గణాంకాలలో సాధారణ పంపిణీ సూత్రం

గణాంకాలలో సాధారణ పంపిణీ సూత్రం

సాధారణ వితరణ, దీనిని గాసియన్ వితరణ లేదా గంటాకార వక్రం అని కూడా పిలుస్తారు, ఇది గణాంక శాస్త్రంలోని అత్యంత ప్రాథమిక భావనలలో ఒకటి. దీని ఉనికిని తరచుగా వివిధ గణాంక మరియు సంభావ్యత విశ్లేషణలకు పునాదిగా పరిగణిస్తారు. ఈ వితరణను సిద్ధాంతంలోనే కాకుండా, ఆర్థిక ప్రమాద నిర్వహణ, సామాజిక శాస్త్రం, వైద్యం మరియు మరిన్ని వంటి వివిధ ఆచరణాత్మక అనువర్తనాలలో కూడా తరచుగా ఉపయోగిస్తారు.

సాధారణ పంపిణీ యొక్క నిర్వచనం

సాధారణ పంపిణీ అనేది దాని సగటుకు సంబంధించి సౌష్టవంగా ఉండే ఒక అవిచ్ఛిన్న సంభావ్యతా పంపిణీ. మరో మాటలో చెప్పాలంటే, ఈ పంపిణీ యొక్క గ్రాఫికల్ ప్లాట్, సగటు వద్ద వెడల్పుగా మరియు తోకల వద్ద సన్నగా ఉండే ఒక గంటాకార వక్రాన్ని ఏర్పరుస్తుంది. ఈ పంపిణీకి రెండు ప్రధాన పారామితులు ఉన్నాయి: సగటు (μ) మరియు ప్రామాణిక విచలనం (σ).

సగటు పంపిణీ కేంద్రం యొక్క స్థానాన్ని నిర్ధారిస్తుంది, అయితే ప్రామాణిక విచలనం డేటా సగటు చుట్టూ ఎంత విస్తరించి ఉందో కొలుస్తుంది. ప్రామాణిక విచలనం ఎంత ఎక్కువగా ఉంటే, పంపిణీ వక్రరేఖ అంత వెడల్పుగా మరియు పొట్టిగా ఉంటుంది; ప్రామాణిక విచలనం ఎంత తక్కువగా ఉంటే, వక్రరేఖ అంత సన్నగా మరియు నిటారుగా ఉంటుంది.

## సంభావ్యత సాంద్రత ఫంక్షన్

సాధారణ పంపిణీ యొక్క సంభావ్యత సాంద్రత ఫంక్షన్ (pdf) కింది గణిత రూపాన్ని కలిగి ఉంటుంది:

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

ఇక్కడ:
– \( x \) అనేది ఒక యాదృచ్ఛిక చరరాశి.
– \( \mu \) అనునది పంపిణీ యొక్క సగటు.
– \( \sigma \) అనునది పంపిణీ యొక్క ప్రామాణిక విచలనం.
– \( e \) అనేది సహజ సంవర్గమానానికి ఆధారం, సుమారుగా 2.71828.

పై ఫంక్షన్ ఒక సమరూప గంటాకార వక్రాన్ని ఏర్పరుస్తుంది. రెండు బిందువుల మధ్య ఈ ఫంక్షన్ యొక్క సమాకలనం, యాదృచ్ఛిక చరరాశి ఆ రెండు విలువల మధ్య ఉండే సంభావ్యతను ఇస్తుంది.

ప్రామాణిక సాధారణ పంపిణీ

ప్రామాణిక సాధారణ పంపిణీ అనేది సగటు \( \mu = 0 \) మరియు ప్రామాణిక విచలనం \( \sigma = 1 \) కలిగిన ఒక సాధారణ పంపిణీ. ప్రామాణిక సాధారణ పంపిణీ యొక్క సంభావ్యత సాంద్రత ఫంక్షన్:

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

ఇక్కడ:
– \( z \) అనేది ప్రామాణిక సాధారణ పంపిణీని అనుసరించే ఒక యాదృచ్ఛిక చరరాశి.

ప్రామాణిక సాధారణ పంపిణీని తరచుగా ఉపయోగిస్తారు, ఎందుకంటే ఇది "ప్రామాణీకరణ" అనే ప్రక్రియ ద్వారా ఇతర సాధారణ పంపిణీలను ప్రామాణీకరించడానికి మనకు వీలు కల్పిస్తుంది. ప్రామాణీకరణలో, కింది సూత్రాన్ని ఉపయోగించి, సాధారణ పంపిణీ \( N(\mu, \sigma) \) యొక్క \( x \) విలువలను ప్రామాణిక సాధారణ పంపిణీ \( N(0, 1) \) యొక్క \( z \) విలువలుగా మార్చడం జరుగుతుంది:

\[ z = \frac{x – \mu}{\sigma} \]

ఈ ప్రక్రియ వేర్వేరు సాధారణ పంపిణీల నుండి విలువలను ఒకే స్కేల్‌కు మ్యాప్ చేయడం ద్వారా వాటిని పోల్చడాన్ని సులభతరం చేస్తుంది.

## అప్లికేషన్ మరియు ప్రాసంగికత

### 1. కేంద్ర పరిమితి సిద్ధాంతం

సెంట్రల్ లిమిట్ థియరమ్ (CLT) సందర్భంలో సాధారణ పంపిణీ ప్రత్యేకంగా సంబంధితమైనది. అసలు పంపిణీ యొక్క ఆకారంతో సంబంధం లేకుండా, తగినంత పెద్ద సంఖ్యలో స్వతంత్ర యాదృచ్ఛిక చరరాశులు సుమారుగా సాధారణ పంపిణీని కలిగి ఉంటాయని CLT పేర్కొంటుంది. దీని అర్థం ఏమిటంటే, నమూనా తగినంత పెద్దదిగా ఉన్నంత వరకు, నమూనా సగటు యొక్క పంపిణీని ఉజ్జాయింపు చేయడానికి సాధారణ పంపిణీని ఉపయోగించవచ్చు.

### 2. గణాంక అనుమానం

సాధారణ పంపిణీ, z-పరీక్ష మరియు t-పరీక్ష వంటి పరికల్పన పరీక్షలను వర్తింపజేయడానికి వీలు కల్పిస్తుంది. ఈ రెండు పద్ధతులు గమనించిన ఫలితాల గణాంక ప్రాముఖ్యతను నిర్ధారించడానికి ప్రామాణిక సాధారణ పంపిణీని ఉపయోగిస్తాయి. నమూనా పరిమాణం పెద్దగా ఉన్నప్పుడు లేదా జనాభా ప్రామాణిక విచలనం తెలిసినప్పుడు సాధారణంగా z-పరీక్షను ఉపయోగిస్తారు, అయితే నమూనా పరిమాణం చిన్నగా ఉన్నప్పుడు లేదా జనాభా ప్రామాణిక విచలనం తెలియని సందర్భంలో t-పరీక్షను వర్తింపజేస్తారు.

### 3. రిగ్రెషన్ విశ్లేషణ

లీనియర్ రిగ్రెషన్ విశ్లేషణలో, ఎర్రర్ డేటా సాధారణ పంపిణీలో ఉంటుందనే ఊహ చాలా కీలకం. ఈ ఊహ కాన్ఫిడెన్స్ ఇంటర్వెల్స్ గణనకు మరియు రిగ్రెషన్ మోడల్ పారామీటర్ల ప్రాముఖ్యతను పరీక్షించడానికి వీలు కల్పిస్తుంది. అదేవిధంగా, డేటా లోపాలను లేదా అవుట్‌లయర్‌లను గుర్తించడం అనేది, సాధారణ పంపిణీ నుండి గణనీయమైన విచలనాల కోసం రెసిడ్యువల్ పంపిణీని పరిశీలించడం ద్వారా తరచుగా జరుగుతుంది.

### 4. వైద్యం మరియు జీవశాస్త్రం

వైద్యశాస్త్రంలో, వివిధ జీవసంబంధ దృగ్విషయాల విస్తరణను వివరించడానికి సాధారణ విస్తరణను ఉపయోగిస్తారు. ఉదాహరణకు, ఎత్తు, రక్తపోటు మరియు కొన్ని ప్రయోగశాల పరీక్షల ఫలితాలు తరచుగా సాధారణ విస్తరణను అనుసరిస్తాయి. ఇది వైద్య నిర్ధారణల కోసం కటాఫ్ విలువలను నిర్ణయించడాన్ని సులభతరం చేస్తుంది.

### 5. ఫైనాన్స్ మరియు ఎకనామిక్స్

ఫైనాన్స్‌లో, స్టాక్ రాబడులు, వడ్డీ రేట్లు వంటి అనేక దృగ్విషయాలను నమూనా చేయడానికి సాధారణ పంపిణీని ఉపయోగిస్తారు. ఆచరణలో, స్టాక్‌లు తరచుగా అధిక స్యూనెస్ మరియు కర్టోసిస్‌ను ప్రదర్శించినప్పటికీ, సాధారణ పంపిణీ అనే ఊహ ఇప్పటికీ ఒక పటిష్టమైన విశ్లేషణాత్మక ఆధారాన్ని అందిస్తుంది.

అమలు మరియు గణన

పైథాన్‌ను ఉపయోగించి

పైథాన్, NumPy మరియు SciPy వంటి లైబ్రరీలతో, సాధారణ పంపిణీతో పనిచేయడానికి అనేక పద్ధతులను అందిస్తుంది. ఈ లైబ్రరీలను ఉపయోగించి మనం సాధారణ పంపిణీని ఎలా సాధారణీకరించి, ప్లాట్ చేయవచ్చో ఇక్కడ ఒక ఉదాహరణ ఉంది:

పైథాన్
సంఖ్యను np గా దిగుమతి చేయండి
matplotlib.pyplotని pltగా దిగుమతి చేయండి
scipy.stats నుండి normను దిగుమతి చేసుకోండి

# సాధారణ పంపిణీ పారామితులు
mu = 0 # సగటు
సిగ్మా = 1 # ప్రామాణిక విచలనం

సాధారణ పంపిణీకి సంబంధించిన డేటా
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)

# సాధారణ పంపిణీ ప్లాట్
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('సాంద్రత')
plt.title('సాధారణ పంపిణీ N(0, 1)')
plt.show()
""

పై ఉదాహరణలో, మేము 0 సగటు మరియు 1 ప్రామాణిక విచలనంతో సాధారణ పంపిణీ డేటాను ఉత్పత్తి చేసి, ఆపై దాని సంభావ్యత సాంద్రత ఫంక్షన్‌ను ప్లాట్ చేసాము.

ముగింపు

గణాంకాలు మరియు సంభావ్యతలో సాధారణ పంపిణీ కీలక పాత్ర పోషిస్తుంది. సెంట్రల్ లిమిట్ థియరమ్ నుండి రిగ్రెషన్ విశ్లేషణ మరియు పరికల్పన పరీక్ష వంటి వివిధ ఆచరణాత్మక అనువర్తనాల వరకు దీని సార్వత్రిక ఉపయోగం, దీనిని అత్యంత ప్రజాదరణ పొందిన మరియు ముఖ్యమైన సంభావ్యత పంపిణీలలో ఒకటిగా నిలుపుతుంది. డేటా సైన్స్, పరిశోధన, అర్థశాస్త్రం మరియు అనేక ఇతర రంగాలలో పనిచేసే ఎవరికైనా సాధారణ పంపిణీ సూత్రాన్ని అర్థం చేసుకోవడం మరియు దానిని సమర్థవంతంగా ఎలా ఉపయోగించాలో తెలుసుకోవడం ఒక ఆవశ్యక నైపుణ్యం.

ఈ జ్ఞానంతో, మనం వివిధ రకాల విశ్లేషణాత్మక సమస్యలను మరింత సమర్థవంతంగా పరిష్కరించగలుగుతాము, తద్వారా అందుబాటులో ఉన్న సమాచారం మరియు సంభావ్యతల ఆధారంగా మెరుగైన నిర్ణయాలు తీసుకోగలుగుతాము.