دو عددی تقسیم کی متوقع قدر

دو عددی تقسیم کی متوقع قدر

binomial distribution اعداد و شمار اور احتمال میں سب سے زیادہ عام طور پر سامنے آنے والی مجرد امکانی تقسیم میں سے ایک ہے۔ یہ تقسیم آزاد بائنری ٹرائلز کی ایک سیریز میں کامیابیوں کی تعداد کو بیان کرتی ہے (صرف دو نتائج کے ساتھ آزمائشیں: کامیابی یا ناکامی)۔ دو نامی تقسیم کو بہتر طور پر سمجھنے کے لیے، متوقع قدر کے تصور کو سمجھنا ضروری ہے، جو طویل مدت میں دہرائے جانے والے ٹرائل کی اوسط قدر کو بیان کرتا ہے۔ یہ مضمون دو عددی تقسیم کے تناظر میں متوقع قدر کے تصور کا جائزہ لے گا۔

بائنومیئل ڈسٹری بیوشن کی تعریف

دو نامی تقسیم ان سیاق و سباق میں پیدا ہوتی ہے جہاں ہم متعدد ایک جیسی اور آزاد آزمائشیں انجام دیتے ہیں، اور ہر آزمائش کے دو باہمی خصوصی نتائج ہوتے ہیں، جنہیں عام طور پر "کامیابی" اور "ناکامی" کہا جاتا ہے۔ مثال کے طور پر، ایک سکے کو پلٹنا (سر یا دم)، امتحان کے سوال کا جواب دینا (سچ یا غلط)، یا میڈیکل ٹرائل (علاج یا ٹھیک نہیں)۔

بائنومیئل ڈسٹری بیوشن کی وضاحت دو پیرامیٹرز سے ہوتی ہے:
- n، آزمائشوں کی تعداد۔
- p، ہر آزمائش میں کامیابی کا امکان۔

موٹے لفظوں میں، اگر X ایک بے ترتیب متغیر ہے جو n ٹرائلز میں کامیابیوں کی تعداد کی نمائندگی کرتا ہے، تو X پیرامیٹرز n اور p کے ساتھ ایک binomial تقسیم کی پیروی کرتا ہے، جسے X ~ Binomial(n, p) کے طور پر ظاہر کیا جاتا ہے۔

امکان کا فنکشن

binomial تقسیم کا امکانی فعل حسب ذیل ہے:
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
کہاں:
– \( \binom{n}{k} \) binomial coefficient ہے، جس کا حساب \( \frac{n!}{k!(nk)!} \) کے طور پر کیا جاتا ہے۔
- \( k \) کامیابیوں کی مطلوبہ تعداد ہے۔
- \( n \) ٹرائلز کی تعداد ہے۔
- \( p \) ہر آزمائش میں کامیابی کا امکان ہے۔
- \( (1-p) \) ہر آزمائش میں ناکامی کا امکان ہے۔

متوقع قدر

امکانی تقسیم کی متوقع قدر یا اوسط مرکزی مقام کے اہم ترین اقدامات میں سے ایک ہے۔ بائنومیئل ڈسٹری بیوشن کے لیے، ایک بے ترتیب متغیر X کی متوقع قدر جو Binomial(n, p) کی پیروی کرتی ہے:
\[ E(X) = np \]

متوقع قدر کا ثبوت

یہ سمجھنے کے لیے کہ binomial distribution کی متوقع قدر np کیوں ہے، ہم متوقع قدر کی لکیری خاصیت کا استعمال کر سکتے ہیں اور دیکھ سکتے ہیں کہ بائنری متغیرات اپنی شراکت میں کیسے اضافہ کرتے ہیں۔

آئیے \( X \) کو n بائنری ٹرائلز میں کامیابیوں کی تعداد کے طور پر بیان کرتے ہیں۔ مزید خاص طور پر، \( X_i \) کو ایک بے ترتیب متغیر ہونے دیں جو i-th ٹرائل کے نتائج کو ظاہر کرتا ہے، اس کے ساتھ \( X_i = 1 \) اگر i-th ٹرائل کامیاب ہے، اور \( X_i = 0 \) اگر یہ ناکام ہے۔ پھر، ہم \(X \) لکھ سکتے ہیں:
\[ X = X_1 + X_2 + \ldots + X_n \]

چونکہ ہر \( X_i \) کامیابی p کے امکان کے ساتھ ایک بائنری متغیر ہے، اس لیے \( X_i \) کی متوقع قدر ہے:
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]

ہم X کی متوقع قدر کے لیے متوقع قدر کی لکیری خاصیت استعمال کر سکتے ہیں:
\[ E(X) = E(X_1 + X_2 + ldots + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
\[ E(X) = np \]

اس سے ظاہر ہوتا ہے کہ binomial تقسیم کی متوقع قدر np ہے۔

مثالی مثال

اس معاملے پر غور کریں جہاں ہم ایک منصفانہ سکے کو 10 بار پلٹائیں۔ آئیے پوچھتے ہیں کہ سروں کے نتیجے میں پلٹنے کی تعداد کی متوقع قیمت کیا ہوگی۔

اس صورت میں:
– n = 10 (سکے پھینکنے کی تعداد)
- p = 0.5 (سہ ملنے کا امکان، چونکہ سکہ منصفانہ ہے)

تو، متوقع قدر ہے:
\[ E(X) = np = 10 \ اوقات 0.5 = 5 \]

اس کا مطلب یہ ہے کہ اگر ہم ایک سکے کو 10 بار طویل مدت میں پلٹائیں تو اوسطاً ہمیں 5 بار سرخیاں ملیں گی۔

تغیر اور معیاری انحراف

متوقع قدر کے علاوہ، بائنومیئل ڈسٹری بیوشن کے تغیر اور معیاری انحراف کو سمجھنا بھی ضروری ہے۔

دو نامی تقسیم کے لیے، تغیر \( \sigma^2 \) اور معیاری انحراف \( \sigma \) درج ذیل ہیں:
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]

تغیر اس بات کی پیمائش کرتا ہے کہ ڈیٹا متوقع قدر سے کس حد تک پھیلا ہوا ہے۔ معیاری انحراف متغیر کا مربع جڑ ہے اور اعداد و شمار کے پھیلاؤ کی پیمائش بھی کرتا ہے، لیکن اصل ڈیٹا کی طرح ہی اکائیوں میں۔

نتیجہ اخذ کرنا

بائنومیئل ڈسٹری بیوشن شماریات اور امکان میں ایک بنیادی تصور ہے، جس کا اکثر مختلف حقیقی دنیا کی ایپلی کیشنز میں سامنا ہوتا ہے، کاروبار سے لے کر سماجی علوم اور حیاتیات تک۔ binomial distribution کی متوقع قدر، np کے بطور شمار کی جاتی ہے، بائنری ٹرائلز کی ایک سیریز میں کامیابیوں کی اوسط تعداد میں اہم بصیرت فراہم کرتی ہے۔ متوقع قدر، تغیر، اور معیاری انحراف کے تصورات کو سمجھ کر، ہم بائنومیئل ڈسٹری بیوشن کی خصوصیات اور یہ روزمرہ کی زندگی میں بعض مظاہر کو کس طرح بیان کرتا ہے اس کی واضح تفہیم حاصل کر سکتے ہیں۔

یہ علم نہ صرف اعداد و شمار کے تجزیہ اور اعدادوشمار میں بلکہ فیصلہ سازی میں بھی انتہائی مفید ہے جس کے لیے امکان اور غیر یقینی صورتحال کا جائزہ لینے کی ضرورت ہوتی ہے۔ متوقع قدر اور دو نامی تقسیم کو سمجھنا ہمیں زیادہ درست پیشین گوئیاں کرنے اور زیادہ باخبر فیصلے کرنے میں مدد کر سکتا ہے۔