زہر کی تقسیم کا تعارف

زہر کی تقسیم کا تعارف

معاشیات، حیاتیات، انجینئرنگ اور سماجی علوم جیسے مختلف شعبوں میں شماریات ایک ناگزیر ذریعہ ہے۔ اعداد و شمار کے اہم پہلوؤں میں سے ایک امکانی تقسیم ہے، جو مختلف نتائج کے امکانات کو بیان کرتی ہے۔ ان تقسیموں میں، Poisson کی تقسیم ان منظرناموں میں اہم ہے جس میں مقررہ وقفوں پر واقعات کی گنتی شامل ہے۔ یہ مضمون پوسن کی تقسیم، اس کی خصوصیات، ایپلی کیشنز، اور شماریاتی تجزیہ میں مطابقت کے بارے میں گہرائی سے تفہیم فراہم کرنے کا ارادہ رکھتا ہے۔

زہر کی تقسیم کا جائزہ

فرانسیسی ریاضی دان Siméon-Denis Poisson کے نام سے منسوب، Poisson کی تقسیم ایک مجرد امکانی تقسیم ہے جو وقت یا جگہ کے ایک مقررہ وقفہ کے اندر ہونے والے واقعات کی ایک دی گئی تعداد کے امکان کو ظاہر کرتی ہے۔ یہ وقفہ کچھ بھی ہو سکتا ہے: ایک مخصوص مدت، ایک مخصوص رقبہ، لمبائی، یا حجم بھی۔ اہم نکتہ یہ ہے کہ واقعات کو ایک دوسرے سے آزادانہ طور پر اور مستقل اوسط شرح پر ہونا چاہیے۔

ریاضی کی تشکیل

Poisson کی تقسیم ایک واحد پیرامیٹر، λ (lambda) کی خصوصیت رکھتی ہے، جو دیے گئے وقفے میں واقعات کی اوسط تعداد کی نمائندگی کرتا ہے۔ Poisson کی تقسیم کا امکانی ماس فنکشن (PMF) بذریعہ دیا گیا ہے:

\[ P(X = k) = frac{e^{-\lambda} \lambda^k}{k!} \]

کہاں:
- \( P(X = k) \) وقفہ میں \( k \) واقعات کا مشاہدہ کرنے کا امکان ہے۔
- λ (lambda) واقعات کی اوسط تعداد ہے۔
- \( e \) قدرتی لوگارتھم کی بنیاد ہے، تقریباً 2.71828 کے برابر۔
- \( k \) واقعات کی تعداد ہے (جو 0، 1، 2، 3،… ہو سکتے ہیں)۔
- \( k! \) \( k \) کا فیکٹوریل ہے۔

پوسن کی تقسیم کا اوسط λ ہے، اور تغیر بھی λ ہے۔ وسط اور تغیر کی یہ مساوات ان کلیدی خصوصیات میں سے ایک ہے جو Poisson کی تقسیم کو دیگر تقسیموں سے ممتاز کرتی ہے۔

زہر کی تقسیم کی خصوصیات

1. تفریق: Poisson کی تقسیم مجرد ہے، یعنی یہ ایسے واقعات سے نمٹتی ہے جو صرف پوری تعداد میں ہو سکتے ہیں۔ مثال کے طور پر، آپ ایک گھنٹے میں موصول ہونے والی ای میلز کی تعداد گن سکتے ہیں، لیکن ای میل کا ایک حصہ نہیں۔

2. آزادی: واقعات ایک دوسرے سے آزاد ہیں۔ ایک واقعہ کا وقوع پذیر ہونا دوسرے واقعہ کے رونما ہونے کے امکان کو متاثر نہیں کرتا ہے۔

3. شرح کی مستقل مزاجی: وہ شرح جس پر واقعات رونما ہوتے ہیں وقت کے ساتھ ساتھ مستقل ہوتا ہے۔ اس کا مطلب یہ ہے کہ λ غور کیے جانے والے وقفہ پر تبدیل نہیں ہوتا ہے۔

4. غیر کلسٹرڈ: پوسن کے عمل میں ہونے والے واقعات ایک ہی وقت میں نہیں ہوتے ہیں اور کلسٹرڈ نہیں ہوتے ہیں۔ ایک لامحدود چھوٹے وقفے میں ایک سے زیادہ واقعات کے رونما ہونے کا امکان تقریباً صفر ہے۔

زہر کی تقسیم کی درخواستیں

Poisson کی تقسیم کی استعداد اسے مختلف حقیقی دنیا کے منظرناموں میں لاگو کرتی ہے، بشمول لیکن ان تک محدود نہیں:

1. ٹیلی کمیونیکیشنز: یہ ایک گھنٹے میں کال سینٹر میں موصول ہونے والی ٹیلیفون کالز کی تعداد یا نیٹ ورک سرور کے ذریعے موصول ہونے والے پیغامات کی تعداد کو ماڈل کرنے کے لیے استعمال ہوتا ہے۔

2. حیاتیات اور طب: تقسیم ان واقعات کی وضاحت کر سکتی ہے جیسے کہ ایک مخصوص وقت کے دوران ڈی این اے کے اسٹرینڈ میں تغیرات کی تعداد یا کلینک میں آنے والے مریضوں کی تعداد۔

3. کوالٹی کنٹرول: مینوفیکچرنگ میں، یہ مصنوعات کے بیچ میں نقائص کی تعداد کو سمجھنے میں مدد کرتا ہے۔

4. نقل و حمل: یہ ایک مقررہ وقت کے فریم میں ٹول بوتھ سے گزرنے والی کاروں کی تعداد یا سڑک کے ایک حصے پر حادثات کی تعدد کے ماڈل کے لیے استعمال ہوتا ہے۔

5. جرائم کا تجزیہ: تجزیہ کار اسے ایک ماہ کے دوران کسی خاص علاقے میں ہونے والے جرائم کی تعداد کا اندازہ لگانے کے لیے استعمال کرتے ہیں۔

مثالی مثال

فرض کریں کہ ایک کتابوں کی دکان کو روزانہ اوسطاً 3 صارفین کی شکایات موصول ہوتی ہیں۔ ہم ایک دن میں 5 شکایات موصول ہونے کا امکان تلاش کرنا چاہتے ہیں۔

پوسن فارمولہ استعمال کرنا: \[ P(X = 5) = \frac{e^{-3} 3^5}{5!} \]

مرحلہ وار اس کا حساب لگانا:
- \( e^{-3} تقریباً 0.0498 \)
- \( 3^5 = 243 \)
- \( 5! = 120 \)

تو، \[ P(X = 5) = \frac{0.0498 \times 243}{120} \ تقریباً 0.1008۔ \]

کتابوں کی دکان پر ایک دن میں بالکل 5 شکایات موصول ہونے کا تقریباً 10.08 فیصد امکان ہے۔

دیگر تقسیم کے ساتھ تعلق

Poisson کی تقسیم کا دیگر امکانی تقسیموں سے گہرا تعلق ہے، جیسے:

1. کفایتی تقسیم : پوسن کے عمل میں لگاتار واقعات کے درمیان کا وقت پیرامیٹر \( \lambda \) کے ساتھ ایک کفایتی تقسیم کی پیروی کرتا ہے۔

2. بائنومیئل ڈسٹری بیوشن: بڑی تعداد میں ٹرائلز اور کامیابی کے ایک چھوٹے امکان کے لیے، بائنومیئل ڈسٹری بیوشن کا تخمینہ پوسن ڈسٹری بیوشن سے لگایا جا سکتا ہے۔ خاص طور پر، اگر \( n \) بڑا ہے، \( p \) چھوٹا ہے، اور \( np = λ \) مستقل رہتا ہے، تو \( \lim_{n \to \infty} \binom{n}{k} p^k(1 – p)^{n – k} = frac{e^{-λ} λ^k}{k!})۔

حدود

طاقتور ہونے کے باوجود، Poisson کی تقسیم کی حدود ہیں۔ ایک بنیادی مفروضہ \( \lambda \) کی مستقل مزاجی ہے، جو حقیقی زندگی کے منظرناموں میں نہیں ہو سکتی ہے جہاں شرح پیرامیٹر وقت کے ساتھ بدل سکتا ہے۔ اگر واقعات کی آزادی کی خلاف ورزی ہوتی ہے، یا واقعات ایک دوسرے پر اثرانداز ہوتے ہیں، تو Poisson ماڈل مناسب نہیں ہو سکتا۔

نتیجہ

Poisson ڈسٹری بیوشن شماریات میں ایک بنیادی ٹول ہے، جو ان منظرناموں کی گہری بصیرت پیش کرتا ہے جہاں واقعات مستقل شرح پر آزادانہ طور پر رونما ہوتے ہیں۔ مختلف شعبوں میں اس کی وسیع ایپلی کیشنز اور دیگر تقسیم کے ساتھ مطابقت اس کی افادیت کو واضح کرتی ہے۔ اس کی بنیادی خصوصیات، ریاضی کی تشکیل، اور حقیقی دنیا کی ایپلی کیشنز کو سمجھنا اعدادوشمار اور محققین کو مجرد واقعات کا تجزیہ کرنے کے لیے ایک مضبوط ماڈل کے ساتھ ہتھیار دیتا ہے۔ چاہے آپ کال سنٹر کا انتظام کر رہے ہوں، مینوفیکچرنگ کے معیار کو کنٹرول کر رہے ہوں، یا حیاتیاتی ڈیٹا کا تجزیہ کر رہے ہوں، Poisson کی تقسیم آپ کے شماریاتی ٹول باکس میں ایک انمول اثاثہ ثابت ہوتی ہے۔