நிகழ்தகவு பரவல்கள்: அடிப்படை மற்றும் பயன்பாடுகள்

நிகழ்தகவு பரவல்கள் பற்றி

நடுத்தரம் ~180 நிமிடப் படிப்பு

நிகழ்தகவு பரவல்கள் என்பது ஒரு சமவாய்ப்பு சோதனையின் சாத்தியமான விளைவுகளையும், அந்த விளைவுகள் ஏற்படுவதற்கான நிகழ்தகவுகளையும் கணித ரீதியாக விவரிக்கும் ஒரு கருவியாகும். ஒரு சோதனையின் முடிவுகளை வெறும் எண்களாக மட்டும் பார்க்காமல், அவை ஒரு குறிப்பிட்ட விதியின் கீழ் எவ்வாறு பரவியுள்ளன என்பதைப் புரிந்துகொள்ள இது உதவுகிறது. நிஜ வாழ்க்கையில் வானிலை முன்னறிவிப்பு முதல் பங்குச் சந்தை ஆய்வுகள் வரை பல துறைகளில் முடிவெடுக்க இது அடிப்படையாக அமைகிறது.

இந்த அத்தியாயத்தில், மாணவர்கள் சமவாய்ப்பு மாறிகளைத் தனித்த மற்றும் தொடர்ச்சியான என இரு வகைகளாகப் பிரிக்கக் கற்றுக்கொள்கிறார்கள். தனித்த மாறிகளுக்கு நிகழ்தகவு நிறை சார்பும், தொடர்ச்சியான மாறிகளுக்கு நிகழ்தகவு அடர்த்தி சார்பும் பயன்படுத்தப்படுகின்றன. இந்த சார்புகள் மற்றும் குவிவு பரவல் சார்புகளுக்கு இடையிலான தொடர்பை அறிந்துகொள்வது, ஒரு குறிப்பிட்ட எல்லைக்குள் நிகழ்தகவைக் கணக்கிட மிகவும் அவசியமாகும். இது சிக்கலான தரவுத் தொகுப்புகளை எளிமையான கணித வடிவங்களாக மாற்றுகிறது.

தேர்வு நோக்கில், இந்த அத்தியாயம் மிகவும் முக்கியமானது. சராசரி மற்றும் பரவற்படி போன்ற பண்புகளைக் கணக்கிடுதல், குறிப்பாக ஈருறுப்பு பரவலைப் பயன்படுத்திச் சிக்கல்களைத் தீர்த்தல் போன்றவற்றிலிருந்து வினாக்கள் அடிக்கடி கேட்கப்படுகின்றன. மாணவர்கள் சூத்திரங்களை மனப்பாடம் செய்வதோடு மட்டுமல்லாமல், கொடுக்கப்பட்ட தரவு எந்த வகையான பரவலைச் சார்ந்தது என்பதை அடையாளம் காணும் திறனை வளர்த்துக்கொள்ள வேண்டும். இது உயர்கல்வியில் புள்ளியியல் மற்றும் தரவு அறிவியலுக்கு ஒரு வலுவான அடித்தளத்தை வழங்குகிறது.

நீங்கள் கற்பவை

• சமவாய்ப்பு மாறிகளை அடையாளம் கண்டு வகைப்படுத்துதல்.
• நிறை மற்றும் அடர்த்தி சார்புகளின் பண்புகளைச் சரிபார்த்தல்.
• கொடுக்கப்பட்ட சார்பிலிருந்து குவிவு பரவல் சார்பைக் கணக்கிடுதல்.
• நிகழ்தகவு பரவல்களுக்குச் சராசரி மற்றும் பரவற்படி காணுதல்.
• ஈருறுப்பு பரவல் சூத்திரத்தைப் பயன்படுத்திச் சிக்கல்களைத் தீர்த்தல்.
• நிஜ உலகத் தரவுகளுக்குப் பொருத்தமான பரவலைத் தேர்ந்தெடுத்தல்.

தொடங்குவதற்கு முன்

• அடிப்படை நிகழ்தகவு மற்றும் கணம் பற்றிய அறிவு.
• வகை நுண்க்கணிதம் மற்றும் தொகை நுண்க்கணிதத்தின் அடிப்படை சூத்திரங்கள்.
• ஈருறுப்பு தேற்றம் மற்றும் அதன் விரிவாக்கம்.

நிகழ்தகவு பரவல்கள் — விரிவான விளக்கம்

நிகழ்தகவு பரவலின் முக்கிய அம்சங்கள்

சமவாய்ப்பு மாறிகள்

சமவாய்ப்பு மாறி என்பது ஒரு சமவாய்ப்பு சோதனையின் கூறுவெளியில் உள்ள ஒவ்வொரு விளைவிற்கும் ஒரு மெய்யெண்ணைத் தொடர்புபடுத்தும் ஒரு சார்பாகும். இது ஒரு சோதனையின் முடிவுகளை அளவிடக்கூடிய மதிப்புகளாக மாற்றுகிறது. எடுத்துக்காட்டாக, இரு நாணயங்களைச் சுண்டும்போது கிடைக்கும் தலைகளின் எண்ணிக்கையை ஒரு சமவாய்ப்பு மாறியாகக் கருதலாம்.

தனித்த சமவாய்ப்பு மாறிகள்

எண்ணிடத்தக்க மதிப்புகளை மட்டுமே எடுக்கக்கூடிய மாறிகள் தனித்த சமவாய்ப்பு மாறிகள் எனப்படும். இவற்றின் நிகழ்தகவுகளை விவரிக்க நிகழ்தகவு நிறை சார்பு (PMF) பயன்படுத்தப்படுகிறது. அனைத்து நிகழ்தகவுகளின் கூடுதல் எப்போதும் ஒன்றாக இருக்க வேண்டும் என்பது இதன் அடிப்படை விதியாகும்.

தொடர்ச்சியான சமவாய்ப்பு மாறிகள்

ஒரு குறிப்பிட்ட இடைவெளியில் உள்ள அனைத்து மதிப்புகளையும் எடுக்கக்கூடிய மாறிகள் தொடர்ச்சியான சமவாய்ப்பு மாறிகள் ஆகும். இவற்றை நிகழ்தகவு அடர்த்தி சார்பு (PDF) மூலம் குறிக்கிறோம். இதில் ஒரு குறிப்பிட்ட புள்ளியில் நிகழ்தகவு பூஜ்ஜியமாக இருக்கும், எனவே ஒரு இடைவெளிக்குள்ளான பரப்பளவே நிகழ்தகவாகக் கருதப்படுகிறது.

குவிவு பரவல் சார்பு

குவிவு பரவல் சார்பு (CDF) என்பது ஒரு சமவாய்ப்பு மாறி ஒரு குறிப்பிட்ட மதிப்பிற்கு குறைவாகவோ அல்லது சமமாகவோ இருப்பதற்கான மொத்த நிகழ்தகவைக் குறிக்கிறது. இது தனித்த மற்றும் தொடர்ச்சியான ஆகிய இரண்டு வகை மாறிகளுக்கும் பொதுவானது மற்றும் நிகழ்தகவுகளைக் கூட்டுவதன் மூலம் அல்லது தொகையிடுவதன் மூலம் பெறப்படுகிறது.

கணித எதிர்பார்ப்பு மற்றும் சராசரி

கணித எதிர்பார்ப்பு என்பது ஒரு சமவாய்ப்பு சோதனையை நீண்ட காலம் செய்யும்போது கிடைக்கக்கூடிய சராசரி மதிப்பாகும். இது தரவுகளின் மையப் போக்கை அளவிட உதவுகிறது. நிகழ்தகவு மதிப்புகளை அந்தந்த மாறிகளின் மதிப்புகளால் பெருக்கிக் கூட்டுவதன் மூலம் இது கணக்கிடப்படுகிறது.

பரவற்படி மற்றும் திட்டவிலக்கம்

பரவற்படி என்பது சமவாய்ப்பு மாறியின் மதிப்புகள் அதன் சராசரியிலிருந்து எவ்வளவு விலகியுள்ளன என்பதை அளவிடுகிறது. இது தரவுகளின் சிதறலை அறிய உதவுகிறது. ஒரு சோதனையின் நம்பகத்தன்மையை அல்லது ஆபத்தை மதிப்பிட பரவற்படி மிக முக்கியமான ஒரு காரணியாகும்.

பெர்னோலி மற்றும் ஈருறுப்பு பரவல்கள்

வெற்றி அல்லது தோல்வி என இரண்டே விளைவுகளைக் கொண்ட சோதனைகள் பெர்னோலி சோதனைகள் எனப்படும். இத்தகைய $n$ எண்ணிக்கையிலான சார்பற்ற சோதனைகளின் முடிவுகளை விவரிப்பது ஈருறுப்பு பரவலாகும். இது நடைமுறையில் உற்பத்தித் தரம் மற்றும் மருத்துவச் சோதனைகளில் அதிகம் பயன்படுத்தப்படுகிறது.

தவிர்க்க வேண்டிய பொதுவான தவறுகள்

• தனித்த மற்றும் தொடர்ச்சியான மாறிகளுக்கான சூத்திரங்களைக் குழப்பிக்கொள்ளுதல்; மாறி வகையை முதலில் உறுதி செய்ய வேண்டும்.
• குவிவு பரவல் சார்பைக் கணக்கிடும்போது முந்தைய நிகழ்தகவுகளைக் கூட்ட மறத்தல்; எப்போதும் மொத்தத்தைக் கவனிக்கவும்.
• நிகழ்தகவு அடர்த்தி சார்பின் மொத்தப் பரப்பளவு ஒன்றை விட அதிகமாக வருதல்; எல்லைகளைச் சரியாகப் பயன்படுத்த வேண்டும்.
• ஈருறுப்பு பரவலில் வெற்றி நிகழ்தகவு மற்றும் தோல்வி நிகழ்தகவு ஆகியவற்றை மாற்றிப் பயன்படுத்துதல்.
• சராசரிக்கும் எதிர்பார்ப்புக்கும் உள்ள வேறுபாட்டைப் புரியாமல் இருத்தல்; இரண்டும் ஒன்றே என்பதை உணர வேண்டும்.

இவற்றை பயிற்சித் தேர்வு மூலம் சோதித்துப் பாருங்கள்; பிறகு விடையுடன் கூடிய வினாக்கள் பகுதியில் விரிவான விளக்கத்தைப் படியுங்கள்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

சமவாய்ப்பு மாறி என்றால் என்ன?

ஒரு சமவாய்ப்பு சோதனையின் ஒவ்வொரு விளைவுக்கும் ஒரு குறிப்பிட்ட எண்ணை வழங்கும் கணிதச் சார்பு சமவாய்ப்பு மாறி எனப்படும். இது தரவுகளை ஆய்வு செய்ய உதவுகிறது.

தனித்த மற்றும் தொடர்ச்சியான மாறிகளுக்கு என்ன வேறுபாடு?

தனித்த மாறிகள் எண்ணிடத்தக்க மதிப்புகளை எடுக்கும். தொடர்ச்சியான மாறிகள் ஒரு குறிப்பிட்ட இடைவெளியில் உள்ள அனைத்து மதிப்புகளையும் எடுக்கும்.

நிகழ்தகவு அடர்த்தி சார்பின் முக்கிய விதி என்ன?

ஒரு அடர்த்தி சார்பின் கீழ் உள்ள மொத்தப் பரப்பளவு எப்போதும் ஒன்றாக இருக்க வேண்டும் மற்றும் அதன் மதிப்பு ஒருபோதும் எதிர்மறையாக இருக்கக்கூடாது.

குவிவு பரவல் சார்பு எதைக் குறிக்கிறது?

இது ஒரு மாறி குறிப்பிட்ட மதிப்பிற்கு சமமாகவோ அல்லது குறைவாகவோ இருப்பதற்கான மொத்த நிகழ்தகவைக் கூட்டிக் காண்பிக்கிறது. இதன் மதிப்பு பூஜ்ஜியம் முதல் ஒன்று வரை இருக்கும்.

கணித எதிர்பார்ப்பு எப்போதும் தரவில் உள்ள ஒரு மதிப்பாக இருக்குமா?

இல்லை, எதிர்பார்ப்பு என்பது ஒரு நீண்ட கால சராசரி. இது தரவில் இல்லாத ஒரு தசம எண்ணாகவும் இருக்கலாம்.

ஈருறுப்பு பரவலை எப்போது பயன்படுத்த வேண்டும்?

சோதனைகள் சார்பற்றதாக இருக்க வேண்டும், இரண்டே விளைவுகள் இருக்க வேண்டும் மற்றும் வெற்றி நிகழ்தகவு மாறாமல் இருக்க வேண்டும் என்ற நிபந்தனைகளில் இதைப் பயன்படுத்தலாம்.