பாய்சன் பரவலைப் புரிந்துகொள்வது

பாய்சன் பரவலைப் புரிந்துகொள்வது

புள்ளியியல் மற்றும் நிகழ்தகவு உலகில், நிஜ உலக நிகழ்வுகளை மாதிரியாக்க பல்வேறு பரவல்கள் பயன்படுத்தப்படுகின்றன. பல்வேறு துறைகளில் அடிக்கடி பயன்படுத்தப்படும் ஒரு பரவல் பாய்சான் பரவல் ஆகும். இந்தப் பரவல் தனித்துவமான பண்புகளைக் கொண்டுள்ளதுடன், இயற்கை அறிவியல் முதல் பொறியியல், பொருளாதாரம் மற்றும் சமூக அறிவியல் வரையிலான பல்வேறு பயன்பாடுகளில் மிகவும் பயனுள்ளதாக இருக்கிறது. இந்தக் கட்டுரை பாய்சான் பரவல், அதன் பண்புகள் மற்றும் பல்வேறு சூழல்களில் அதன் பயன்பாடுகள் குறித்து ஆழமாக விவாதிக்கும்.

பாய்சன் பரவலைப் புரிந்துகொள்வது

பாய்சன் பரவல் என்பது ஒரு குறிப்பிட்ட கால அல்லது இட இடைவெளியில் ஒரு நிகழ்வு எத்தனை முறை நிகழ்கிறது என்பதை விவரிக்கும் ஒரு தனித்த நிகழ்தகவுப் பரவலாகும். இந்தப் பரவல் முதன்முதலில் 1837-ஆம் ஆண்டில் பிரெஞ்சு கணிதவியலாளர் சிமியோன் டெனிஸ் பாய்சன் என்பவரால் அறிமுகப்படுத்தப்பட்டது. அரிதாக நிகழும், ஆனால் மொத்த அவதானிப்புகளின் எண்ணிக்கையில் அதிக எண்ணிக்கையில் உள்ள சமவாய்ப்பு நிகழ்வுகளை மாதிரியாக்கம் செய்ய பாய்சன் பரவல் பெரும்பாலும் பயன்படுத்தப்படுகிறது.

பின்வருவது பாய்சன் பரவல் சூத்திரம்:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
எங்கே:
– \( P(X = k) \) என்பது ஒரு குறிப்பிட்ட கால இடைவெளியில் k நிகழ்வுகள் ஏற்படுவதற்கான நிகழ்தகவு ஆகும்.
– \( \lambda \) என்பது அந்த இடைவெளியில் உள்ள நிகழ்வுகளின் சராசரி ஆகும்.
– \( k \) என்பது நிகழ்வுகளின் எண்ணிக்கை,
– \( e \) என்பது இயல் மடக்கையின் அடிமானம் ஆகும், இதன் மதிப்பு தோராயமாக 2.71828 ஆகும்.

பாய்சன் பரவலானது, நிகழ்வுகள் ஒன்றுக்கொன்று சார்பற்றவை மற்றும் ஓரலகு கால அல்லது இட இடைவெளியில் நிகழும் நிகழ்வுகளின் சராசரி எண்ணிக்கை மாறிலி என்பதாகும்.

பாய்சன் பரவலின் பண்புகள்

பாய்சன் பரவலானது, மற்ற பரவல்களிலிருந்து அதை வேறுபடுத்திக் காட்டும் பல முக்கியப் பண்புகளைக் கொண்டுள்ளது. பாய்சன் பரவலின் முக்கியப் பண்புகள் பின்வருமாறு:

1. தனித்த மற்றும் எதிர்மறையற்றது: பாய்சன் பரவலில் உள்ள சமவாய்ப்பு மாறிகள், எதிர்மறையற்ற முழு எண் மதிப்புகளை (0, 1, 2, …) மட்டுமே எடுக்க முடியும்.

2. நிகழ்வுகளின் சார்பின்மை: ஒவ்வொரு நிகழ்வும் மற்றொன்றைச் சார்பற்றதாக இருக்க வேண்டும். அதாவது, ஒரு நிகழ்வு ஏற்படுவது மற்றொரு நிகழ்வு ஏற்படுவதற்கான நிகழ்தகவைப் பாதிக்காது.

3. மாறாத சராசரி: ஒரு குறிப்பிட்ட கால இடைவெளியில் உள்ள நிகழ்வுகளின் சராசரி மாறாமல் இருக்க வேண்டும். இதன் பொருள், நிகழ்வுகளின் சராசரி காலப்போக்கில் மாறினால், பாய்சான் பரவல் பொருத்தமானதாக இருக்காது.

4. ஒற்றை அளவுரு (\( \lambda \)) : பாய்சன் பரவலுக்கு \( \lambda \) என்ற ஒரே ஒரு அளவுரு மட்டுமே உள்ளது, இது ஒரு கால இடைவெளியில் உள்ள நிகழ்வுகளின் சராசரி எண்ணிக்கையாகும்.

5. சராசரி மற்றும் மாறுபாடு: பாய்சான் பரவலில், சராசரி மற்றும் மாறுபாடு இரண்டும் ஒன்றே, அதாவது \( \lambda \).

வழக்கு ஆய்வுகள் மற்றும் பயன்பாடுகள்

பாய்சன் பரவலுக்குப் பல்வேறு நிஜ வாழ்க்கை பயன்பாடுகள் உள்ளன. இந்தப் பரவலின் சில பொதுவான எடுத்துக்காட்டுகள் பின்வருமாறு:

1. தொலைபேசி அழைப்புகளின் எண்ணிக்கை: ஒரு வாடிக்கையாளர் சேவை மையத்தில், ஒரு மணி நேரத்திற்கு சராசரியாக 5 தொலைபேசி அழைப்புகள் வருவதாக வைத்துக்கொள்வோம். ஒரு குறிப்பிட்ட மணி நேரத்தில் பெறப்படும் அழைப்புகளின் எண்ணிக்கையை மாதிரியாகக் கொள்ள பாய்சன் பரவலைப் பயன்படுத்தலாம்.

2. போக்குவரத்து விபத்துச் சம்பவங்கள்: ஒரு குறிப்பிட்ட சந்திப்பில் மாதத்திற்கு சராசரியாக 3 போக்குவரத்து விபத்துக்கள் நிகழ்கின்றன என்று வைத்துக்கொள்வோம். அடுத்த மாதத்தில் நிகழக்கூடிய விபத்துக்களின் எண்ணிக்கையைக் கணிக்க பாய்சன் பரவல் உதவும்.

3. ஒரு உணவகத்திற்கு வாடிக்கையாளர் வருகை: ஒரு உணவகத்திற்கு ஒரு மணி நேரத்திற்கு சராசரியாக 10 வாடிக்கையாளர்கள் வந்தால், ஒரு குறிப்பிட்ட மணி நேரத்தில் வரக்கூடிய வாடிக்கையாளர்களின் எண்ணிக்கையை மாதிரியாகக் காட்ட பாய்சன் பரவலைப் பயன்படுத்தலாம்.

4. மரபணுப் பிறழ்வுகள்: மரபியலின் பின்னணியில், பிறழ்வுகள் பொதுவாக அரிதான ஆனால் உறுதியான நிகழ்வுகள் என்பதால், ஒரு குறிப்பிட்ட காலப்பகுதியில் ஒரு உயிரினக் குழுவில் ஏற்படும் மரபணுப் பிறழ்வுகளின் எண்ணிக்கையை மாதிரியாகக் காட்ட பாய்சன் பரவலைப் பயன்படுத்தலாம்.

பாய்சன் பரவலைக் கொண்டு நிகழ்தகவைக் கணக்கிடுவது எப்படி

பாய்சன் பரவலின் பயன்பாட்டை நன்கு புரிந்துகொள்ள, பாய்சன் பரவல் சூத்திரத்தைப் பயன்படுத்தி நிகழ்தகவை எவ்வாறு கணக்கிடுவது என்று பார்ப்போம். எடுத்துக்காட்டு:

ஒரு கடையில் ஒரு மணி நேரத்தில் வரும் வாடிக்கையாளர்களின் சராசரி எண்ணிக்கை 4 (\( \lambda = 4 \)) என்று வைத்துக்கொள்வோம். ஒரு குறிப்பிட்ட மணி நேரத்தில், சரியாக 6 வாடிக்கையாளர்கள் வருவதற்கான நிகழ்தகவை நாம் அறிய விரும்புகிறோம். பாய்சன் சூத்திரத்தைப் பயன்படுத்தி:

\[ P(X = 6) = \frac{4^6 e^{-4}}{6!} \]

நாம் கணக்கிடலாம்:
– \( 4^6 = 4096 \)
– \( e^{-4} \approx 0.0183 \)
– \( 6! = 720 \)

அதனால்,

\[ P(X = 6) = \frac{4096 \cdot 0.0183}{720} \approx 0.104 \]

எனவே, ஒரு மணி நேரத்தில் சரியாக 6 வாடிக்கையாளர்கள் வருவதற்கான நிகழ்தகவு சுமார் 10.4% ஆகும்.

பாய்சன் பரவலின் நன்மைகள் மற்றும் வரம்புகள்

மிகை:
1. எளிமையானது: பாய்சன் பரவலானது ஒரு எளிய சூத்திரத்தைக் கொண்டுள்ளது மற்றும் ஒரே ஒரு அளவுருவை (\( \lambda \)) மட்டுமே தேவைப்படுத்துவதால், இதைப் பயன்படுத்துவது எளிதாகிறது.

2. பரந்த பயன்பாடுகள்: அரிதான மற்றும் சார்பற்ற நிகழ்வுகளைக் கொண்ட ஒரு பரவலைக் கொண்டு பல நிஜ நிகழ்வுகளை மாதிரியாக்க முடியும் என்பதால், இந்தப் பரவலுக்குப் பல்வேறு துறைகளில் ஏராளமான பயன்பாடுகள் உள்ளன.

3. யதார்த்தமான அனுமானங்கள்: வருகை தரும் வாடிக்கையாளர்களின் எண்ணிக்கை அல்லது தொலைபேசி அழைப்புகளின் எண்ணிக்கை போன்ற பல நிஜ உலகச் சூழ்நிலைகளில், சார்பின்மை மற்றும் சராசரியின் மாறாத்தன்மை ஆகிய அனுமானங்கள் பெரும்பாலும் யதார்த்தமானவையாக இருக்கின்றன.

Keterbatasan:
1. மாறாத சராசரி எப்போதும் போதுமானதல்ல: பல நிஜ உலகச் சூழ்நிலைகளில், நிகழ்வுகளின் சராசரி எப்போதும் மாறாமல் இருக்காது. காலப்போக்கில் சராசரி மாறினால், பாய்சன் பரவல் துல்லியமாக இருக்காது.

2. நிகழ்வுகளின் சார்பின்மை: நிகழ்வுகள் ஒன்றுக்கொன்று சார்பற்றவை என்ற அனுமானம், சில சூழ்நிலைகளில் எப்போதும் உண்மையாக இருக்காது.

3. முழு எண்களுக்கு மட்டும்: பாய்சான் பரவலானது, முழு எண்களில் எண்ணக்கூடிய நிகழ்வுகளுக்கு மட்டுமே பொருத்தமானது. இதைத் தொடர்ச்சியான தரவுகளுக்குப் பயன்படுத்த முடியாது.

பாய்சன் பரவலின் மாறுபாடுகள்

பாய்சன் பரவல் மிகவும் பயனுள்ளதாக இருந்தாலும், மேலும் சிக்கலான சூழ்நிலைகளுக்கு ஏற்ப இந்தப் பரவலில் பல மாறுபாடுகளும் விரிவாக்கங்களும் உள்ளன. நன்கு அறியப்பட்ட ஒரு மாறுபாடு கலவை பாய்சன் பரவல் ஆகும், இது நிகழ்வுகளின் சராசரி எண்ணிக்கை (\( \lambda \)) ஒரு குறிப்பிட்ட பரவலைக் கொண்ட சமவாய்ப்பு மாறியாகவும் இருக்க முடியும் என்பதை அங்கீகரிக்கிறது.

பொதுமைப்படுத்தப்பட்ட பாய்சன் பரவல் (Generalized Poisson Distribution) என்றும் ஒன்று உள்ளது. இது, நிகழ்வுகள் முற்றிலும் சார்பற்றவையாக இல்லாத சூழ்நிலைகளுக்கோ அல்லது மிகவும் அரிதான நிகழ்வுகளின் நிகழ்தகவுகள் வழக்கமான பாய்சன் மாதிரியுடன் பொருந்தாத சூழ்நிலைகளுக்கோ இடமளிக்கும் வகையில், வழக்கமான பாய்சன் பரவலின் சில அனுமானங்களைத் தளர்த்துகிறது.

முடிவுரை

பாய்சன் பரவல் என்பது, நிலையான கால அல்லது இட இடைவெளிகளில் நிகழும் சமவாய்ப்பு நிகழ்வுகளை மாதிரியாக்கப் பயன்படும் புள்ளியியல் மற்றும் நிகழ்தகவியலில் உள்ள ஒரு சக்திவாய்ந்த கருவியாகும். \(\lambda\) என்ற ஒற்றை முக்கிய அளவுருவைக் கொண்டு, வாடிக்கையாளர் சேவை முதல் மரபியல் வரை பரந்த அளவிலான நிஜ உலகச் சூழ்நிலைகளை விவரிக்க இது ஒரு எளிய மற்றும் பயனுள்ள வழியை வழங்குகிறது. சில சூழ்நிலைகளில் அதன் துல்லியத்தைக் குறைக்கக்கூடிய சில அடிப்படை அனுமானங்கள் இதில் இருந்தாலும், அதன் எளிமையும் பரந்த பயன்பாடும் இதை மிகவும் பிரபலமான மற்றும் பயனுள்ள நிகழ்தகவுப் பரவல்களில் ஒன்றாக ஆக்குகின்றன. பாய்சன் பரவலைப் புரிந்துகொள்வது புள்ளியியல் பகுப்பாய்வுக்கு உதவுவது மட்டுமல்லாமல், இயற்கை மற்றும் மனிதனால் உருவாக்கப்பட்ட நிகழ்வுகளில் நிகழ்தகவு வடிவங்கள் எவ்வாறு செயல்படுகின்றன என்பது பற்றிய நுண்ணறிவையும் வழங்குகிறது.