دو نامی تقسیم: تھیوری، ایپلی کیشنز، اور مثالیں۔
Pendahuluan
ثانوی تقسیم شماریات اور امکانی نظریہ میں ایک بنیادی تصور ہے۔ کثرت سے استعمال ہونے والی مجرد تقسیم میں سے ایک کے طور پر، دو نامی تقسیم طب، معاشیات، حیاتیات، اور سماجی علوم جیسے شعبوں میں متعدد درخواستیں پیش کرتی ہے۔ یہ مضمون گہرائی میں دو نامی تقسیم پر بحث کرے گا، بشمول اس کی تعریف، کلیدی خصوصیات، متعلقہ فارمولے، اور کئی عملی اطلاق کی مثالیں۔
بائنومیئل ڈسٹری بیوشن کو سمجھنا
binomial distribution n Bernoulli ٹرائلز کے نتائج کو بیان کرتی ہے، جہاں ہر ٹرائل کے صرف دو ممکنہ نتائج ہوتے ہیں: "کامیابی" یا "ناکامی۔" مثال کے طور پر، سکے ٹاس میں، ممکنہ نتائج "سر" یا "سر" ہیں۔
binomial تقسیم میں دو اہم پیرامیٹرز ہیں:
1. n (مقدمات کی تعداد)
2. p (ہر آزمائش میں کامیابی کا امکان)
مزید رسمی طور پر، n ٹرائلز میں کامیابیوں کی تعداد کو binomial distribution \( B(n, p) \) سے بیان کیا جا سکتا ہے۔
امکان ماس فنکشن (PMF)
بائنومیئل ڈسٹری بیوشن کا امکانی ماس فنکشن اس طرح تیار کیا گیا ہے:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
کہاں:
– \( \binom{n}{k} \) n منتخب k کا مجموعہ ہے،
- \( p \) ایک ہی آزمائش میں کامیابی کا امکان ہے،
- \( k \) کامیابیوں کی تعداد ہے،
- \( n \) آزمائشوں کی کل تعداد ہے۔
Binomial Distribution کی اہم خصوصیات
binomial distribution میں کئی کلیدی خصوصیات ہیں:
1. اوسط (اوسط): آزمائشوں کی تعداد کو ہر آزمائش میں کامیابی کے امکان سے ضرب کرنے سے حاصل کیا گیا ہے۔ مطلب ہے \( \mu = np \)۔
2. تغیر: دو نامی تقسیم کا تغیر آزمائشوں کی تعداد، کامیابی کے امکان اور ناکامی کے امکان کی پیداوار ہے، یعنی \( \sigma^2 = np(1 – p) \)۔
3. ہم آہنگی اور تخفیف: جب \( p = 0.5 \)، دو عددی تقسیم ہم آہنگی ہوتی ہے۔ \( p < 0.5 \) کے لیے، تقسیم کو دائیں طرف متوجہ کیا جاتا ہے، اور \( p > 0.5 \) کے لیے، تقسیم کو بائیں طرف متوجہ کیا جاتا ہے۔
4. قدر کی حدیں: binomial قدر (k) 0 سے n تک ہوتی ہے۔
بائنومیئل ڈسٹری بیوشن اور مرکزی حد تھیوریم
دو نامی تقسیم مرکزی حد نظریہ میں ایک اہم کردار ادا کرتی ہے۔ جب ٹرائلز (n) کی تعداد بہت زیادہ ہو جاتی ہے، تو بائنومیئل ڈسٹری بیوشن اوسط \( \mu = np \) اور معیاری انحراف \( \sigma = \sqrt{np(1 – p)} \) کے ساتھ ایک عام تقسیم تک پہنچ جائے گی۔
بائنومیل ڈسٹری بیوشن کا استعمال کرتے ہوئے کیس کی مثال
مختلف شعبوں کی عملی مثالوں کے ذریعے binomial distribution کے بارے میں بات چیت کو سمجھنا آسان ہو جائے گا۔ یہاں کچھ حقیقی دنیا کی ایپلی کیشنز ہیں:
مثال 1: پروڈکٹ ٹیسٹنگ
فرض کریں کہ ایک الیکٹرانکس کمپنی کے پاس پروڈکشن لائن ہے جہاں پروڈکٹ کے خراب ہونے کا امکان 0.01 ہے۔ اگر کمپنی 100 پروڈکٹس کا معائنہ کرتی ہے، تو بالکل 2 خراب پروڈکٹس کے ملنے کا کیا امکان ہے؟
بائنومیئل ڈسٹری بیوشن فارمولے کا استعمال کرتے ہوئے:
\[ P(X = 2) = \binom{100}{2} (0.01)^2 (0.99)^{98} \]
مجموعوں کا حساب لگا کر \(\binom{100}{2}\)، پھر بقیہ احتمالات سے ضرب کرنے سے، ہمیں حتمی نتیجہ ملتا ہے۔
مثال 2: طبی تحقیق
کسی خاص بیماری کے لیے کسی دوا کے کلینیکل ٹرائل میں، اس دوا سے مریض کے ٹھیک ہونے کا امکان 0.8 ہے۔ اگر 10 مریضوں کا ٹیسٹ کیا جائے تو کم از کم 8 مریضوں کے ٹھیک ہونے کا کیا امکان ہے؟
اس امکان کو تلاش کرنے کے لیے، ہمیں 8، 9، اور 10 مریضوں کے صحت یاب ہونے کے امکانات کو شامل کرنا ہوگا:
\[ P(X \geq 8) = P(X = 8) + P(X = 9) + P(X = 10) \]
k (8، 9، اور 10) کی ہر قدر کے لیے دو نامی فارمولہ استعمال کر کے، پھر نتائج کو شامل کر کے۔
مثال 3: معاشیات میں فیصلے
مارکیٹ سروے میں، 60% صارفین نے ایک نئی مصنوعات کو پسند کیا۔ اگر 20 صارفین کا بے ترتیب نمونہ لیا جائے تو اس بات کا کیا امکان ہے کہ ان میں سے کم از کم 15 نے پروڈکٹ کو پسند کیا؟
ہمیں 15 سے 20 تک پسندیدگیوں کی تعداد کے امکان کا حساب لگانے کے لیے binomial distribution کی ضرورت ہے:
\[ P(X \geq 15) = P(X = 15) + P(X = 16) + P(X = 17) + P(X = 18) + P(X = 19) + P(X = 20) \]
اسی طریقہ کو استعمال کرتے ہوئے، ہم ان امکانات کا حساب لگاتے ہیں اور ان میں اضافہ کرتے ہیں۔
بائنومیئل ڈسٹری بیوشن کے حساب کتاب میں ٹیکنالوجی کا استعمال
ڈیجیٹل دور میں، بائنومیئل ڈسٹری بیوشن کیلکولیشن ایپلی کیشنز نہ صرف دستی طور پر کیے جاتے ہیں بلکہ سافٹ ویئر جیسے کہ R، Python، یا کچھ شماریاتی کیلکولیٹروں کا استعمال بھی کرتے ہیں۔
binomial تقسیم کا حساب لگانے کے لیے Python استعمال کرنے کی ایک مثال یہ ہے:
'' ازگر
scipy.stats سے بینوم درآمد کریں۔
n = آزمائشوں کی 10 تعداد
p = 0.8 کامیابی کا امکان
k = 8 کامیابیوں کی متوقع تعداد
بالکل 8 کامیابیوں کا امکان
prob_8 = binom.pmf(k, n, p)
کم از کم 8 کامیابیوں کا امکان
prob_ge_8 = 1 – binom.cdf(k-1, n, p)
پرنٹ (f"بالکل 8 کامیابیوں کا امکان: {prob_8}")
پرنٹ (f"کم از کم 8 کامیابیوں کا امکان: {prob_ge_8}")
“۔
نتیجہ اخذ کرنا
اعداد و شمار اور امکان میں دو نامی تقسیم ایک ضروری بنیادی تصور ہے۔ دو نامی تقسیم کو سمجھ کر، ہم مختلف امکانی ماڈلز کو حقیقی دنیا کے حالات پر لاگو کر سکتے ہیں جن میں دو نتائج کے ساتھ بار بار تجربات شامل ہیں۔ تکنیکی آلات استعمال کرنے کی صلاحیت حساب کتاب کے عمل کو زیادہ موثر اور درست بناتی ہے۔ دو نامی تقسیم نہ صرف نظریاتی طور پر اہم ہے بلکہ سائنس اور صنعت کے مختلف شعبوں میں اس کے متعدد متعلقہ عملی اطلاقات بھی ہیں۔
امید ہے کہ یہ مضمون بائنومیئل ڈسٹری بیوشن کی گہرائی سے فہم فراہم کرے گا اور اعداد و شمار اور امکان کے شعبوں میں مزید تحقیق کی ترغیب دیتا ہے۔
