலைப் பயன்படுத்தலாம். n = 50 மற்றும் p = 0.02 எனில், அந்தத் தொகுதியில் சரியாக k குறைபாடுள்ள அலகுகளைக் கண்டறிவதற்கான நிகழ்தகவை நாம் கணக்கிடலாம்.

மாதிரி மதிப்பீடு

உதாரணமாக, சந்தை ஆராய்ச்சியில், ஆம்/இல்லை கேள்விகளுடன் கணக்கெடுப்புகள் அடிக்கடி நடத்தப்படுகின்றன. 100 பேர் கொண்ட ஒரு மாதிரியில், ஒரு கூற்றுடன் உடன்படும் பதிலளிப்பவர்களின் எண்ணிக்கையை நாம் அறிய விரும்பினால் (உடன்படுவதற்கான நிகழ்தகவு 0.7 எனக் கருதி), உடன்படும் நபர்களின் எதிர்பார்க்கப்படும் எண்ணிக்கையை மதிப்பிடுவதற்கு ஈருறுப்புப் பரவல் உதவக்கூடும்.

மரபியல்

மரபியலில், ஒரு தலைமுறையிலிருந்து அடுத்த தலைமுறைக்கு சில பண்புகள் கடத்தப்படுவதை மாதிரியாகக் காட்ட ஈருறுப்புப் பரவல் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, ஒரு சந்ததிக்கு ஒரு குறிப்பிட்ட மரபணுப் பண்பு இருப்பதற்கு 25% நிகழ்தகவு இருந்தால், பிறக்கும் நான்கு சந்ததிகளில் இரண்டு சந்ததிகளுக்கு அந்தப் பண்பு இருப்பதற்கான நிகழ்தகவைக் கண்டறிய நாம் ஈருறுப்புப் பரவலைப் பயன்படுத்தலாம்.

நிதி மற்றும் காப்பீடு

நிதியியலில், வெற்றி/தோல்வி நிபந்தனைகளைப் பூர்த்தி செய்யும் சில பண்டங்களின் மீதான திவால்நிலைகள், இழப்பீட்டுத் தொகைகள் அல்லது வட்டி விகிதங்களின் நிகழ்வுகளை மாதிரியாகக் காட்ட ஈருறுப்புப் பரவலைப் பயன்படுத்தலாம்.

கணக்கீட்டு எடுத்துக்காட்டு

10 முறை நாணயத்தைச் சுண்டும்போது, ​​சரியாக 6 முறை தலைகள் கிடைப்பதற்கான நிகழ்தகவை நாம் கணக்கிட வேண்டும் என்று வைத்துக்கொள்வோம் (நாணயங்கள் நேர்மையானவை மற்றும் p=0.5 எனக் கருதி):

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

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

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

\[ = 0.205 \]

எனவே, 10 முறை நாணயத்தைச் சுண்டும்போது சரியாக 6 முறை தலை விழுவதற்கான நிகழ்தகவு 0.205 ஆகும்.

கணினி பயன்பாடுகள்

இன்றைய தொழில்நுட்ப யுகத்தில், ஈருறுப்புப் பரவல்கள் பெரும்பாலும் R, பைதான் போன்ற புள்ளியியல் மென்பொருட்கள் அல்லது மைக்ரோசாஃப்ட் எக்செல் போன்ற விரிதாள் கருவிகளைப் பயன்படுத்தி கணக்கிடப்படுகின்றன. `scipy` நூலகத்தைப் பயன்படுத்தும் ஒரு எளிய பைதான் ஸ்கிரிப்ட்டின் உதாரணம் இதோ:

"` மலைப்பாம்பு
scipy.stats இலிருந்து binom ஐ இறக்குமதி செய்க

உதாரணமாக, n=10 மற்றும் p=0.5 எனில், நாம் P(X = 6)-ஐக் கண்டறிய விரும்புகிறோம்.
n = 10
ப = 0.5
கே = 6

prob = binom.pmf(k, n, p)

print(f”{n} நாணயச் சுழல்களில் சரியாக {k} தலைகள் கிடைப்பதற்கான நிகழ்தகவு {prob:.3f}”)
"`

முடிவுரை

ஈருறுப்புப் பரவல் என்பது புள்ளியியல் மற்றும் நிகழ்தகவில், குறிப்பாக சார்பற்ற இருநிலை நிகழ்வுகளைப் பகுப்பாய்வு செய்யும்போது, ​​ஒரு முக்கியமான கருவியாகும். இந்தக் கருத்தில் தேர்ச்சி பெறுவது, நிதி முடிவுகள், சந்தை ஆராய்ச்சி, தயாரிப்புத் தரம், மரபியல் மற்றும் பல்வேறு பிற பயன்பாடுகள் தொடர்பான சிக்கல்களை மிகவும் திறம்படக் கையாள்வதற்கு நமக்கு உதவும்.

ஈருறுப்புப் பரவல் சார்பைப் புரிந்துகொள்வதன் மூலம், நிகழ்வுகளின் நிகழ்தகவுகளை நாம் துல்லியமாக மாதிரியாக்கிக் கணக்கிடலாம், மேலும் வலுவான புள்ளியியல் பகுப்பாய்வின் அடிப்படையில் முடிவுகளை எடுக்கலாம். தொழில்நுட்பம் மற்றும் புள்ளியியல் மென்பொருட்களில் ஏற்பட்டுள்ள முன்னேற்றங்கள், இந்தப் பரவலைக் கணக்கிடுவதையும் காட்சிப்படுத்துவதையும் எளிதாக்கியுள்ளன. இதனால், இது பரந்த அளவிலான ஆய்வுத் துறைகளிலும் பயன்பாடுகளிலும் எளிதில் அணுகக்கூடியதாக மாறியுள்ளது.