بائنومیئل ڈسٹری بیوشن کے سوالات اور بحث کی مثال
binomial distribution سب سے زیادہ استعمال ہونے والی مجرد امکانی تقسیم میں سے ایک ہے۔ یہ متعدد یکساں، آزاد آزمائشوں میں کامیابیوں کی تعداد کو ماڈلنگ کرنے کے لیے مفید ہے، جن میں سے ہر ایک کامیابی یا ناکامی پیدا کرتا ہے۔ اس مضمون میں، ہم کئی مثالیں اور ایک تفصیلی بحث فراہم کر کے binomial distribution کی گہرائی میں جائیں گے۔
بائنومیئل ڈسٹری بیوشن کا تعارف
دو عددی تقسیم کی اہم خصوصیات:
1. n : آزمائشوں یا تکرار کی تعداد۔
2. p: ہر آزمائش میں کامیابی کا امکان۔
3. q = 1-p : ہر آزمائش میں ناکامی کا امکان۔
بائنومیئل ڈسٹری بیوشن کا امکانی ماس فنکشن یہ ہے:
\[ P(X = k) = {n \choose k} p^k (1-p)^{nk} \]
کہاں:
– \( {n \choose k} = frac{n!}{k!(nk)!} \)
- \( X \): ایک بے ترتیب متغیر جو کامیابیوں کی تعداد کو ظاہر کرتا ہے۔
- \( k \): مطلوبہ کامیابیوں کی تعداد۔
نمونہ سوالات اور بحث
آئیے بائنومیئل ڈسٹری بیوشن کے تصور کو مزید تفصیل سے سمجھنے کے لیے کچھ مثال کے مسائل سے شروع کریں۔
مثال 1: طلباء کے گروپ سے انتخاب کرنا
مثال کے طور پر، فرض کریں کہ ہمارے پاس 10 طلباء کا ایک گروپ ہے، اور ہر طالب علم کو مقابلے میں حصہ لینے کے لیے منتخب کیے جانے کا امکان 0,3 ہے۔ ہم اس امکان کو جاننا چاہتے ہیں کہ بالکل 4 طلباء منتخب ہوئے ہیں۔
مرحلہ 1: بائنومیئل ڈسٹری بیوشن کے پیرامیٹرز کی شناخت کریں۔
- \( n = 10 \)
- \( p = 0.3 \)
مرحلہ 2: \( X = 4 \) کے امکان کو شمار کرنے کے لیے binomial distribution کا استعمال کریں۔
\[ P(X = 4) = {10 \ کا انتخاب کریں 4} (0.3)^4 (0.7)^6 \]
حساب کر رہا ہے \( {10 \ کا انتخاب کریں 4} \):
\[ {10 \choose 4} = \frac{10!}{4!(10-4)!} = \frac{10!}{4!6!} = 210 \]
اب حساب لگائیں \( (0.3)^4 \) اور \(0.7)^6 \):
\[ (0.3)^4 = 0.0081 \]
\[ (0.7)^6 = 0.117649 \]
جادی ،
\[ P(X = 4) = 210 \cdot 0.0081 \cdot 0.117649 \ تقریباً 0.20012 \]
لہذا، اس بات کا امکان کہ بالکل 4 طالب علموں کو منتخب کیا گیا ہے تقریباً 0.20012 یا 20.012% ہے۔
مثال 2: امکان 2 سے کم یا اس کے برابر
اب، مثال کے طور پر، ہم سے اس امکان کے بارے میں پوچھا جاتا ہے کہ 2 سے کم یا اس کے برابر طالب علم منتخب کیے جائیں گے۔
مرحلہ 1: ہمیں \( P(X = 0) \، \( P(X = 1) \)، اور \( P(X = 2) \) کا حساب لگانا ہے۔
- کے لیے \( P(X = 0) \):
\[ P(X = 0) = {10 \choose 0} (0.3)^0 (0.7)^{10} \]
\[ {10 \ کا انتخاب کریں 0} = 1 \]
\[ (0.7)^{10} = 0.0282475 \]
\[ P(X = 0) = 1 \cdot 1 \cdot 0.0282475 = 0.0282475 \]
- کے لیے \( P(X = 1) \):
\[ P(X = 1) = {10 \ کا انتخاب کریں 1} (0.3)^1 (0.7)^9 \]
\[ {10 \ کا انتخاب کریں 1} = 10 \]
\[ (0.3) \cdot (0.7)^9 = 0.1210608 \]
\[ P(X = 1) = 10 \cdot 0.3 \cdot 0.1210608 = 0.3631824 \]
- کے لیے \( P(X = 2) \):
\[ P(X = 2) = {10 \ کا انتخاب کریں 2} (0.3)^2 (0.7)^8 \]
\[ {10 \ کا انتخاب کریں 2} = 45 \]
\[ (0.3)^2 \cdot (0.7)^8 = 0.2334744 \]
\[ P(X = 2) = 45 \cdot 0.09 \cdot 0.2334744 = 0.2334744 \]
مرحلہ 2: امکانات شامل کریں۔
\[ P(X \leq 2) = P(X = 0) + P(X = 1) + P(X = 2) \]
\[ P(X \leq 2) = 0.0282475 + 0.3631824 + 0.3826372 = 0.7740671 \]
لہذا، 2 سے کم یا اس کے برابر طلباء کے منتخب ہونے کا امکان تقریباً 0.7740671 یا 77.41% ہے۔
مثال 3: کم از کم 8 کا امکان
اگر ایک تجربہ 12 بار کیا جاتا ہے، اور ہر آزمائش میں کامیابی کا امکان 0.5 ہے، تو کم از کم 8 کامیابیوں کا کیا امکان ہے؟
مرحلہ 1 : دو نامی پیرامیٹرز سیٹ کریں: \( n = 12، p = 0.5 \)۔
مرحلہ 2 : \( X \geq 8 \) کا امکان تلاش کریں۔
اس کے لیے کئی انفرادی امکانات کا حساب لگانا اور ان میں اضافہ کرنا پڑتا ہے:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) \]
ایک ایک کرکے شمار کریں:
- کے لیے \( P(X = 8) \):
\[ P(X = 8) = {12 \ کا انتخاب کریں 8} (0.5)^8 (0.5)^4 \]
\[ {12 \ کا انتخاب کریں 8} = 495 \]
\[ (0.5)^{12} = 0.0002441406 \]
\[ P(X = 8) = 495 \cdot 0.0002441406 = 0.1208496 \]
- کے لیے \( P(X = 9) \):
\[ P(X = 9) = {12 \ کا انتخاب کریں 9} (0.5)^9 (0.5)^3 \]
\[ {12 \ کا انتخاب کریں 9} = 220 \]
\[ P(X = 9) = 220 \cdot 0.0002441406 = 0.05371094 \]
- کے لیے \( P(X = 10) \):
\[ P(X = 10) = {12 \ کا انتخاب کریں 10} (0.5)^{10} (0.5)^2 \]
\[ {12 \ کا انتخاب کریں 10} = 66 \]
\[ P(X = 10) = 66 \cdot 0.0002441406 = 0.01611328 \]
- کے لیے \( P(X = 11) \):
\[ P(X = 11) = {12 \ کا انتخاب کریں 11} (0.5)^{11} (0.5)^1 \]
\[ {12 \ کا انتخاب کریں 11} = 12 \]
\[ P(X = 11) = 12 \cdot 0.0002441406 = 0.002929688 \]
- کے لیے \( P(X = 12) \):
\[ P(X = 12) = {12 \choose 12} (0.5)^{12} \]
\[ {12 \ کا انتخاب کریں 12} = 1 \]
\[ P(X = 12) = 1 \cdot 0.0002441406 = 0.0002441406 \]
مرحلہ 3: تمام امکانات شامل کریں۔
\[ P(X \geq 8) = 0.1208496 + 0.05371094 + 0.01611328 + 0.002929688 + 0.0002441406 \ تقریباً 0.1938477 \]
لہذا، 12 ٹرائلز میں کم از کم 8 کامیابیوں کا امکان تقریباً 0.1938477 یا 19.38% ہے۔
نتیجہ اخذ کرنا
بائنومیئل ڈسٹری بیوشن شماریات میں ایک بنیادی تصور ہے جو بہت سے عملی اطلاقات میں اہم ہے۔ یہ سمجھ کر کہ بائنومیئل ڈسٹری بیوشن کے مختلف معاملات کے لیے امکانات کا حساب کیسے لگایا جائے، جیسا کہ اوپر دی گئی مثالوں میں دکھایا گیا ہے، ہم اس تصور کو حقیقی دنیا کے حالات میں لاگو کر سکتے ہیں۔ یہ مشق ہماری سمجھ کو بھی تقویت دیتی ہے کہ کس طرح امکانی ڈھانچے ایک واضح اور منظم سیاق و سباق میں کام کرتے ہیں۔
