புள்ளியியலில் இயல்நிலைப் பரவல் சூத்திரம்

புள்ளியியலில் இயல்நிலைப் பரவல் சூத்திரம்

இயல்நிலைப் பரவல், காஸியன் பரவல் அல்லது மணி வடிவ வளைவு என்றும் அழைக்கப்படுகிறது, இது புள்ளியியலில் உள்ள மிக அடிப்படையான கருத்துக்களில் ஒன்றாகும். இதன் இருப்பு, பல்வேறு புள்ளியியல் மற்றும் நிகழ்தகவுப் பகுப்பாய்வுகளின் அடித்தளமாகப் பெரும்பாலும் கருதப்படுகிறது. இந்தப் பரவலானது கோட்பாட்டில் மட்டுமல்லாமல், நிதி இடர் மேலாண்மை, சமூக அறிவியல், மருத்துவம் மற்றும் பல போன்ற பல்வேறு நடைமுறைப் பயன்பாடுகளிலும் அடிக்கடி பயன்படுத்தப்படுகிறது.

இயல்நிலைப் பரவலின் வரையறை

இயல்நிலைப் பரவல் என்பது அதன் சராசரியைப் பொறுத்து சமச்சீராக இருக்கும் ஒரு தொடர்ச்சியான நிகழ்தகவுப் பரவலாகும். வேறுவிதமாகக் கூறினால், இந்தப் பரவலின் வரைபடம், சராசரியில் அகலமாகவும், முனைகளில் குறுகலாகவும் இருக்கும் ஒரு மணி வடிவ வளைவை உருவாக்கும். இந்தப் பரவலுக்கு இரண்டு முக்கிய அளவுருக்கள் உள்ளன: சராசரி (μ) மற்றும் திட்ட விலக்கம் (σ).

சராசரியானது பரவலின் மையத்தின் இருப்பிடத்தைத் தீர்மானிக்கிறது, அதே சமயம் திட்ட விலக்கமானது, சராசரியைச் சுற்றி தரவுகள் எவ்வளவு பரவியுள்ளன என்பதை அளவிடுகிறது. திட்ட விலக்கம் அதிகமாக இருந்தால், பரவல் வளைகோடு அகலமாகவும் குட்டையாகவும் இருக்கும்; திட்ட விலக்கம் குறைவாக இருந்தால், வளைகோடு குறுகலாகவும் செங்குத்தாகவும் இருக்கும்.

நிகழ்தகவு அடர்த்திச் சார்பு

இயல்நிலைப் பரவலுக்கான நிகழ்தகவு அடர்த்திச் சார்பு (pdf) பின்வரும் கணித வடிவத்தைக் கொண்டுள்ளது:

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

இங்கே:
– \( x \) என்பது ஒரு சமவாய்ப்பு மாறி.
– \( \mu \) என்பது பரவலின் சராசரி ஆகும்.
– \( \sigma \) என்பது பரவலின் திட்ட விலகல் ஆகும்.
– \( e \) என்பது இயல் மடக்கையின் அடிமானம், தோராயமாக 2.71828 ஆகும்.

மேற்கண்ட சார்பு ஒரு சமச்சீர் மணி வடிவ வளைவை உருவாக்குகிறது. இரண்டு புள்ளிகளுக்கு இடையில் இந்தச் சார்பைத் தொகையிடுவது, சமவாய்ப்பு மாறியானது அந்த இரண்டு மதிப்புகளுக்கு இடையில் அமைவதற்கான நிகழ்தகவைத் தருகிறது.

திட்ட இயல்நிலைப் பரவல்

திட்ட இயல்நிலைப் பரவல் என்பது சராசரி \( \mu = 0 \) மற்றும் திட்ட விலக்கம் \( \sigma = 1 \) ஆகியவற்றைக் கொண்ட ஒரு இயல்நிலைப் பரவலாகும். திட்ட இயல்நிலைப் பரவலுக்கான நிகழ்தகவு அடர்த்திச் சார்பு:

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

இங்கே:
– \( z \) என்பது திட்ட இயல்நிலைப் பரவலைப் பின்பற்றும் ஒரு சமவாய்ப்பு மாறி ஆகும்.

திட்ட இயல்நிலைப் பரவல் பெரும்பாலும் பயன்படுத்தப்படுகிறது, ஏனெனில் அது “தரப்படுத்தல்” எனப்படும் ஒரு செயல்முறையின் மூலம் மற்ற இயல்நிலைப் பரவல்களைத் தரப்படுத்த அனுமதிக்கிறது. தரப்படுத்தல் என்பது, பின்வரும் சூத்திரத்தைப் பயன்படுத்தி, இயல்நிலைப் பரவல் \( N(\mu, \sigma) \)-இன் ​​\( x \) மதிப்புகளை, திட்ட இயல்நிலைப் பரவல் \( N(0, 1) \)-இன் ​​\( z \) மதிப்புகளாக மாற்றுவதை உள்ளடக்கியது:

\[ z = \frac{x – \mu}{\sigma} \]

இந்த செயல்முறை, வெவ்வேறு இயல்நிலைப் பரவல்களின் மதிப்புகளை ஒரே அளவுகோலுக்கு வரைபடமாக்குவதன் மூலம் அவற்றை ஒப்பிடுவதை எளிதாக்குகிறது.

பயன்பாடு மற்றும் பொருத்தப்பாடு

### 1. மைய எல்லைத் தேற்றம்

மைய எல்லைத் தேற்றத்தின் (CLT) பின்னணியில் இயல்நிலைப் பரவல் குறிப்பாகப் பொருத்தமானதாக விளங்குகிறது. மூலப் பரவலின் வடிவத்தைப் பொருட்படுத்தாமல், போதுமான அளவு பெரிய எண்ணிக்கையிலான சார்பற்ற சமவாய்ப்பு மாறிகள் தோராயமாக இயல்நிலைப் பரவலைக் கொண்டிருக்கும் என்று மைய எல்லைத் தேற்றம் கூறுகிறது. இதன் பொருள், மாதிரியானது போதுமான அளவு பெரியதாக இருக்கும் பட்சத்தில், மாதிரிச் சராசரியின் பரவலைத் தோராயப்படுத்த இயல்நிலைப் பரவலைப் பயன்படுத்தலாம் என்பதாகும்.

### 2. புள்ளியியல் அனுமானம்

இயல்நிலைப் பரவல், z-சோதனை மற்றும் t-சோதனை போன்ற கருதுகோள் சோதனைகளைப் பயன்படுத்த அனுமதிக்கிறது. இவ்விரு முறைகளும், கவனிக்கப்பட்ட முடிவுகளின் புள்ளிவிவர முக்கியத்துவத்தைத் தீர்மானிக்க, திட்ட இயல்நிலைப் பரவலைப் பயன்படுத்துகின்றன. மாதிரி அளவு பெரியதாக இருக்கும்போது அல்லது மக்கள் தொகை திட்ட விலக்கம் அறியப்பட்டிருக்கும்போது z-சோதனை பொதுவாகப் பயன்படுத்தப்படுகிறது, அதேசமயம் மாதிரி அளவு சிறியதாக இருக்கும்போது அல்லது மக்கள் தொகை திட்ட விலக்கம் அறியப்படாதபோது t-சோதனை பயன்படுத்தப்படுகிறது.

### 3. பின்னடைவு பகுப்பாய்வு

நேரியல் பின்னடைவுப் பகுப்பாய்வில், பிழைத் தரவுகள் இயல்நிலைப் பரவலைக் கொண்டுள்ளன என்ற அனுமானம் மிக முக்கியமானது. இந்த அனுமானம், நம்பிக்கை இடைவெளிகளைக் கணக்கிடுவதற்கும் பின்னடைவு மாதிரி அளவுருக்களின் முக்கியத்துவச் சோதனையை மேற்கொள்வதற்கும் வழிவகுக்கிறது. அதேபோல், தரவுப் பிழைகள் அல்லது புறத்தளவுகளைக் கண்டறிவது, இயல்நிலையிலிருந்து ஏற்படும் குறிப்பிடத்தக்க விலகல்களுக்காக மீதப் பரவலை ஆராய்வதன் மூலம் பெரும்பாலும் செய்யப்படுகிறது.

4. மருத்துவம் மற்றும் உயிரியல்

மருத்துவத்தில், பல்வேறு உயிரியல் நிகழ்வுகளின் பரவலை விவரிக்க இயல்நிலைப் பரவல் பயன்படுத்தப்படுகிறது. எடுத்துக்காட்டாக, உயரம், இரத்த அழுத்தம் மற்றும் சில ஆய்வகப் பரிசோதனை முடிவுகள் பெரும்பாலும் இயல்நிலைப் பரவலைப் பின்பற்றுகின்றன. இது மருத்துவ நோயறிதல்களுக்கான வரம்பு மதிப்புகளைத் தீர்மானிப்பதை எளிதாக்குகிறது.

5. நிதி மற்றும் பொருளாதாரம்

நிதியியலில், பங்கு வருமானம், வட்டி விகிதங்கள் மற்றும் பல நிகழ்வுகளை மாதிரியாக்க இயல்நிலைப் பரவல் பயன்படுத்தப்படுகிறது. நடைமுறையில், பங்குகள் பெரும்பாலும் அதிக கோட்டம் மற்றும் தட்டையைக் காட்டினாலும், இயல்நிலைப் பரவல் என்ற அனுமானம் ஒரு உறுதியான பகுப்பாய்வு அடிப்படையை வழங்குகிறது.

செயலாக்கம் மற்றும் கணக்கீடு

பைத்தானைப் பயன்படுத்துதல்

பைத்தான், NumPy மற்றும் SciPy போன்ற நூலகங்களுடன், இயல்நிலைப் பரவலுடன் பணிபுரிவதற்கான பல வழிமுறைகளை வழங்குகிறது. இந்த நூலகங்களைப் பயன்படுத்தி இயல்நிலைப் பரவலை எவ்வாறு பொதுமைப்படுத்தி வரைபடமாக்கலாம் என்பதற்கான ஒரு எடுத்துக்காட்டு இங்கே கொடுக்கப்பட்டுள்ளது:

"` மலைப்பாம்பு
எண்ணை np ஆக இறக்குமதி செய்க
matplotlib.pyplot ஐ plt ஆக இறக்குமதி செய்யவும்
scipy.stats இறக்குமதி விதிமுறையிலிருந்து

# இயல்நிலைப் பரவல் அளவுருக்கள்
mu = 0 # சராசரி
சிக்மா = 1 # திட்ட விலகல்

# இயல்நிலைப் பரவலுக்கான தரவு
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)

# இயல்நிலைப் பரவல் வரைபடம்
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('அடர்த்தி')
plt.title('இயல்நிலைப் பரவல் N(0, 1)')
plt.show ()
"`

மேற்கண்ட எடுத்துக்காட்டில், சராசரி 0 மற்றும் திட்ட விலக்கம் 1 கொண்ட இயல்நிலைப் பரவல் தரவை உருவாக்கி, பின்னர் அதன் நிகழ்தகவு அடர்த்திச் சார்பை வரைபடமாக்கினோம்.

முடிவுரை

புள்ளிவிவரவியல் மற்றும் நிகழ்தகவில் இயல்நிலைப் பரவல் ஒரு முக்கியப் பங்கு வகிக்கிறது. மைய எல்லைத் தேற்றம் முதல் பின்னடைவுப் பகுப்பாய்வு மற்றும் கருதுகோள் சோதனை போன்ற பல்வேறு நடைமுறைப் பயன்பாடுகள் வரை இதன் உலகளாவிய பயன்பாடு, இதனை மிகவும் பிரபலமான மற்றும் முக்கியமான நிகழ்தகவுப் பரவல்களில் ஒன்றாக ஆக்குகிறது. இயல்நிலைப் பரவல் சூத்திரத்தைப் புரிந்துகொள்வதும், அதைத் திறம்படப் பயன்படுத்துவதும் தரவு அறிவியல், ஆராய்ச்சி, பொருளாதாரம் மற்றும் பல துறைகளில் பணிபுரியும் எவருக்கும் ஒரு அத்தியாவசியத் திறனாகும்.

இந்த அறிவின் மூலம், பல்வேறு வகையான பகுப்பாய்வுச் சிக்கல்களை நாம் மிகவும் திறம்பட அணுகித் தீர்க்க முடியும். மேலும், கிடைக்கப்பெறும் தரவுகள் மற்றும் நிகழ்தகவுகளின் அடிப்படையில் சிறந்த முடிவுகளை எடுக்கவும் இது நமக்கு உதவுகிறது.