कोर्स
Python में statsmodels के साथ Regression परिचय
4 घंटा
63.4K
प्रायिकता और सांख्यिकी में, असतत यादृच्छिक चरों के परिणाम की प्रायिकता को प्रायिकता द्रव्यमान फलन (PMF) से मापा जाता है, जबकि सतत चरों के लिए हम प्रायिकता घनत्व फलन (PDF) का उपयोग करते हैं।
चाहे सिक्का उछालना हो, उपकरण विफलताएँ हों, या किसी वेबपेज पर उपयोगकर्ता क्लिक—PMF हमें विभिन्न परिणामों की संभावना को मापने में मदद करता है।
प्रायिकता द्रव्यमान फलन को समझना
प्रायिकता द्रव्यमान फलन का सूत्र
गणितीय रूप से, असतत यादृच्छिक चर X का प्रायिकता द्रव्यमान फलन इस प्रकार परिभाषित होता है:
जहाँ:
- X एक असतत यादृच्छिक चर है,
- x वह मान है जो X ले सकता है,
- p(x) वह प्रायिकता है कि X का मान x हो।
एक वैध PMF के लिए दो महत्वपूर्ण शर्तें पूर्ण होनी चाहिए:
1. अऋणात्मकता
2. कुल प्रायिकता का मान एक होना चाहिए
ये शर्तें सुनिश्चित करती हैं कि सौंपी गई सभी प्रायिकताएँ तार्किक और गणितीय रूप से संगत हों। PMF, X के वितरण का पूर्ण वर्णन देता है, जिससे अपेक्षित मान, प्रसरण, और अन्य सांख्यिकीय माप निकाले जा सकते हैं।
परिभाषा और मुख्य गुण
PMF के कई परिभाषित गुण हैं जो इसे विशिष्ट बनाते हैं:
- असततता: PMF केवल असतत यादृच्छिक चरों पर लागू होता है, जो गिनने योग्य मान ग्रहण कर सकते हैं (जैसे 0, 1, 2, ...)।
- सामान्यीकरण: X के सभी संभव मानों पर PMF का योग ठीक 1 होना चाहिए।
- व्यक्तिगत प्रायिकता निर्धारण: प्रत्येक संभव मान x को एक विशिष्ट प्रायिकता p(x) सौंपी जाती है, जो उस विशेष परिणाम की संभावना को दर्शाती है।
उदाहरण के लिए, एक निष्पक्ष छह-पक्षीय पासा फेंकने के लिए PMF इस प्रकार है:
यहाँ 1 से 6 तक प्रत्येक मान के आने की संभावना समान है, और सभी प्रायिकताओं का योग 1 है।
प्रायिकता द्रव्यमान फलन बनाम प्रायिकता घनत्व फलन
आइए विस्तार से समझते हैं कि PMF और PDF में क्या अंतर है और वे क्रमशः असतत और सतत वितरणों का मॉडल कैसे बनाते हैं:
|
विशेषता |
PMF |
|
|
चर का प्रकार |
असतत |
सतत |
|
आउटपुट मान |
सटीक परिणाम की प्रायिकता: |
प्रायिकता घनत्व: |
|
योग नियम |
|
|
PMF उदाहरण
एक क्लासिक PMF उदाहरण लेते हैं: एक निष्पक्ष सिक्का उछालना (बर्नौली परीक्षण):
इसे बेहतर समझने के लिए Python में एक बर्नौली परीक्षण करते हैं।
import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5 # Probability of Heads
# PMF for a fair coin
x = [0, 1] # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)
# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()
PDF उदाहरण
यहाँ एक PDF उदाहरण है: किसी व्यक्ति की ऊँचाई मापना (सतत चर)।
PDF दिखा सकता है कि लगभग 170 सेमी के आसपास प्रायिकता घनत्व सबसे अधिक है, लेकिन किसी सटीक ऊँचाई की प्रायिकता तकनीकी रूप से 0 होती है।
फिर से, इसे एक कोड उदाहरण से समझते हैं।
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
# Parameters
mu = 170 # mean height
sigma = 10 # standard deviation
# Continuous range of heights
x = np.linspace(130, 210, 500)
pdf_values = norm.pdf(x, mu, sigma)
# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()
जहाँ PMF विशिष्ट परिणामों को वास्तविक प्रायिकताएँ देता है, वहीं PDF किसी अंतराल के भीतर परिणामों की सापेक्ष संभावना का वर्णन करता है।
PMF के साथ सामान्य असतत वितरण
असतत प्रायिकता वितरणों के सामान्य उदाहरण हैं: बर्नौली, द्विपद, ज्यामितीय, और पोआँसों वितरण। आइए प्रत्येक पर नज़र डालते हैं।
बर्नौली वितरण का PMF
बर्नौली वितरण एक एकल प्रयोग को मॉडल करता है जिसमें केवल दो संभावित परिणाम होते हैं: सफलता (1) और असफलता (0)।
जहाँ p सफलता की प्रायिकता है।
उदाहरण: एक निष्पक्ष सिक्का उछालना जहाँ सफलता = हेड्स:
द्विपद वितरण का PMF
द्विपद वितरण बर्नौली को अनेक परीक्षणों तक सामान्यीकृत करता है:
जहाँ:
- n स्वतंत्र परीक्षणों की संख्या है,
- p प्रत्येक परीक्षण में सफलता की प्रायिकता है,
- x सफलताओं की संख्या है।
एक उदाहरण है—उत्पादों के एक बैच में दोषपूर्ण वस्तुओं की गिनती करना।
ज्यामितीय वितरण का PMF
ज्यामितीय वितरण का उपयोग स्वतंत्र बर्नौली परीक्षणों में पहली सफलता से पहले विफलताओं की संख्या को मॉडल करने के लिए किया जाता है:
इसका एक सामान्य उदाहरण है—पहला हेड आने तक सिक्का उछालने की संख्या।
पोआँसों वितरण का PMF
पोआँसों वितरण किसी निश्चित समय या क्षेत्र के अंतराल में घटनाओं की संख्या को मॉडल करता है:
जहाँ λ प्रति अंतराल अपेक्षित घटनाओं की संख्या है।
उदाहरण: एक सेवा केंद्र पर प्रति घंटे आने वाले ग्राहकों की संख्या।
प्रायिकता द्रव्यमान फलनों का दृश्यांकन
PMF को बार चार्ट के रूप में दर्शाया जाता है, जहाँ:
- x-अक्ष यादृच्छिक चर के संभव मानों को दर्शाता है।
- y-अक्ष PMF द्वारा सौंपी गई प्रायिकता को दर्शाता है।
यहाँ एक उदाहरण तालिका है: एक निष्पक्ष पासा फेंकना
|
X |
1 |
2 |
3 |
4 |
5 |
6 |
|
P(X) |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |
यह समान PMF एक सपाट बार चार्ट के रूप में दिखाई देगा, जहाँ सभी परिणाम समान रूप से संभावित होते हैं।
ऐसे दृश्यों से यह आसान हो जाता है:
- वितरणों को सहज रूप से समझना,
- सापेक्ष प्रायिकताओं की तुलना करना,
- तिरछे या सममित वितरणों को पहचानना।
प्रायिकता द्रव्यमान फलनों के अनुप्रयोग
PMF का उपयोग कई क्षेत्रों में होता है:
सांख्यिकी
अपेक्षित मान की गणना के लिए:
और प्रसरण के लिए:
.
मशीन लर्निंग
वर्गीकरण एल्गोरिद्म (जैसे, Naive Bayes) में, PMF श्रेणीबद्ध विशेषताओं की संभावनाएँ दर्शाता है। Hidden Markov Models जैसे प्रायिकतामूलक मॉडलों में अवस्थांतरण और उत्सर्जन के लिए भी PMF पर निर्भरता होती है।
विश्वसनीयता इंजीनियरिंग
PMF किसी प्रणाली या घटक के किसी विशिष्ट समय चरण पर विफल होने की प्रायिकता निर्धारण में मदद करता है।
अर्थशास्त्र और वित्त
ऐसे बाज़ार परिदृश्य या निवेश परिणामों का मॉडल बनाना जहाँ परिणामों की संख्या सीमित और भिन्न-भिन्न हो।
बेयesian अनुमान
PMF असतत बेयesian मॉडलों में पूर्व-वितरण के रूप में कार्य करता है। जब नया प्रमाण देखा जाता है, तो पूर्व PMF अद्यतन होकर पश्च PMF बन जाता है, जिससे असतत समस्याओं के लिए बेयesian अद्यतन करना सरल हो जाता है।
यदि आप सापेक्षिक प्रायिकताओं के काम करने के तरीके के बारे में सीखना चाहते हैं, तो हमारा Conditional Probability: A Close Look ट्यूटोरियल देखें।
मोंटे कार्लो सिमुलेशन
PMF Monte Carlo सिमुलेशन में भी आवश्यक हैं, खासकर ऐसे सिस्टमों के लिए जिनमें असतत और प्रायिकतामूलक परिणाम होते हैं। ये सिमुलेशन किसी PMF से यादृच्छिक नमूना लेकर कई आवृत्तियों में किसी मॉडल के व्यवहार या प्रदर्शन का अनुमान लगाते हैं।
निष्कर्ष
प्रायिकता द्रव्यमान फलन, असतत यादृच्छिक चरों को मॉडल करने के लिए गणितीय ढांचा प्रदान करता है, जबकि PDF सतत चरों से संबंधित होता है। ये बुनियादी सिक्का उछाल से लेकर जटिल मशीन लर्निंग प्रणालियों तक, विभिन्न डोमेनों में सशक्त मॉडलिंग सक्षम करते हैं।
मुख्य बातें:
- PMF अऋणात्मक होते हैं और सभी संभव मानों पर इनका योग 1 होता है।
- ये असतत प्रायिकता वितरणों के रूप और विशेषताओं को परिभाषित करते हैं।
- PMF पारंपरिक सांख्यिकी से लेकर आधुनिक AI और वित्त तक विभिन्न अनुप्रयोगों में आवश्यक हैं।
- बेयesian अनुमान और मोंटे कार्लो विधियों में, PMF विश्वासों को अद्यतन करने और अनिश्चित प्रणालियों का सिमुलेशन करने के केंद्र में होते हैं।
जो लोग प्रायिकता सिद्धांत में और गहराई तक जाना चाहते हैं, वे संचयी वितरण फलन (CDF) और अपेक्षित मान की गणनाओं का अध्ययन करें—ये समझ को समृद्ध करेंगे कि अनिश्चितता को कैसे मापा और निर्णय-निर्माण में उपयोग किया जा सकता है। हमारे कोर्स देखें: