عام تقسیم کا فنکشن

عام تقسیم کا فنکشن

عام تقسیم کا فعل شماریات اور امکان میں ایک بنیادی تصور ہے جو معاشیات سے لے کر سماجی علوم، طبیعیات اور انجینئرنگ تک کے شعبوں میں اہم کردار ادا کرتا ہے۔ یہ فنکشن بہت اہم ہے کیونکہ یہ بہت سے حقیقی زندگی کے مظاہر کی قدرتی تقسیم کو بیان کرتا ہے۔ یہ مضمون گہرائی میں عام تقسیم کے فنکشن، اس کی خصوصیات، اس کے اطلاقات، اور ڈیٹا کے تجزیہ میں اس کا اطلاق کرنے کے طریقہ پر بحث کرے گا۔

نارمل ڈسٹری بیوشن فنکشن کیا ہے؟

عام تقسیم، جسے Gaussian ڈسٹری بیوشن بھی کہا جاتا ہے، شماریات میں سب سے عام امکانی تقسیم ہے۔ اس کا وکر گھنٹی کے سائز کا اور وسط کے بارے میں ہم آہنگ ہے۔ اس تقسیم کو 'نارمل' کہا جاتا ہے کیونکہ بہت سے حقیقی زندگی کے بے ترتیب متغیرات اس تقسیم کا تخمینہ لگاتے ہیں جب بڑی مقدار میں ڈیٹا اکٹھا کیا جاتا ہے۔

عام تقسیم کے فعل کی وضاحت دو پیرامیٹرز سے ہوتی ہے: اوسط (μ) اور معیاری انحراف (σ)۔ وسط تقسیم کے مرکز کا تعین کرتا ہے، جبکہ معیاری انحراف وکر کی چوڑائی اور شکل کا تعین کرتا ہے۔ یہ فنکشن درج ذیل ریاضیاتی فارمولے کے ذریعے دیا گیا ہے:

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

کہاں:
- \( x \) ایک بے ترتیب متغیر ہے۔
- \( \mu \) وسط ہے۔
- \( \sigma \) معیاری انحراف ہے۔
- \( \pi \) مستقل پائی ہے (تقریباً 3.14159)
- \( e \) قدرتی لوگارتھم کی بنیاد ہے (تقریباً 2.71828)

عام تقسیم کی خصوصیات

عام تقسیم میں کئی مخصوص خصوصیات ہیں جو اسے دیگر احتمالی تقسیموں سے ممتاز کرتی ہیں:

1. ہم آہنگی: ایک عام تقسیم وسط کے بارے میں ہموار ہوتی ہے۔ اس کا مطلب ہے کہ نصف ڈیٹا اوسط کے بائیں طرف ہے اور باقی آدھا دائیں طرف ہے۔

2. وسط میں چوٹی: منحنی وسط میں چوٹی ہوتی ہے اور وسط سے دور ہونے پر تیزی سے کم ہوتی ہے۔

3. وکر کے نیچے کل رقبہ: عام تقسیم کے منحنی خطوط کے تحت کل رقبہ 1 ہے، جو کل امکان کی نمائندگی کرتا ہے۔

4. تجرباتی سیٹ: تقریباً 68% ڈیٹا اوسط کے ایک معیاری انحراف کے اندر، 95% دو معیاری انحراف کے اندر، اور 99.7% تین معیاری انحراف کے اندر ہے۔ یہ 68-95-99.7 اصول کے طور پر جانا جاتا ہے۔

5. غیر باؤنڈڈ: اسیمپٹوٹک نارمل ڈسٹری بیوشن وکر جہاں یہ پہنچتا ہے، لیکن کبھی نہیں چھوتا، افقی محور (x-axis)۔

عام تقسیم کی درخواستیں

عام تقسیم کے مختلف شعبوں میں وسیع اطلاقات ہیں، یہاں کچھ مثالیں ہیں:

1. سماجی علوم اور نفسیات
سماجی اور نفسیاتی تحقیق میں، عام تقسیم کا استعمال اکثر اقدار کی تقسیم کو بیان کرنے کے لیے کیا جاتا ہے جیسے کہ IQ، ٹیسٹ کے اسکور، اور شخصیت کی خصوصیات۔ مفروضہ یہ ہے کہ بہت سے انسانی خصلتوں کو عام طور پر تقسیم کیا جاتا ہے، جو محققین کو شماریاتی تجزیہ کرنے کی اجازت دیتا ہے۔

2. اقتصادیات اور مالیات
معاشیات اور مالیاتی منڈیوں میں، مختلف ماڈلز میں خطرے، سرمایہ کاری کے منافع، اور مارکیٹ کے اتار چڑھاؤ کا تخمینہ لگانے کے لیے عام تقسیم کا مفروضہ استعمال کیا جاتا ہے۔ بلیک-سکولز ماڈل جیسے ماڈل قیمت کے اختیارات اور دیگر مالی مشتقات میں عام تقسیم کا استعمال کرتے ہیں۔

3. نیچرل سائنسز اور انجینئرنگ
قدرتی علوم اور انجینئرنگ میں، عام تقسیم کا استعمال پیمائش کی غلطیوں اور قدرتی مظاہر کے نمونے کے لیے کیا جاتا ہے۔ مثال کے طور پر، طبیعیات میں، یہ اکثر براؤنین حرکت اور تجربات میں غلطیوں کی تقسیم کو بیان کرنے کے لیے استعمال ہوتا ہے۔

4. کوالٹی کنٹرول
مینوفیکچرنگ انڈسٹری میں، عام تقسیم کو کوالٹی کنٹرول کے طریقوں جیسے کنٹرول چارٹس کے لیے استعمال کیا جاتا ہے، جو اس بات کا تعین کرنے میں مدد کرتے ہیں کہ آیا پیداواری عمل جائز حدود کے اندر ہے یا اسے ایڈجسٹ کرنے کی ضرورت ہے۔

ڈیٹا کے تجزیہ میں عام تقسیم کا نفاذ

ڈیٹا کے تجزیے میں عام تقسیم کو لاگو کرنے کے لیے، آپ کو یہ سمجھنا چاہیے کہ امکانات کا حساب کیسے لگایا جائے اور ڈیٹا کو معیاری کیسے بنایا جائے۔ معیاری کاری مختلف عام تقسیموں سے ڈیٹا کا موازنہ کرنے میں مدد کرتی ہے۔

زیڈ اسکور

Z-score، یا معیاری انحراف، ایک ایسی تکنیک ہے جو اکثر یہ پیمائش کرنے کے لیے استعمال ہوتی ہے کہ معیاری انحراف یونٹس میں قدر (x) اوسط سے کتنی دور ہے۔ زیڈ سکور کا حساب فارمولہ استعمال کرتے ہوئے کیا جاتا ہے:

\[ Z = \frac{(X – \mu)}{\sigma} \]

اس Z-اسکور کی قدر کو پھر Z ٹیبل یا شماریاتی سافٹ ویئر کا استعمال کرتے ہوئے معیاری عام تقسیم (مطلب = 0 اور معیاری انحراف = 1) کے امکان یا فیصد کو تلاش کرنے کے لیے استعمال کیا جا سکتا ہے۔

کیو کیو پلاٹ

ایک کیو کیو (کوانٹائل-کوانٹائل) پلاٹ اس بات کا اندازہ کرنے کے لیے ایک گرافیکل ٹول ہے کہ آیا ڈیٹا کا سیٹ کسی مخصوص تقسیم کی پیروی کرتا ہے، جیسے کہ عام تقسیم۔ اگر ڈیٹا عام تقسیم کے مطابق ہوتا ہے، تو QQ پلاٹ پر پوائنٹس ایک سیدھی لکیر بنائیں گے۔

نارملٹی ٹیسٹ

کئی شماریاتی ٹیسٹ ہیں جن کا استعمال ڈیٹا میں نارمل ہونے کی جانچ کرنے کے لیے کیا جا سکتا ہے، بشمول کولموگوروف-سمرنوف ٹیسٹ، شاپیرو-ولک ٹیسٹ، اور اینڈرسن-ڈارلنگ ٹیسٹ۔ یہ ٹیسٹ اس بات کا تعین کرنے میں مدد کرتے ہیں کہ آیا اصل آبادی کا ڈیٹا عام تقسیم کی پیروی کرتا ہے۔

حقیقی مثال

عام تقسیم کے نفاذ کو واضح کرنے کے لیے، آئیے ایک حقیقی دنیا کی مثال پر غور کریں۔ فرض کریں کہ ہمارے پاس 1000 طلباء کا ٹیسٹ اسکور ڈیٹا ہے جس کا اوسط 70 ہے اور معیاری انحراف 10 ہے۔

امکان کا حساب لگانا

ہم ایک طالب علم کے 60 اور 80 کے درمیان اسکور حاصل کرنے کا امکان جاننا چاہتے ہیں۔ سب سے پہلے، ہم 60 اور 80 کے لیے Z-اسکور کا حساب لگاتے ہیں۔

\[ Z_{60} = \frac{60 – 70}{10} = -1 \]
\[ Z_{80} = \frac{80 – 70}{10} = 1 \]

Z-ٹیبل کا استعمال کرتے ہوئے، ہم نے پایا کہ Z <= -1 کا امکان 0.1587 ہے اور Z <= 1 کا امکان 0.8413 ہے۔ 60 اور 80 کے درمیان اسکور کا امکان معلوم کرنے کے لیے، ہم ان دو احتمالات کو گھٹاتے ہیں: \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] لہذا، ایک طالب علم کے اسکور کے درمیان 60roxi اور 80 کا سکور حاصل کرنے کا امکان ہے 68.26% QQ پلاٹ بنانا شماریاتی سافٹ ویئر جیسے R یا Python کا استعمال کرتے ہوئے، ہم اپنے ٹیسٹ سکور کے ڈیٹا کے لیے QQ پلاٹ بنا سکتے ہیں۔ اگر ہمارا اصلی ٹیسٹ سکور ڈیٹا عام تقسیم کے مطابق ہوتا ہے، تو پلاٹ کے پوائنٹس ایک سیدھی لکیر بنائیں گے۔ نارملٹی کے لیے ٹیسٹنگ آخر میں، ہم یہ چیک کرنے کے لیے Shapiro-Wilk ٹیسٹ چلا سکتے ہیں کہ آیا ہمارا ٹیسٹ اسکور ڈیٹا عام تقسیم کے مطابق ہے۔ شماریاتی سافٹ ویئر کا استعمال کرتے ہوئے، ہم آسانی سے اس ٹیسٹ کے لیے p-value حاصل کر سکتے ہیں۔ اگر p-value اہمیت کی سطح (عام طور پر 0.05) سے زیادہ ہے، تو ہم اس کالعدم مفروضے کو مسترد کرنے میں ناکام رہتے ہیں کہ ہمارا ڈیٹا نارمل ہے۔ نتیجہ عام ڈسٹری بیوشن فنکشن شماریاتی تجزیہ کی ریڑھ کی ہڈی ہے اور اس کے مختلف شعبوں میں وسیع پیمانے پر استعمال ہوتے ہیں۔ ڈسٹری بیوشن کی کلیدی خصوصیات — ہم آہنگی، وسط کی چوٹی، اور 68-95-99.7 اصول — اسے ڈیٹا کے تجزیہ کی کئی اقسام کے لیے مثالی بناتے ہیں۔ یہ سمجھ کر کہ عام تقسیم کس طرح کام کرتی ہے اور ڈیٹا کے تجزیے میں اسے کیسے نافذ کیا جائے، محققین اور پیشہ ور افراد اپنے ڈیٹا سے مضبوط اور درست اندازہ لگا سکتے ہیں۔ چاہے یہ مالیاتی خطرات کی پیشین گوئی کرنا ہو، نفسیاتی خصلتوں کا اندازہ لگانا ہو، یا مینوفیکچرنگ کے معیار کو کنٹرول کرنا ہو، عام تقسیم پیچیدہ نظاموں میں موجود تغیرات کو سمجھنے اور تجزیہ کرنے کے لیے ایک طاقتور فریم ورک پیش کرتی ہے۔