ద్విపద పంపిణీ

ద్విపద పంపిణీ: సిద్ధాంతం, అనువర్తనాలు మరియు ఉదాహరణలు

పెండహులువాన్

ద్విపద పంపిణీ అనేది గణాంకాలు మరియు సంభావ్యతా సిద్ధాంతంలో ఒక ప్రాథమిక భావన. అత్యంత తరచుగా ఉపయోగించే వివిక్త పంపిణీలలో ఒకటిగా, ద్విపద పంపిణీ వైద్యం, అర్థశాస్త్రం, జీవశాస్త్రం మరియు సామాజిక శాస్త్రాలు వంటి రంగాలలో అనేక అనువర్తనాలను అందిస్తుంది. ఈ వ్యాసం ద్విపద పంపిణీ యొక్క నిర్వచనం, ముఖ్య లక్షణాలు, సంబంధిత సూత్రాలు మరియు అనేక ఆచరణాత్మక అనువర్తన ఉదాహరణలతో సహా దానిని లోతుగా చర్చిస్తుంది.

ద్విపద పంపిణీని అర్థం చేసుకోవడం

బైనామియల్ డిస్ట్రిబ్యూషన్ అనేది n బెర్నౌలీ ట్రయల్స్ యొక్క ఫలితాన్ని వివరిస్తుంది, ఇక్కడ ప్రతి ట్రయల్‌కు "విజయం" లేదా "వైఫల్యం" అనే రెండు సాధ్యమైన ఫలితాలు మాత్రమే ఉంటాయి. ఉదాహరణకు, నాణెం టాస్ చేసినప్పుడు, సాధ్యమయ్యే ఫలితాలు "బొమ్మ" లేదా "బొమ్మ" మాత్రమే.

బైనామియల్ పంపిణీలోని రెండు ప్రధాన పారామితులు:
1. n (ప్రయత్నాల సంఖ్య)
2. p (ప్రతి ప్రయత్నంలో విజయం సాధించే సంభావ్యత)

మరింత అధికారికంగా, n ప్రయత్నాలలో విజయాల సంఖ్యను ద్విపద పంపిణీ \( B(n, p) \) ద్వారా వివరించవచ్చు.

సంభావ్యత ద్రవ్యరాశి ఫంక్షన్ (PMF)

ద్విపద పంపిణీ యొక్క సంభావ్యత ద్రవ్యరాశి ప్రమేయం ఈ విధంగా సూత్రీకరించబడింది:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
ఎక్కడ:
– \( \binom{n}{k} \) అనేది ఎంచుకున్న n k ల కలయిక,
– \( p \) అనునది ఒకే ప్రయత్నంలో విజయం సాధించే సంభావ్యత,
– (k) అనేది విజయాల సంఖ్య,
– \( n \) అనేది మొత్తం ప్రయత్నాల సంఖ్య.

ద్విపద పంపిణీ యొక్క ప్రధాన లక్షణాలు

ద్విపద పంపిణీకి అనేక ముఖ్య లక్షణాలు ఉన్నాయి:
1. సగటు (యావరేజ్): ప్రయోగాల సంఖ్యను ప్రతి ప్రయోగంలో విజయం సాధించే సంభావ్యతతో గుణించడం ద్వారా దీనిని పొందుతారు. సగటు \( \mu = np \).
2. విస్తృతి: ద్విపద పంపిణీ యొక్క విస్తృతి అనేది ప్రయత్నాల సంఖ్య, విజయ సంభావ్యత మరియు వైఫల్య సంభావ్యత యొక్క లబ్ధం, అనగా, \( \sigma^2 = np(1 – p) \).
3. సమరూపత మరియు వక్రత: \( p = 0.5 \) అయినప్పుడు, ద్విపద పంపిణీ సమరూపంగా ఉంటుంది. \( p < 0.5 \) అయినప్పుడు, పంపిణీ కుడివైపుకు వక్రంగా ఉంటుంది, మరియు \( p > 0.5 \) అయినప్పుడు, పంపిణీ ఎడమవైపుకు వక్రంగా ఉంటుంది.
4. విలువ పరిమితులు: ద్విపద విలువ (k) 0 నుండి n వరకు ఉంటుంది.

ద్విపద పంపిణీ మరియు కేంద్ర పరిమితి సిద్ధాంతం

సెంట్రల్ లిమిట్ థియరమ్‌లో బైనామియల్ డిస్ట్రిబ్యూషన్ ఒక ముఖ్యమైన పాత్ర పోషిస్తుంది. ప్రయోగాల సంఖ్య (n) చాలా పెద్దది అయినప్పుడు, బైనామియల్ డిస్ట్రిబ్యూషన్, సగటు \( \mu = np \) మరియు ప్రామాణిక విచలనం \( \sigma = \sqrt{np(1 – p)} \) కలిగిన నార్మల్ డిస్ట్రిబ్యూషన్‌ను సమీపిస్తుంది.

ద్విపద పంపిణీని ఉపయోగించి ఒక కేస్ ఉదాహరణ

వివిధ రంగాలలోని ఆచరణాత్మక ఉదాహరణల ద్వారా ద్విపద పంపిణీ గురించిన చర్చలను సులభంగా అర్థం చేసుకోవచ్చు. ఇక్కడ కొన్ని వాస్తవ ప్రపంచ అనువర్తనాలు ఉన్నాయి:

ఉదాహరణ 1: ఉత్పత్తి పరీక్ష

ఒక ఎలక్ట్రానిక్స్ కంపెనీ యొక్క ఉత్పత్తి శ్రేణిలో లోపభూయిష్టమైన ఉత్పత్తి వచ్చే సంభావ్యత 0.01 అని అనుకుందాం. ఆ కంపెనీ 100 ఉత్పత్తులను తనిఖీ చేస్తే, సరిగ్గా 2 లోపభూయిష్టమైన ఉత్పత్తులను కనుగొనే సంభావ్యత ఎంత?

ద్విపద పంపిణీ సూత్రాన్ని ఉపయోగించి:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]

సంయోగాలు \(\binom{100}{2}\) ను గణించి, ఆపై మిగిలిన సంభావ్యతలతో గుణించడం ద్వారా, మనం తుది ఫలితాన్ని పొందుతాము.

ఉదాహరణ 2: వైద్య పరిశోధన

ఒక నిర్దిష్ట వ్యాధికి సంబంధించిన ఔషధం యొక్క క్లినికల్ ట్రయల్‌లో, ఒక రోగి ఆ ఔషధంతో నయమయ్యే సంభావ్యత 0.8. 10 మంది రోగులను పరీక్షిస్తే, కనీసం 8 మంది రోగులు నయమయ్యే సంభావ్యత ఎంత?

ఈ సంభావ్యతను కనుగొనడానికి, 8, 9, మరియు 10 మంది రోగులు కోలుకునే సంభావ్యతలను మనం కూడాలి:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]

k యొక్క ప్రతి విలువకు (8, 9, మరియు 10) ద్విపద సూత్రాన్ని ఉపయోగించి, ఆపై ఫలితాలను కూడటం ద్వారా.

ఉదాహరణ 3: అర్థశాస్త్రంలో నిర్ణయాలు

ఒక మార్కెట్ సర్వేలో, 60% మంది వినియోగదారులు ఒక కొత్త ఉత్పత్తిని ఇష్టపడ్డారు. 20 మంది వినియోగదారుల యాదృచ్ఛిక నమూనాను తీసుకుంటే, వారిలో కనీసం 15 మంది ఆ ఉత్పత్తిని ఇష్టపడే సంభావ్యత ఎంత?

15 నుండి 20 వరకు లైక్‌ల సంఖ్య యొక్క సంభావ్యతను లెక్కించడానికి మనకు ద్విపద పంపిణీ అవసరం:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]

అదే పద్ధతిని ఉపయోగించి, మనం ఈ సంభావ్యతలను లెక్కించి, కూడతాము.

ద్విపద పంపిణీ గణనలలో సాంకేతిక పరిజ్ఞానాన్ని ఉపయోగించడం

డిజిటల్ యుగంలో, బైనామియల్ డిస్ట్రిబ్యూషన్ గణన అప్లికేషన్‌లు కేవలం మాన్యువల్‌గా మాత్రమే కాకుండా R, పైథాన్ లేదా కొన్ని స్టాటిస్టికల్ కాలిక్యులేటర్‌ల వంటి సాఫ్ట్‌వేర్‌లను ఉపయోగించి కూడా చేయబడతాయి.

బైనామియల్ డిస్ట్రిబ్యూషన్‌ను లెక్కించడానికి పైథాన్‌ను ఉపయోగించే ఒక ఉదాహరణ ఇక్కడ ఉంది:

పైథాన్
scipy.stats నుండి binomను దిగుమతి చేసుకోండి

n = 10 ప్రయోగాల సంఖ్య
p = 0.8 విజయ సంభావ్యత
k = 8 విజయాల అంచనా సంఖ్య

ఖచ్చితంగా 8 విజయాల సంభావ్యత
prob_8 = binom.pmf(k, n, p)

కనీసం 8 విజయాలు సాధించే సంభావ్యత
prob_ge_8 = 1 – binom.cdf(k-1, n, p)

print(f”ఖచ్చితంగా 8 విజయాలు సాధించే సంభావ్యత: {prob_8}”)
print(f”కనీసం 8 విజయాలు సాధించే సంభావ్యత: {prob_ge_8}”)
""

ముగింపు

ద్విపద పంపిణీ అనేది గణాంకాలు మరియు సంభావ్యతలో ఒక ముఖ్యమైన ప్రాథమిక భావన. ద్విపద పంపిణీని అర్థం చేసుకోవడం ద్వారా, రెండు ఫలితాలతో పునరావృతమయ్యే ప్రయోగాలతో కూడిన వాస్తవ ప్రపంచ పరిస్థితులకు మనం వివిధ సంభావ్యత నమూనాలను వర్తింపజేయవచ్చు. సాంకేతిక సాధనాలను ఉపయోగించగల సామర్థ్యం గణన ప్రక్రియను మరింత సమర్థవంతంగా మరియు కచ్చితంగా చేస్తుంది. ద్విపద పంపిణీ సైద్ధాంతికంగా ముఖ్యమైనది మాత్రమే కాకుండా, విజ్ఞాన శాస్త్రం మరియు పరిశ్రమలలోని వివిధ రంగాలలో అనేక సంబంధిత ఆచరణాత్మక అనువర్తనాలను కూడా కలిగి ఉంది.

ఈ వ్యాసం బైనామియల్ డిస్ట్రిబ్యూషన్ గురించి మరింత లోతైన అవగాహనను అందించి, గణాంకాలు మరియు సంభావ్యత రంగాలలో తదుపరి అన్వేషణకు స్ఫూర్తినిస్తుందని ఆశిస్తున్నాము.