ద్విపద పంపిణీ ఫంక్షన్

ద్విపద పంపిణీ ప్రమేయం: పూర్తి వివరణ మరియు అనువర్తనాలు

ద్విపద పంపిణీ అనేది గణాంకాలు మరియు సంభావ్యతలో అత్యంత సాధారణంగా ఉపయోగించే వివిక్త సంభావ్యత పంపిణీలలో ఒకటి. ఈ పంపిణీ ఒకేలాంటి, స్వతంత్ర ప్రయత్నాల శ్రేణిలో విజయాల సంఖ్యను నమూనా చేస్తుంది, ఇక్కడ ప్రతి ప్రయత్నానికి విజయం లేదా వైఫల్యం అనే రెండు సాధ్యమయ్యే ఫలితాలు ఉంటాయి. ఈ వ్యాసంలో, మనం ద్విపద పంపిణీ ఫంక్షన్ యొక్క నిర్వచనం, సూత్రం, లక్షణాలు మరియు అనువర్తనాలను లోతుగా అన్వేషిస్తాము.

ద్విపద పంపిణీని అర్థం చేసుకోవడం

ద్విపద పంపిణీ n స్వతంత్ర ప్రయత్నాలలో "విజయాల" సంఖ్యను వివరిస్తుంది, ఇక్కడ:

– ప్రతి ప్రయత్నం విజయం లేదా అపజయం అనే రెండు ఫలితాలను మాత్రమే ఇస్తుంది.
– ప్రతి ప్రయత్నంలో విజయం సాధించే సంభావ్యత p.
– వైఫల్యం సంభావ్యత 1 – p.
– ప్రతి ప్రయోగం ఒకదానికొకటి స్వతంత్రంగా ఉంటుంది.

ద్విపద పంపిణీని B(n, p) గా సూచిస్తారు, ఇక్కడ n అనేది ప్రయత్నాల సంఖ్య మరియు p అనేది ఒకే ప్రయత్నంలో విజయం సాధించే సంభావ్యత.

ద్విపద పంపిణీ సూత్రం

ద్విపద పంపిణీని ఈ క్రింది సూత్రాన్ని ఉపయోగించి లెక్కిస్తారు:

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

ఎక్కడ:
– \( P(X = k) \): n ప్రయత్నాలలో సరిగ్గా k విజయాలు సాధించే సంభావ్యత.
– \( \binom{n}{k} \): n వస్తువుల నుండి k వస్తువులను తీసుకున్న కలయిక.
– (p): ప్రతి ప్రయత్నంలో విజయం సాధించే సంభావ్యత.
– \( n \): మొత్తం ప్రయత్నాల సంఖ్య.
– (k): ఆశించిన విజయాల సంఖ్య.

\(\binom{n}{k}\) అనే కలయికను ఈ విధంగా లెక్కిస్తారు:

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

ద్విపద పంపిణీ యొక్క లక్షణాలు

1. అంచనా (సగటు) మరియు వైవిధ్యం:
– ద్విపద పంపిణీ యొక్క అంచనా లేదా సగటు \( \mu = np \).
– విచలనం \( \sigma^2 = np(1-p) \).

2. సౌష్టవం:
– p = 0.5 అయితే ద్విపద పంపిణీ సౌష్టవంగా ఉంటుంది. p ≠ 0.5 అయితే, పంపిణీ కుడివైపుకు (p < 0.5) లేదా ఎడమవైపుకు (p > 0.5) వక్రంగా మారుతుంది.

3. వక్రత మరియు కుర్టోసిస్:
– ద్విపద పంపిణీ యొక్క వక్రత \( \gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}} \).
– కుర్టోసిస్ \( \gamma_2 = \frac{1-6p(1-p)}{np(1-p)} \).

4. సుమారు పంపిణీ:
– పెద్ద n మరియు 0.5కు సమీపించే p కోసం, ద్విపద పంపిణీని సాధారణ పంపిణీ ద్వారా ఉజ్జాయింపు చేయవచ్చు.
– ఒకవేళ p చాలా చిన్నదిగా మరియు n చాలా పెద్దదిగా ఉండి, np స్థిరంగా ఉన్నట్లయితే, అప్పుడు బైనామియల్ డిస్ట్రిబ్యూషన్‌ను పాయిసన్ డిస్ట్రిబ్యూషన్ ద్వారా ఉజ్జాయింపుగా చెప్పవచ్చు.

ద్విపద పంపిణీని ఉపయోగించి

బైనరీ రూపంలో (విజయం/వైఫల్యం) వ్యక్తపరచగల సంఘటనలను నమూనా చేయడానికి జీవశాస్త్రం, అర్థశాస్త్రం, మార్కెటింగ్ మరియు ఇంజనీరింగ్ వంటి వివిధ రంగాలలో బైనామియల్ పంపిణీని ఉపయోగిస్తారు. దీని వినియోగానికి కొన్ని నిర్దిష్ట ఉదాహరణలు ఇక్కడ ఉన్నాయి:

ఉత్పత్తి నాణ్యత పరీక్ష

ఒక బ్యాచ్ ఉత్పత్తిలో లోపాలు ఉండే సంభావ్యత 2% అని అనుకుందాం. మనం ఆ ఉత్పత్తి యొక్క 50 యూనిట్లను పరీక్షిస్తే, నిర్దిష్ట సంఖ్యలో లోపభూయిష్ట యూనిట్లను కనుగొనే సంభావ్యతను లెక్కించడానికి బైనామియల్ డిస్ట్రిబ్యూషన్‌ను ఉపయోగించవచ్చు. n = 50 మరియు p = 0.02 తో, ఆ బ్యాచ్‌లో సరిగ్గా k లోపభూయిష్ట యూనిట్లను కనుగొనే సంభావ్యతను మనం లెక్కించవచ్చు.

నమూనా మదింపు

ఉదాహరణకు, మార్కెట్ పరిశోధనలో, సర్వేలు తరచుగా అవును/కాదు ప్రశ్నలతో నిర్వహించబడతాయి. 100 మంది వ్యక్తుల నమూనాలో ఒక ప్రకటనతో ఏకీభవించే ప్రతిస్పందకుల సంఖ్యను మనం తెలుసుకోవాలనుకుంటే (ఏకీభావ సంభావ్యత 0.7 అని భావిస్తే), ఏకీభవించే వ్యక్తుల ఆశించిన సంఖ్యను అంచనా వేయడానికి బైనామియల్ డిస్ట్రిబ్యూషన్ సహాయపడుతుంది.

జన్యుశాస్త్రం

జన్యుశాస్త్రంలో, ఒక తరం నుండి మరొక తరానికి కొన్ని లక్షణాల వారసత్వాన్ని నమూనా చేయడానికి ద్విపద పంపిణీని ఉపయోగిస్తారు. ఉదాహరణకు, ఒక సంతానానికి ఒక నిర్దిష్ట జన్యు లక్షణం ఉండే సంభావ్యత 25% ఉంటే, నలుగురు సంతానంలో ఇద్దరికి ఆ లక్షణం ఉండే సంభావ్యతను నిర్ధారించడానికి మనం ద్విపద పంపిణీని ఉపయోగించవచ్చు.

ఫైనాన్స్ మరియు భీమా

ఫైనాన్స్‌లో, విజయం/వైఫల్యం షరతులను నెరవేర్చే దివాలాలు, క్లెయిమ్ చెల్లింపులు లేదా కొన్ని వస్తువులపై వడ్డీ రేట్ల సంభవాన్ని నమూనా చేయడానికి బైనామియల్ డిస్ట్రిబ్యూషన్‌ను ఉపయోగించవచ్చు.

గణన ఉదాహరణ

10 సార్లు నాణెం విసిరినప్పుడు, సరిగ్గా 6 సార్లు బొమ్మ పడే సంభావ్యతను మనం లెక్కించాలనుకుంటున్నామని అనుకుందాం (నాణేలు నిష్పక్షపాతంగా ఉన్నాయని మరియు p=0.5 అని భావిస్తే):

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

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

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

\[= = 0.205 \]

కాబట్టి, 10 సార్లు నాణెం విసిరితే సరిగ్గా 6 సార్లు బొమ్మ పడే సంభావ్యత 0.205.

కంప్యూటింగ్ అప్లికేషన్లు

నేటి సాంకేతిక యుగంలో, బైనామియల్ డిస్ట్రిబ్యూషన్‌లను తరచుగా R, పైథాన్ వంటి స్టాటిస్టికల్ సాఫ్ట్‌వేర్‌లను లేదా మైక్రోసాఫ్ట్ ఎక్సెల్ వంటి స్ప్రెడ్‌షీట్ టూల్స్‌ను ఉపయోగించి లెక్కిస్తారు. `scipy` లైబ్రరీని ఉపయోగించే ఒక సాధారణ పైథాన్ స్క్రిప్ట్‌కు ఇది ఒక ఉదాహరణ:

పైథాన్
scipy.stats నుండి binomను దిగుమతి చేసుకోండి

ఉదాహరణకు, n=10 మరియు p=0.5 అయినప్పుడు మనం P(X = 6) ను కనుగొనాలనుకుంటున్నాము.
n = 10
p = 0.5
k = 6

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

print(f”n నాణేలను ఎగరవేసినప్పుడు సరిగ్గా k బొమ్మలు వచ్చే సంభావ్యత {prob:.3f}”)
""

ముగింపు

ద్విపద పంపిణీ అనేది గణాంకాలు మరియు సంభావ్యతలో ఒక ముఖ్యమైన సాధనం, ముఖ్యంగా స్వతంత్ర ద్విపద సంఘటనలను విశ్లేషించేటప్పుడు. ఈ భావనపై పట్టు సాధించడం వల్ల ఆర్థిక నిర్ణయాలు, మార్కెట్ పరిశోధన, ఉత్పత్తి నాణ్యత, జన్యుశాస్త్రం మరియు అనేక ఇతర అనువర్తనాలకు సంబంధించిన సమస్యలను మరింత సమర్థవంతంగా పరిష్కరించడంలో మనకు సహాయపడుతుంది.

ద్విపద పంపిణీ ప్రమేయాన్ని అర్థం చేసుకోవడం ద్వారా, మనం సంఘటనల సంభావ్యతలను కచ్చితత్వంతో నమూనా చేసి, లెక్కించవచ్చు మరియు పటిష్టమైన సాంఖ్యక విశ్లేషణ ఆధారంగా నిర్ణయాలు తీసుకోవచ్చు. సాంకేతికత మరియు సాంఖ్యక సాఫ్ట్‌వేర్‌లలోని పురోగతులు ఈ పంపిణీని లెక్కించడం మరియు దృశ్యమానం చేయడం కూడా సులభతరం చేశాయి, తద్వారా ఇది అనేక రకాల అధ్యయన మరియు అనువర్తన రంగాలలో మరింత అందుబాటులోకి వచ్చింది.