मुख्य सामग्री पर जाएँ

पॉइसाँ वितरण: एक व्यापक मार्गदर्शिका

पॉइसाँ वितरण किसी नियत अंतराल में घटनाओं की एक निश्चित संख्या की प्रायिकता का मॉडल करता है। देखें कि इसे क्यूइंग थ्योरी और ट्रैफिक मॉडलिंग जैसे वास्तविक परिदृश्यों में कैसे लागू किया जाता है।
· 9 मि॰ पढ़ें

AI के साथ खोजें

सांख्यिकी और डेटा साइंस में, पॉइसाँ वितरण किसी नियत अंतराल के भीतर घटित होने वाली अविकल (डिस्क्रीट) घटनाओं का मॉडल बनाने के लिए एक महत्वपूर्ण औजार है। फ्रांसीसी गणितज्ञ Siméon Denis Poisson के नाम पर रखे गए इस प्रायिकता वितरण का उपयोग दुर्लभ घटनाओं का विश्लेषण और पूर्वानुमान लगाने में होता है, जिसके कारण यह विभिन्न क्षेत्रों के डेटा प्रैक्टिशनरों के लिए बहुमूल्य है।

यदि आप सांख्यिकी में नए हैं, तो हमारा Introduction to Statistics कोर्स इन अवधारणाओं को समझने के लिए ठोस आधार प्रदान करता है। जो लोग प्रायिकता सिद्धांत को गहराई से सीखने के लिए तैयार हैं, उनके लिए Foundations of Probability in Python कोर्स प्रायिकता संबंधी अवधारणाओं का व्यापक अन्वेषण कराता है, जिसमें पॉइसाँ वितरण भी शामिल है। 

पॉइसाँ वितरण क्या है?

पॉइसाँ वितरण एक अविकल प्रायिकता वितरण है जो किसी नियत समय या स्थान के अंतराल में एक निश्चित संख्या की घटनाओं के घटित होने की प्रायिकता व्यक्त करता है। यह मानता है कि ये घटनाएँ ज्ञात औसत दर पर और पिछली घटना के समय से स्वतंत्र रूप से घटित होती हैं। पॉइसाँ वितरण को समझने के लिए, पहले अविकल और सतत वितरणों के बीच का अंतर जानना उपयोगी है।

Poisson distribution vs. a continuous distribution

पॉइसाँ वितरण बनाम सतत वितरण। चित्र: लेखक

अविकल (डिस्क्रीट) वितरण

  • स्वरूप: अविकल वितरण उन परिघटनाओं का वर्णन करते हैं जिनके परिणाम पूर्णांकों में गिने जा सकते हैं। इन्हें प्रायिकता द्रव्यमान फलन (PMF) द्वारा चिह्नित किया जाता है, जो प्रत्येक संभावित अविकल परिणाम को प्रायिकता सौंपते हैं।
  • दृश्यांकन: बाएँ पैनल में पॉइसाँ वितरण दिखाया गया है जहाँ प्रत्येक बिंदु किसी नियत अंतराल में एक खास संख्या की घटनाओं के घटित होने की प्रायिकता का प्रतिनिधित्व करता है। यह वितरण गणना-आधारित डेटा के मॉडलिंग के लिए आदर्श है, जैसे प्रति घंटे प्राप्त ईमेल की संख्या। आप यह भी देखेंगे कि पॉइसाँ वितरण वाले पैनल में ऋणात्मक मान नहीं हैं। ऐसा इसलिए क्योंकि परिभाषा के अनुसार पॉइसाँ वितरण में ऋणात्मक मान नहीं हो सकते।

अविकल प्रायिकता वितरणों के कुछ उदाहरणों में बर्नौली और बायनोमियल वितरण शामिल हैं। 

सतत (कॉन्टिन्युअस) वितरण

  • स्वरूप: सतत वितरण उन डेटा के लिए उपयोग किए जाते हैं जो किसी दायरे के भीतर कोई भी मान (दशमलव सहित) ले सकते हैं। ये प्रायिकता घनत्व फलन (PDF) का उपयोग करते हैं ताकि किसी भी दिए गए दायरे के भीतर परिणामों की प्रायिकता का वर्णन किया जा सके।
  • दृश्यांकन: दाएँ पैनल में सामान्य (नॉर्मल) वितरण दर्शाया गया है। चिकना वक्र माध्य के आसपास मानों की घनत्व को इंगित करता है, और वक्र के नीचे किसी भी दो बिंदुओं के बीच का क्षेत्र उस दायरे में आने की प्रायिकता देता है। इस प्रकार का वितरण तापमान या भार जैसी मात्राओं को मापने में उपयोगी है।

सामान्य या गॉसियन वितरण सतत वितरण का प्रमुख उदाहरण है।

पॉइसाँ वितरण के गुण

आइए पॉइसाँ वितरण की कुछ महत्वपूर्ण विशेषताओं पर नज़र डालते हैं।

नियत अंतराल में घटनाएँ

पॉइसाँ वितरण की एक प्रमुख विशेषता यह है कि यह नियत अंतराल में घटनाओं का मॉडल बना सकता है। यह अंतराल समय (उदा., प्रति घंटे आने वाले ग्राहकों की संख्या) या स्थान (उदा., कपड़े के प्रति वर्ग मीटर में दोषों की संख्या) हो सकता है। यह मॉडल मानता है कि:

  1. घटनाएँ स्वतंत्र रूप से घटित होती हैं।
  2. घटनाओं की औसत दर (λ) अंतराल के दौरान स्थिर रहती है।
  3. दो घटनाएँ बिल्कुल एक ही क्षण पर नहीं घटित हो सकतीं।

माध्य और विचरण

पॉइसाँ वितरण का एक विशिष्ट गुण यह है कि इसका माध्य (अपेक्षित मान) और विचरण बराबर होते हैं। दोनों को पैरामीटर λ (लैम्ब्डा) से दर्शाया जाता है, जो अंतराल में घटनाओं की औसत संख्या बताता है। यह अद्वितीय गुण यह पहचानने में सहायक होता है कि कोई डेटासेट पॉइसाँ वितरण का अनुसरण करता है या नहीं। गणितीय रूप से, इसे निम्न समीकरण से दर्शाया जा सकता है: 

Poisson distribution mean and variance

इस समानता का तात्पर्य है कि जैसे-जैसे अपेक्षित घटनाओं की संख्या बढ़ती है, वास्तविक घटनाओं की संख्या में परिवर्तनशीलता भी बढ़ती है।

झुकाव और आकृति

पॉइसाँ वितरण का आकार λ के मान पर निर्भर करता है। यह दृश्य रूपांकन दर्शाता है कि λ वितरण के झुकाव और सममिति को कैसे प्रभावित करता है: 

Poisson distributions with different lambda values

विभिन्न लैम्ब्डा मानों के साथ पॉइसाँ वितरण। चित्र: लेखक

  • छोटे λ मानों के लिए (λ < 10), वितरण स्पष्ट रूप से दाईं ओर झुका होता है। इसका अर्थ है कि कम घटनाओं की आवृत्ति अधिक और अधिक घटनाओं की आवृत्ति कम होती है।
  • जैसे-जैसे λ बढ़ता है (λ > 10), वितरण अधिक सममित हो जाता है और सामान्य वितरण जैसा दिखने लगता है। यह सममिति इंगित करती है कि डेटा माध्य के आसपास अधिक संतुलित रूप से बँटा है।

यह बदलता हुआ आकार इस बात को प्रभावित करता है कि हम प्रायिकताओं की व्याख्या कैसे करते हैं और पॉइसाँ-वितरित डेटा से निष्कर्ष कैसे निकालते हैं। उदाहरण के लिए, सममित वितरण कई प्रकार के विश्लेषण, जैसे परिकल्पना परीक्षण और विश्वास अंतराल अनुमान, को सरल बना देता है क्योंकि डेटा का प्रसार अधिक पूर्वानुमेय और संतुलित होता है।

पॉइसाँ वितरण का सूत्र

पॉइसाँ वितरण के सूत्र पर नज़र डालें। 

Poisson distribution formula

  • बाएँ पक्ष (LHS), P(X = k), किसी नियत अंतराल में ठीक k घटनाओं के घटित होने की प्रायिकता दर्शाता है। यहाँ X घटनाओं की संख्या है और k वह विशिष्ट संख्या है जिसमें हमारी रुचि है। दूसरे शब्दों में, LHS हमें बताता है कि हम कौन-सी प्रायिकता की गणना कर रहे हैं।

  • दाएँ पक्ष (RHS) के अंश, e-λλk के दो भाग होते हैं। λk औसत दर λ के आधार पर k घटनाओं के होने की संभावना दर्शाता है। e-λ पद घटनाओं की यादृच्छिकता का लेखा-जोखा रखता है, जिससे यह सुनिश्चित होता है कि जैसे-जैसे घटनाओं की संख्या अपेक्षित दर से विचलित होती है, प्रायिकता घटती जाती है।

  • दाएँ पक्ष (RHS) का हर, k! यह समायोजित करता है कि x घटनाएँ कितने तरीकों से घटित हो सकती हैं। फैक्टोरियल संकेतन संभावित व्यवस्थाओं की संख्या निकालता है, ताकि प्रायिकता में यह प्रतिबिंबित हो कि घटनाओं के क्रम का कोई महत्व नहीं है।

यदि आप वास्तव में मशीन लर्निंग के लिए Python का आत्मविश्वास से उपयोग करना चाहते हैं, तो हमारा Machine Learning Scientist with Python करियर ट्रैक शुरू करें, जो आपको वास्तविक डेटा सेट्स के साथ उन्नत तकनीकों का अभ्यास करने देता है। 

पॉइसाँ वितरण का उपयोग कैसे होता है

आइए पॉइसाँ वितरण के कुछ वास्तविक उपयोग देखें। यदि आप क्षमता नियोजन और प्रदर्शन अनुकूलन में रुचि रखते हैं, तो हमारा Mixture Models in R कोर्स प्रायिकता वितरणों के उन्नत अनुप्रयोगों को कवर करता है, जिनमें पॉइसाँ मिश्रण भी शामिल हैं।

क्यूइंग थ्योरी

क्यूइंग थ्योरी में, पॉइसाँ वितरणों का उपयोग सेवा बिंदुओं पर ग्राहकों के आगमन को मॉडल करने के लिए किया जाता है। उदाहरण के लिए, कोई बैंक इस वितरण का उपयोग यह अनुमान लगाने के लिए कर सकता है कि किसी दी हुई घड़ी में कितने ग्राहक आएंगे, जिससे स्टाफिंग स्तरों का अनुकूलन करने और प्रतीक्षा समय को घटाने में मदद मिलती है।

महामारी विज्ञान और दुर्लभ घटनाएँ

महामारी विज्ञानी दुर्लभ रोगों की घटना का मॉडल बनाने के लिए अक्सर पॉइसाँ वितरण का उपयोग करते हैं। यह अनुप्रयोग किसी आबादी में अपेक्षित मामलों की संख्या का अनुमान लगाने या प्रेक्षित मामलों की तुलना अपेक्षित पॉइसाँ वितरण से करके असामान्य प्रकोपों का पता लगाने में सहायक होता है। यदि आप महामारी विज्ञान में रुचि रखते हैं, तो आप हमारा पॉडकास्ट एपिसोड Data Science, Epidemiology and Public Health Maëlle Salmon के साथ सुन सकते हैं।

यातायात और नेटवर्क मॉडलिंग

ट्रैफिक इंजीनियर और नेटवर्क विश्लेषक जाँच-स्थल से गुजरने वाले वाहनों की संख्या, सर्वर पर आने वाले डेटा पैकेट, या कॉल सेंटर में आने वाली कॉलों के आगमन का मॉडल बनाने के लिए पॉइसाँ वितरणों का उपयोग करते हैं।

प्रदर्शन, भ्रांतियाँ, और विकल्प

पॉइसाँ वितरणों के साथ काम करते समय, सटीक परिणाम सुनिश्चित करने के लिए प्रदर्शन-संबंधी कारकों, सामान्य भ्रांतियों, और वैकल्पिक मॉडलों पर विचार करना आवश्यक है। कई क्षेत्रों का अन्वेषण करना उपयोगी है:

प्रदर्शन चुनौतियाँ

विशेषकर चरम मामलों को संभालते समय, कई कारक पॉइसाँ वितरण मॉडलिंग की प्रभावशीलता को प्रभावित करते हैं:

  • कम-घटना दरें: बहुत कम घटना दरों (छोटे λ) पर, परिणामों में उच्च परिवर्तनशीलता के कारण चुनौतियाँ आती हैं। इन्हें संभालने की रणनीतियों में अपेक्षित गणना बढ़ाने हेतु लंबे अवलोकन काल का उपयोग, पूर्वज्ञान को समाहित करने के लिए बेयज़ियन विधियों का प्रयोग, या अतिरिक्त शून्यों के लिए शून्य-फुलाए (zero-inflated) मॉडल पर विचार करना शामिल है।
  • सामान्य वितरण से समीकरण: बड़े λ मानों (आम तौर पर 30 से ऊपर) के लिए, पॉइसाँ वितरण को सामान्य वितरण से समीपित किया जा सकता है, जो गणनाएँ सरल कर देता है लेकिन सावधानीपूर्वक अनुप्रयोग की आवश्यकता होती है।

भ्रांतियों का निराकरण

मुख्य तत्वों की गलतफहमी त्रुटिपूर्ण मॉडलों की ओर ले जा सकती है:

  • नियत अंतराल: एक आम भ्रांति है कि पॉइसाँ प्रक्रिया में अंतराल बदल सकता है। वास्तव में, अंतराल नियत और स्पष्ट-परिभाषित होना चाहिए। बदलते अंतराल गलत मॉडलिंग और अशुद्ध पूर्वानुमानों का कारण बन सकते हैं।
  • बायनोमियल वितरण से भ्रम: यद्यपि कुछ शर्तों के तहत पॉइसाँ वितरण को बायनोमियल वितरण की सीमा के रूप में व्युत्पन्न किया जा सकता है, वे भिन्न हैं। पॉइसाँ वितरण का उपयोग समय या स्थान के नियत अंतराल में दुर्लभ घटनाओं की गिनती के लिए होता है, जबकि बायनोमियल निश्चित संख्या के स्वतंत्र परीक्षणों के लिए होता है जिनके दो संभावित परिणाम होते हैं।

वैकल्पिक वितरणों पर विचार

कुछ मामलों में, वैकल्पिक वितरण बेहतर परिणाम दे सकते हैं:

  • निगेटिव बायनोमियल वितरण: ऐसा गणना डेटा जिसमें विचरण माध्य से अधिक हो (ओवरडिस्पर्शन), उसके लिए निगेटिव बायनोमियल वितरण एक विकल्प है। यह पॉइसाँ वितरण से अधिक लचीला है और अधिक परिवर्तनशीलता वाले डेटा का मॉडल बना सकता है।
  • घातीय (एक्सपोनेंशियल) वितरण: जहाँ पॉइसाँ वितरण नियत अंतराल में घटनाओं की संख्या का मॉडल बनाता है, वहीं घातीय वितरण पॉइसाँ प्रक्रिया में घटनाओं के बीच के समय का मॉडल बनाता है। यह अविकल नहीं, बल्कि सतत है, और सर्वाइवल विश्लेषण तथा विश्वसनीयता अभियांत्रिकी में महत्वपूर्ण है।

पॉइसाँ वितरण पर अंतिम विचार

पॉइसाँ वितरणों की समझ सांख्यिकीय विश्लेषण और डेटा की व्याख्या को उल्लेखनीय रूप से सशक्त बनाती है, विशेषकर जब दुर्लभ घटनाओं या गणना-आधारित डेटा का विश्लेषण किया जाता है। इसके गुणों, अनुप्रयोगों और सीमाओं को समझकर, डेटा प्रैक्टिशनर अपने निर्णय-निर्माण में सुधार कर सकते हैं और अधिक सटीक मॉडल बना सकते हैं। 

जैसे-जैसे आप डेटा साइंस में आगे बढ़ते हैं, सांख्यिकीय अवधारणाओं और उनके व्यावहारिक अनुप्रयोगों का ज्ञान बढ़ाने पर विचार करें। जो R के साथ काम करते हैं, उनके लिए Introduction to Statistics in R कोर्स और Statistics Fundamentals with R स्किल ट्रैक प्रमुख सांख्यिकीय सिद्धांतों का व्यापक अवलोकन प्रदान करते हैं, जिनमें पॉइसाँ जैसे वितरणों के साथ हाथ-कलम अभ्यास शामिल है। जो Python के साथ काम करना पसंद करते हैं, उनके लिए हमारा Introduction to Statistics in Python कोर्स सांख्यिकीय अवधारणाओं के कार्यान्वयन में हाथ-कलम अनुभव देता है, जिनमें प्रदर्शन अनुकूलन भी शामिल हैं। अपनी सांख्यिकीय कौशल का विकास जारी रखने से आप जटिल डेटा चुनौतियों का सामना करने और अपने कार्य में सार्थक अंतर्दृष्टि निकालने के लिए बेहतर रूप से सक्षम होंगे।

Vinod Chugani

लेखक

Vinod Chugani

LinkedIn

विनोद चुगानी ने टोक्यो में जेपीमॉर्गन के सबसे कम उम्र के हेज फंड सेल्स डेस्क हेड के रूप में अपना करियर शुरू किया और बाद में लेहमन ब्रदर्स में व्यक्तिगत बिक्री का रिकॉर्ड बनाया, फिर 30 देशों में फैला एक इलेक्ट्रॉनिक्स डिस्ट्रीब्यूशन व्यवसाय बनाया, जिसकी आय SG$100 मिलियन से आगे बढ़ी, इसके बाद उन्होंने डेटा की ओर रुख किया। ड्यूक में अर्थशास्त्र के स्नातक और NYC डेटा साइंस अकादमी के पूर्व छात्र, वे मेवन पर ह्यूगो बोव्न-एंडरसन के Building AI Applications कोर्स के लिए 100+ आवेदनों में से तीन छात्रवृत्ति प्राप्तकर्ताओं में से एक थे। आज, वे DataCamp, KDnuggets, Machine Learning Mastery, और Statology के लिए सांख्यिकी से लेकर एजेंटिक एआई तक के विषयों पर लिखते हैं, और NYC डेटा साइंस अकादमी में डेटा प्रोफेशनलों को मेंटर करते हैं, उनके नाम पर 1,000 से अधिक एक-से-एक सत्र हैं।

 

पॉइसाँ वितरण FAQs

पॉइसाँ वितरण क्या है?

पॉइसाँ वितरण एक सांख्यिकीय मॉडल है जो अनुमान लगाता है कि किसी विशिष्ट अवधि या क्षेत्र में कोई दुर्लभ घटना कितनी बार हो सकती है। यह विशेष रूप से तब उपयोगी होता है जब घटनाएँ यादृच्छिक रूप से घटित होती हैं, लेकिन उनकी औसत दर पूर्वानुमेय होती है। यह वितरण हमें दिखावटी रूप से यादृच्छिक घटनाओं के पैटर्न समझने में मदद करता है—एक घंटे में किसी स्टोर पर आने वाले ग्राहकों की संख्या से लेकर एक सदी में किसी ग्रह की सतह पर उल्का पिंडों के टकराव की गिनती तक।

आपको पॉइसाँ वितरण का उपयोग कब करना चाहिए?

जब घटनाएँ किसी दिए गए अंतराल में एक स्थिर दर पर यादृच्छिक और स्वतंत्र रूप से घटित होती हैं—जैसे एक घंटे में प्राप्त ईमेलों की संख्या या किसी शिफ्ट के दौरान कॉल सेंटर पर आने वाली कॉलें—तब आपको पॉइसाँ वितरण का उपयोग करना चाहिए।

पॉइसाँ वितरण सामान्य वितरण से कैसे भिन्न है?

पॉइसाँ वितरण छोटे-छोटे मानों वाली अविकल गणना-आधारित डेटा के लिए होता है, जबकि सामान्य वितरण आम तौर पर सतत डेटा का मॉडल बनाता है। जब घटना दर (λ) बड़ी होती है, तो सामान्य वितरण पॉइसाँ का अच्छा समीकरण बन जाता है।

पॉइसाँ और घातीय वितरणों के बीच क्या संबंध है?

पॉइसाँ वितरण नियत अंतराल में घटनाओं की संख्या गिनता है, जबकि घातीय (एक्सपोनेंशियल) वितरण पॉइसाँ प्रक्रिया में क्रमिक घटनाओं के बीच के समय को मापता है। वे गणितीय रूप से जुड़े हैं—पॉइसाँ में होने की दर जानने से घातीय वितरण के पैमाने का निर्धारण करने में मदद मिलती है।

क्या पॉइसाँ वितरण किसी भी प्रकार के डेटा का मॉडल बना सकता है?

नहीं, पॉइसाँ वितरण विशेष रूप से उन अविकल घटनाओं की गणना के मॉडलिंग के लिए उपयोगी है जो एक नियत अंतराल या क्षेत्र में स्वतंत्र रूप से घटित होती हैं और जिनकी औसत दर स्थिर होती है। यह उन डेटा के लिए उपयुक्त नहीं है जहाँ घटनाएँ एक-दूसरे को प्रभावित करती हैं या दर स्थिर नहीं होती।

पॉइसाँ वितरण में λ का क्या अर्थ है?

पॉइसाँ वितरण में λ (लैम्ब्डा) अंतराल में अपेक्षित घटनाओं की संख्या का प्रतिनिधित्व करता है। यह वितरण का माध्य और विचरण, दोनों होता है।

Python में पॉइसाँ वितरण कैसे बनाते हैं?

Python में पॉइसाँ वितरण बनाने के लिए आप मुख्यतः NumPy लाइब्रेरी के random मॉड्यूल का उपयोग करते हैं। np.random.poisson() फ़ंक्शन पॉइसाँ वितरण से रैंडम सैंपल जनरेट करता है, जहाँ आप घटनाओं की औसत दर (lambda) और सैंपलों की संख्या निर्दिष्ट करते हैं। फिर आप इन सैंपलों का उपयोग हिस्टोग्राम प्लॉट करने, प्रायिकताएँ निकालने, या सांख्यिकीय विश्लेषण करने में कर सकते हैं। और अधिक सटीक प्रायिकता गणनाओं के लिए, SciPy लाइब्रेरी का stats मॉड्यूल stats.poisson.pmf() (प्रायिकता द्रव्यमान फलन) और stats.poisson.cdf() (संचयी वितरण फलन) जैसी सुविधाएँ प्रदान करता है।

R में पॉइसाँ वितरण कैसे बनाते हैं?

R में पॉइसाँ वितरण बनाने के लिए आप R के बेस सांख्यिकीय पैकेज का हिस्सा बनी अंतर्निहित फ़ंक्शनों का उपयोग कर सकते हैं। R रैंडम संख्याएँ जनरेट करने, प्रायिकताएँ गणना करने और पॉइसाँ वितरणों को प्लॉट करने के लिए फ़ंक्शन देता है। मुख्य फ़ंक्शन हैं rpois() (रैंडम संख्या जनरेट करने के लिए), dpois() (प्रायिकता घनत्व के लिए), ppois() (संचयी प्रायिकता के लिए), और qpois() (क्वांटाइल्स के लिए)। आप इन फ़ंक्शनों को R की प्लॉटिंग क्षमताओं के साथ मिलाकर पॉइसाँ वितरण बना और दृष्टांत कर सकते हैं।

पॉइसाँ वितरण का पॉइसाँ रिग्रेशन से क्या संबंध है?

जहाँ पॉइसाँ वितरण किसी नियत अंतराल में घटनाओं की संख्या की प्रायिकता का वर्णन करता है, वहीं पॉइसाँ रिग्रेशन गणना-आधारित डेटा का मॉडल बनाने और यह समझने की सांख्यिकीय विधि है कि विभिन्न चर इन गणनाओं को कैसे प्रभावित करते हैं। पॉइसाँ रिग्रेशन में, प्रत्युत्तर चर को पॉइसाँ वितरण का अनुसरण करने वाला माना जाता है, और उसके अपेक्षित मान के लघुगणक को पूर्वानुमानकारी चरों के रैखिक संयोजन के रूप में मॉडल किया जाता है। यह संबंध शोधकर्ताओं को यह विश्लेषण करने में सक्षम बनाता है कि विभिन्न कारक घटनाओं के घटित होने की दर को कैसे प्रभावित करते हैं।

विषय

डेटा साइंसडेटा विश्लेषण