कदम-दर-कदम: रैंडम वॉक मॉडल की पड़ताल

कॉलेज में मेरे पहले कोडिंग-आधारित सांख्यिकी पाठ्यक्रम में, मेरे शिक्षक ने एक सवाल पूछा: पानी से भरी डिश में एक अकेले पराग कण की ब्राउनियन गति को हम कैसे मॉडल कर सकते हैं? कई गलत कोशिशों के बाद, मेरे सहपाठियों और मैंने अंततः सही उत्तर खोज लिया: एक रैंडम वॉक। बाद में मुझे पता चला कि यह सरल मॉडल जानवरों की गतिविधि से लेकर शेयर कीमतों के उतार-चढ़ाव तक, तरह-तरह की चीज़ों को मॉडल करने के लिए इस्तेमाल होता है।

इस लेख में, हम रैंडम वॉक के गणितीय आधारों की पड़ताल करेंगे, विभिन्न प्रकारों को समझेंगे, और उनके अनुप्रयोगों पर चर्चा करेंगे। रैंडम वॉक को रोचक बनाने वाली बातों में से एक यह है कि इसका इस्तेमाल अनेक विधाओं में होता है। मेरे उदाहरण के अलावा, भौतिकी में यह कणों की गति का वर्णन करता है; वित्त में यह शेयर कीमतों के उतार-चढ़ाव का मॉडल बनाता है; और जीव विज्ञान में यह जानवरों की गति के पैटर्न समझाता है। रैंडम वॉक वास्तविक दुनिया की अनिश्चितता को पकड़ते हैं, जो स्टोकेस्टिक प्रक्रियाओं का सिमुलेशन करने के लिए अहम है।

जो लोग रैंडम वॉक सिद्धांत की नींव बनने वाली सांख्यिकी में मजबूत आधार बनाना चाहते हैं, वे Introduction to Statistics in R कोर्स या Introduction to Statistics in Python कोर्स से शुरुआत करें।

रैंडम वॉक क्या हैं?

प्रायिकता सिद्धांत में, रैंडम वॉक एक ऐसा मॉडल है जो यादृच्छिक कदमों के अनुक्रम से बनने वाले पथ का वर्णन करता है। या यूं कहें कि रैंडम वॉक एक गणितीय मॉडल है जो ऐसे मार्ग को दर्शाता है जो स्वतंत्र रूप से निर्धारित और किसी निश्चित प्रायिकता के साथ लिए गए कदमों के क्रम से बनता है। यही स्टोकेस्टिसिटी रैंडम वॉक को मूलतः अप्रत्याशित बनाती है।

कल्पना कीजिए कि कोई व्यक्ति हर क्षण एक यादृच्छिक दिशा में कदम रख रहा है। समय के साथ उसका मार्ग एक अनिश्चित, टेढ़ा-मेढ़ा निशान बनाता है। अपनी सादगी के बावजूद, यह अवधारणा चौंकाने वाली गहराई और बहुमुखता रखती है, और यादृच्छिकता से जुड़े अनेक वास्तविक परिदृश्यों का मॉडल बनाती है।

रैंडम वॉक की वैचारिक व्याख्या। चित्र सौजन्य: napkin.ai.

रैंडम वॉक का विचार शुरुआती प्रायिकता अध्ययनों तक जाता है। सबसे पुराने उदाहरणों में से एक, जिसे अक्सर नशे में धुत व्यक्ति की चाल कहा जाता है, दिखाता है कि यादृच्छिक रूप से कदम रखने वाला व्यक्ति लक्ष्य की ओर पूर्वानुमेय तरीके से बढ़ने के बजाय अनियमित रूप से भटकेगा। यह यादृच्छिकता, साथ ही यह धारणा कि हर कदम पिछले कदमों से स्वतंत्र है, आधुनिक रैंडम वॉक मॉडलों की नींव बनी।

रैंडम वॉक का गणित समझना

रैंडम वॉक को समझने के लिए, एक सरल मामले से शुरुआत करें: एक-आयामी (1D) रैंडम वॉक। एक संख्या रेखा पर एक कण की कल्पना कीजिए। वह हर कदम पर संख्या रेखा के साथ +1 या -1 चल सकता है। हर चाल में दाएं या बाएं कदम रखने की समान प्रायिकता होती है। समय के साथ, कण की स्थिति एक ऐसी प्रायिकता वितरण बनाती है जो फैलती जाती है, जो विभिन्न स्थानों पर उसे मिलने की संभावना का प्रतिनिधित्व करती है।

यह सिद्धांत दो या तीन आयामों तक फैलाया जा सकता है। दो-आयामी (2D) रैंडम वॉक में, कण समतल पर चलता है और चारों दिशाओं (ऊपर, नीचे, बाएं, दाएं) में समान प्रायिकता से कदम रख सकता है। इसी तरह, तीन-आयामी (3D) रैंडम वॉक में, कण अंतरिक्ष में चलता है और छह संभावित दिशाओं (ऊपर, नीचे, बाएं, दाएं, आगे, पीछे) में समान प्रायिकता से कदम रख सकता है। ये उच्च-आयामी रैंडम वॉक और भी जटिल और यथार्थपरक परिदृश्यों को पकड़ते हैं।

रैंडम वॉक की एक परिभाषक विशेषता उनका स्टोकेस्टिक स्वभाव है, यानी हर कदम केवल वर्तमान स्थिति पर निर्भर करता है, न कि पिछले कदमों पर। इससे वे मार्कोव प्रक्रिया का एक प्रकार बनते हैं—एक गणितीय अवधारणा जिसमें भविष्य की अवस्था केवल वर्तमान अवस्था पर निर्भर करती है, उससे पहले हुई घटनाओं के क्रम पर नहीं। यह "स्मृतिहीन" गति, संभावित स्थितियों का वर्णन करने वाले प्रायिकता वितरणों के साथ मिलकर, रैंडम वॉक को समझने के लिए ठोस गणितीय आधार देती है।

हम समय के साथ रैंडम वॉक के व्यवहार को समझने के लिए सांख्यिकीय गुणों का उपयोग करके उनका विश्लेषण कर सकते हैं। इसमें प्रारंभिक बिंदु से अपेक्षित दूरी, संभावित स्थितियों के प्रायिकता वितरण, और मूल बिंदु पर लौटने की संभावना जैसे पहलुओं की जांच शामिल है। ये विश्लेषण हमें यादृच्छिकता और पूर्वानुमेयता को परिमाणित करने, पैटर्नों में अंतर्दृष्टि पाने और पूर्वानुमान लगाने में मदद करते हैं।

रैंडम वॉक के प्रमुख गुण

रैंडम वॉक के कई महत्वपूर्ण गुण होते हैं जो उनके व्यवहार और अनुप्रयोगों को समझने में मदद करते हैं। यहाँ कुछ मुख्य पहलू दिए गए हैं:

अपेक्षा और विचरण

एक-आयामी रैंडम वॉक में, हम समय के साथ प्रारंभिक बिंदु से अपेक्षित दूरी (या औसत स्थिति) की गणना कर सकते हैं। यदि हर कदम के बाएं या दाएं जाने की समान प्रायिकता है, तो कई कदमों के बाद अपेक्षित स्थिति शून्य ही रहती है, यानी औसतन, वॉकर प्रारंभिक बिंदु के आसपास ही रहता है।

हालाँकि, स्थिति का विचरण, जो संभावित स्थितियों के फैलाव को मापता है, हर कदम के साथ बढ़ता है। विशेष रूप से, एक सममित रैंडम वॉक में, विचरण कदमों की संख्या के साथ रैखिक रूप से बढ़ता है, जो समय के साथ मूल बिंदु से सामान्य दूरी का एक उपयोगी संकेतक बनता है।

स्वतः सहसम्बंध

जहाँ सरल रैंडम वॉक में कदमों के बीच कोई सहसम्बंध नहीं होता (हर कदम पिछले से स्वतंत्र होता है), वहीं कुछ प्रकार के रैंडम वॉक में स्वतः सहसम्बंध आता है, जहाँ पिछले कदम भविष्य के कदमों को प्रभावित कर सकते हैं। उदाहरण के लिए, पूर्वाग्रही (बायस्ड) रैंडम वॉक में कदमों की किसी एक दिशा में हल्की प्रवृत्ति हो सकती है, जिससे स्थितियाँ कुछ अधिक पूर्वानुमेय हो जाती हैं।

किसी रैंडम वॉक में स्वतः सहसम्बंध इस बात को प्रभावित करता है कि हम उसकी प्रगति का मॉडल और पूर्वानुमान कैसे करें। यह विशेष रूप से उन अनुप्रयोगों में प्रासंगिक है जहाँ अतीत का व्यवहार भविष्य के कदमों को प्रभावित करता है, जैसे कुछ वित्तीय मॉडल।

केन्द्रीय सीमा प्रमेय

केन्द्रीय सीमा प्रमेय (CLT) बताता है कि बड़ी संख्या में स्वतंत्र यादृच्छिक चर का योग, मूल वितरण चाहे जो हो, प्रायः एक सामान्य (या Gaussian) वितरण का अनुसरण करता है। रैंडम वॉक के संदर्भ में, इसका मतलब है कि जैसे-जैसे कदमों की संख्या बढ़ती है, स्थितियों का वितरण सामान्य वितरण जैसा दिखने लगता है। यह एक उपयोगी गुण है क्योंकि इससे हम वॉकर के प्रारंभिक बिंदु से कुछ निश्चित दूरियों पर मिलने की प्रायिकता का सन्निकटन कर सकते हैं।

बड़े संख्याओं का नियम

बड़े संख्याओं का नियम (LLN) बताता है कि जैसे-जैसे परीक्षणों या कदमों की संख्या बढ़ती है, परिणामों का औसत वास्तविक औसत के निकट पहुँचता है। रैंडम वॉक के लिए, इसका मतलब है कि जबकि औसत स्थिति शून्य रहती है, संभावित स्थितियों का विचरण और परास हर अतिरिक्त कदम के साथ पूर्वानुमेय ढंग से बढ़ते हैं। यह सिद्धांत शुद्ध यादृच्छिकता और बड़े नमूनों में पूर्वानुमेय सांख्यिकीय पैटर्न के बीच सेतु का काम करता है।

रैंडम वॉक के प्रकार

हर कदम को नियंत्रित करने वाले नियमों पर निर्भर करते हुए रैंडम वॉक व्यापक रूप से भिन्न हो सकते हैं। ये प्रकार इस बात को प्रभावित करते हैं कि वॉक कैसे व्यवहार करता है। कुछ सरल या संरचित परिवेश के लिए बने हैं, जबकि कुछ अधिक जटिल, वास्तविक दुनिया की घटनाओं के लिए उपयुक्त हैं। आइए रैंडम वॉक के कुछ सबसे आम प्रकारों का अन्वेषण करें।

1D, 2D, और 3D रैंडम वॉक

किसी रैंडम वॉक की आयामिकता उसके व्यवहार में बुनियादी भूमिका निभाती है। 1D रैंडम वॉक में, हर कदम रेखा के साथ आगे या पीछे की ओर होता है। यह वॉक को तुलनात्मक रूप से मॉडल और पूर्वानुमानित करना आसान बनाता है।

हालाँकि, 2D (समतल) और 3D (अंतरिक्ष) वॉक की ओर बढ़ते ही संभावित रास्ते काफी बढ़ जाते हैं, जिससे नया व्यवहार उभरता है। उदाहरण के लिए, 2D रैंडम वॉक में प्रारंभिक बिंदु पर लौटने की संभावना ऊँची रहती है, जबकि 3D रैंडम वॉक में यह संभावना घट जाती है।

यह परिवर्तन भौतिकी और रसायन विज्ञान जैसे क्षेत्रों में महत्वपूर्ण है, जहाँ कण आयामी बाधाओं के अनुसार अलग-अलग तरीके से प्रसरण कर सकते हैं।

लैटिस रैंडम वॉक

लैटिस रैंडम वॉक में गति किसी ग्रिड या लैटिस के पृथक बिंदुओं तक सीमित होती है। इस प्रकार का वॉक भौतिकी और नेटवर्क सिद्धांत में आम है, जहाँ नोड्स ग्रिड में व्यवस्थित होते हैं, और गति केवल पड़ोसी नोड्स तक ही हो सकती है।

एक सामान्य उदाहरण 2D लैटिस है, जहाँ प्रत्येक कदम कार्तीय ग्रिड पर आसन्न बिंदुओं तक गति की अनुमति देता है। यह बाधा गति के रास्तों को सीमित करके मॉडलिंग को सरल बनाती है, जो जटिल नेटवर्क या आणविक संरचनाओं का सिमुलेशन करते समय उपयोगी होती है।

गॉसियन रैंडम वॉक

गॉसियन रैंडम वॉक में, प्रत्येक कदम का आकार गॉसियन (या सामान्य) वितरण द्वारा निर्धारित होता है। निश्चित दूरी से चलने के बजाय, कदम का आकार घंटी के आकार के वितरण के अनुसार बदलता है—अधिकांश कदम छोटे होते हैं और कभी-कभी बड़े उछाल भी आते हैं। इस प्रकार का वॉक वित्तीय मॉडलिंग में अक्सर संपत्ति मूल्य परिवर्तनों की परिवर्तनशीलता को दर्शाने के लिए उपयोग किया जाता है।

विषमजात और पूर्वाग्रही रैंडम वॉक

विषमजात और पूर्वाग्रही रैंडम वॉक में कुछ प्रायिकताओं के आधार पर कदम की दिशा और आकार में भिन्नता की अनुमति होती है। यह लचीलापन उन्हें वास्तविक दुनिया के परिदृश्यों के लिए अधिक अनुकूल बनाता है।

विषमजात रैंडम वॉक में, किसी भी दिशा में चलने की प्रायिकता स्थान या बाहरी परिस्थितियों के आधार पर बदल सकती है। उदाहरण के लिए, भोजन की तलाश में जानवर ज्ञात संसाधनों वाले क्षेत्रों को प्राथमिकता दे सकते हैं, जिससे पूर्वाग्रही रैंडम वॉक बनता है। ऐसे वॉक उन व्यवहारों के अध्ययन में उपयोगी हैं जो संदर्भगत कारकों पर निर्भर करते हैं।

ड्रिफ्ट के साथ रैंडम वॉक

ड्रिफ्ट के साथ रैंडम वॉक में किसी एक दिशा में निरंतर झुकाव होता है। उदाहरण के लिए, दैनिक उतार-चढ़ाव के बावजूद, समय के साथ शेयर कीमतों में समग्र ऊर्ध्वमुखी रुझान दिख सकता है। ऐसे वॉक में ड्रिफ्ट उस बाहरी बल या प्रवृत्ति का प्रतिनिधित्व करता है जो मार्ग को प्रभावित कर रहा है। यह प्रकार वित्त में अक्सर देखा जाता है, जहाँ मॉडल वृद्धि या गिरावट को दर्शाने के लिए ड्रिफ्ट पद शामिल करते हैं, जिससे संपत्ति कीमतों और बाजार रुझानों का अधिक यथार्थवादी पूर्वानुमान संभव होता है।

रैंडम वॉक के इन प्रत्येक प्रकारों का अपना विशिष्ट उद्देश्य है, जो यादृच्छिक लेकिन संरचित व्यवहार का मॉडल बनाने के अलग-अलग तरीके प्रदान करते हैं। आयामी बाधाएँ, कदमों का वितरण, और ड्रिफ्ट या बायस की उपस्थिति रैंडम वॉक को विभिन्न क्षेत्रों में डेटा मॉडलिंग और सिमुलेशन के लिए अत्यंत बहुपयोगी बनाती है।

रैंडम वॉक के वास्तविक-world अनुप्रयोग

रैंडम वॉक केवल सैद्धांतिक संरचनाएँ नहीं हैं; वे कई विषयों में व्यावहारिक अनुप्रयोगों में अहम भूमिका निभाते हैं। आइए देखें कि रैंडम वॉक अलग-अलग क्षेत्रों में वास्तविक समस्याओं को सुलझाने में कैसे सहायक हैं।

डेटा साइंस और मशीन लर्निंग में अनुप्रयोग

कंप्यूटर विज्ञान

रैंडम वॉक कई कंप्यूटर विज्ञान एल्गोरिद्म की नींव हैं, जैसे रैंडम सैंपलिंग, वेब ग्राफ ट्रैवर्सल, और इमेज सेगमेंटेशन। उदाहरण के लिए, Google का PageRank एल्गोरिद्म वेब पेजों की प्रासंगिकता के आधार पर रैंकिंग के लिए रैंडम वॉक का उपयोग करता था, जो यह सिमुलेट करता है कि कोई उपयोगकर्ता इंटरनेट पर लिंक्स के बीच यादृच्छिक रूप से कैसे नेविगेट कर सकता है।

फीचर निष्कर्षण

मशीन लर्निंग में, रैंडम वॉक डेटा बिंदुओं के भीतर संबंधों को उजागर करके फीचर निकालने में मदद कर सकते हैं। उदाहरण के लिए, नेटवर्क विश्लेषण में, रैंडम वॉक क्लस्टर या समुदायों का पता लगा सकते हैं, जो अनुशंसा प्रणालियों और सोशल नेटवर्क विश्लेषण जैसे कार्यों में सहायक होता है।

विसंगति पहचान

रैंडम वॉक का उपयोग डेटासेट्स में विसंगतियों का पता लगाने के लिए भी किया जा सकता है। उदाहरण के लिए, यदि डेटा बिंदु किसी रैंडम वॉक मॉडल में सामान्य पथ से काफी हटते हैं, तो ये बिंदु असामान्य घटनाओं या डेटा में त्रुटियों का संकेत दे सकते हैं। विसंगति पहचान विशेष रूप से साइबर सुरक्षा और धोखाधड़ी पहचान जैसे क्षेत्रों में मूल्यवान है।

स्टोकेस्टिक प्रक्रियाओं का सिमुलेशन

रैंडम वॉक स्टोकेस्टिक, या यादृच्छिक रूप से निर्धारित, प्रक्रियाओं का सिमुलेशन करते हैं, जिससे डेटा वैज्ञानिकों को अप्रत्याशित वास्तविक-विश्व घटनाओं का मॉडल बनाने की सुविधा मिलती है। रैंडम वॉक के सिमुलेशन द्वारा, हम ऐसे तंत्रों में अंतर्दृष्टि प्राप्त कर सकते हैं जहाँ सटीक पूर्वानुमान चुनौतीपूर्ण होता है, जैसे मौसम के पैटर्न या ग्राहक व्यवहार।

टाइम सीरीज़ पूर्वानुमान

टाइम-सीरीज़ विश्लेषण में, रैंडम वॉक कुछ पूर्वानुमान मॉडलों का आधार बनते हैं, जिनमें वित्त में रैंडम वॉक परिकल्पना शामिल है। ये मॉडल मानते हैं कि टाइम सीरीज़ के भविष्य के मान केवल हाल के मान पर निर्भर करते हैं, पिछले रुझानों से कोई सहसम्बंध नहीं होता। टाइम सीरीज़ पूर्वानुमान पर अधिक जानकारी के लिए देखें ARIMA for Time Series Forecasting: A Complete Guide। साथ ही, प्रोफेसर Hyndman के साथ हमारा Forecasting in R कोर्स लें, जो रैंडम वॉक मॉडलों को naive और seasonal naive पूर्वानुमान विधियों से जोड़ते हैं।

अन्य क्षेत्रों में अनुप्रयोग

वित्त

रैंडम वॉक का सबसे उल्लेखनीय उपयोग वित्तीय मॉडलिंग में होता है, खासकर शेयर कीमतों के पूर्वानुमान के लिए। कुशल बाजार परिकल्पना बताती है कि शेयर कीमतों की चाल मूलतः यादृच्छिक होती है, क्योंकि नई जानकारी तुरंत समाहित हो जाती है, जिससे भविष्य की कीमतें अप्रत्याशित रहती हैं। रैंडम वॉक समय के साथ शेयर कीमतों में होने वाले बदलावों का मॉडल बना सकते हैं, यह दर्शाते हुए कि कीमतें बिना किसी पूर्वानुमेय पथ के उतार-चढ़ाव करती हैं।

गणित

शुद्ध गणित में, रैंडम वॉक जटिल समस्याओं के समाधान प्रदान करते हैं। उदाहरण के लिए, ये लाप्लास समीकरण के समाधान, नेटवर्क विश्लेषण, और संयोजनशास्त्र की पड़ताल में उपयोगी हैं।

भौतिकी और रसायन विज्ञान

भौतिक विज्ञानों में, रैंडम वॉक प्रसरण प्रक्रियाओं का मॉडल बनाने के लिए महत्वपूर्ण हैं, जैसे अणु किसी माध्यम में कैसे फैलते हैं। ब्राउनियन गति, जिसमें द्रव में निलंबित कण आसपास के अणुओं से टक्करों के कारण अप्रत्याशित रूप से चलते हैं, एक क्लासिक उदाहरण है जिसे रैंडम वॉक का उपयोग करके सटीक रूप से सिमुलेट किया जा सकता है। वास्तव में, मैंने खुद रैंडम वॉक के बारे में पहली बार इसी तरह सीखा था।

जीव विज्ञान

पारिस्थितिकी में, रैंडम वॉक जानवरों की गति के पैटर्न का अध्ययन करने में मूल्यवान हैं। संसाधनों की तलाश में निकले जानवर कभी-कभी रैंडम वॉक की तरह चलते दिखते हैं, जो ज्ञात संसाधन क्षेत्रों की ओर पूर्वाग्रहित हो सकते हैं। अन्य जैविक अवधारणाएँ, जैसे आबादियों या जीनों का प्रसार, अक्सर रैंडम वॉक सिद्धांतों से मॉडल किए जा सकते हैं, जिससे पारिस्थितिक तंत्रों के भीतर बदलावों को समझना और उनका पूर्वानुमान लगाना आसान हो जाता है।

रैंडम वॉक के विशेष मामले और रूपांतर

शास्त्रीय रैंडम वॉक के अलावा, कई उन्नत रूपांतरण इस अवधारणा को विशेष अनुप्रयोगों के अनुरूप विस्तार देते हैं।

स्वयं-परिहारक (Self-avoiding) वॉक

स्वयं-परिहारक वॉक वह रैंडम वॉक है जिसमें मार्ग पहले से गुजरी किसी भी स्थिति पर दोबारा नहीं जाता। यह रूपांतर विशेष रूप से बहुलक (पॉलीमर) रसायन में उपयोगी है, जहाँ यह दिखा सकता है कि बहुलक शृंखलाएँ अपने आप से क्रॉसिंग किए बिना कैसे बनती हैं। चूँकि हर कदम पहले से देखे गए बिंदुओं से बचता है, स्वयं-परिहारक वॉक पारंपरिक रैंडम वॉक की तुलना में अधिक सीमित होती है। इसका अर्थ है कि ये संगणकीय रूप से चुनौतीपूर्ण हैं, लेकिन सीमित स्थानों में गैर-अतिरिक्त मार्गों को समझने के लिए उपयोगी हैं।

शाखीय (Branching)

शाखीय रैंडम वॉक में, मार्ग कई शाखाओं में बँट सकता है, और प्रत्येक शाखा एक रैंडम वॉक का अनुसरण करती है। इस प्रकार का वॉक शाखित प्रक्रियाओं, जैसे कोशिका विभाजन या नेटवर्क के माध्यम से सूचना के प्रसार, का मॉडल बनाने में सहायक है। प्रत्येक "शाखा" एक सामान्य स्रोत से निकलने वाला स्वतंत्र रैंडम मार्ग दर्शाती है।

सहसंबद्ध वॉक

सह-संबद्ध वॉक इस अवधारणा को एक कदम आगे ले जाती है, जहाँ हर कदम की दिशा आंशिक रूप से पिछले कदम से प्रभावित होती है। यह प्रकार उन प्रणालियों में जड़ता का मॉडल बनाने के लिए उपयोगी है जहाँ परिवर्तन यादृच्छिक रूप से नहीं, बल्कि धीरे-धीरे होते हैं। सह-संबद्ध वॉक का उपयोग अक्सर वित्त में मूल्य प्रवृत्तियों का सिमुलेशन करने या मूवमेंट इकोलॉजी में यह समझने के लिए किया जाता है कि जानवर अपने पिछले दिशा-स्मृति के साथ अपने परिवेश में कैसे मार्ग ढूंढते हैं।

लूप-इरेज़्ड वॉक

लूप-इरेज़्ड वॉक वह प्रकार है जिसमें जैसे ही लूप—या स्वयं को काटने वाले पथ—बनते हैं, उन्हें हटा दिया जाता है। जब भी कोई कदम किसी स्थान पर दोबारा आता है, तो बीच के लूप को मिटा दिया जाता है, और एक सुव्यवस्थित, गैर-दोहरावदार पथ शेष रहता है। लूप-इरेज़्ड वॉक का उपयोग आमतौर पर नेटवर्क विश्लेषण और भूलभुलैया निर्माण एल्गोरिदम में किया जाता है क्योंकि ये अनावश्यकता से बचने वाले पथ बनाते हैं।

Python में रैंडम वॉक लागू करना

आइए Python में एक रैंडम वॉक लागू करके देखें। शुरू करने के लिए सुनिश्चित करें कि आपके पास Python इंस्टॉल है (हम Python 3.10 का उपयोग करेंगे) और आवश्यक लाइब्रेरी उपलब्ध हैं। आप pip का उपयोग करके कोई भी कमी वाली लाइब्रेरी इंस्टॉल कर सकते हैं। हम यह उपयोग करेंगे:

import numpy as np # for numerical operations and generating random steps
import matplotlib.pyplot as plt # for plotting and visualizing the random walks

1D रैंडम वॉक

हम एक सरल एक-आयामी रैंडम वॉक से शुरू करेंगे, जहाँ हर कदम यादृच्छिक रूप से चुना गया +1 या -1 होता है।

# Parameters
n_steps = 100  # Number of steps

# Generate random steps: +1 or -1
steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
positions = np.cumsum(steps)

# Plot the random walk
plt.figure(figsize=(10, 6))
plt.plot(positions, marker='o', linestyle='-', markersize=4)
plt.title("1D Random Walk")
plt.xlabel("Step")
plt.ylabel("Position")
plt.grid(True)
plt.show()

यह एक सरल रैंडम वॉक बनाता है और समय के साथ उसकी प्रगति को दर्शाता है। जब मैं यह कोड चलाता हूँ तो आउटपुट कुछ ऐसा दिखता है:

ध्यान रखें, हम एक स्टोकेस्टिक मॉडल चला रहे हैं। इसका मतलब है कि हर बार रन करने पर आउटपुट थोड़ा अलग दिखेगा।

2D रैंडम वॉक

अब रैंडम वॉक को दो आयामों तक बढ़ाते हैं। हर कदम पर दिशा यादृच्छिक रूप से चुनी जाएगी।

# Parameters
n_steps = 500

# Generate random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps)
y_steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()

यह कोड दो आयामों में एक आकर्षक पथ बनाता है।

इस प्रकार के द्वि-आयामी रैंडम वॉक को कण गति या स्थानिक मॉडलिंग जैसी अनुप्रयोगों के अनुकूल संशोधित किया जा सकता है।

बायस्ड रैंडम वॉक

अंत में, एक थोड़ा अधिक जटिल उदाहरण देखते हैं: बायस्ड रैंडम वॉक। बायस लाने के लिए, हम हर कदम की दिशा की संभावनाओं को समायोजित कर सकते हैं। उदाहरण के लिए, ऊपर की ओर कदमों को अधिक संभावित बना सकते हैं।

# Parameters
n_steps = 100
bias = 0.7  # Probability of stepping +1

# Generate biased random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])
y_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the biased 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("Biased 2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()

बायस बदलकर, आप देख सकते हैं कि वॉक किसी विशेष दिशा को कैसे तरजीह देने लगती है—वास्तविक दुनिया के परिदृश्यों जैसे स्टॉक कीमतों में ड्रिफ्ट या जानवरों के प्रवासन पैटर्न का सिमुलेशन करते हुए।

यदि हम बायस पैरामीटर को 0.55 कर दें, तो आप देखेंगे कि मॉडल के व्यवहार में उल्लेखनीय अंतर आता है। जबकि अब भी ऊपर जाने की प्रवृत्ति है, बायस इतना मजबूत नहीं है, जिससे अधिक लूप और घुमावदार रास्ते बनते हैं।

निष्कर्ष

रैंडम वॉक डेटा वैज्ञानिकों के लिए एक मूल्यवान मॉडलिंग टूल है, जिसका उपयोग भौतिकी से लेकर वित्त तक कई क्षेत्रों में होता है। जटिल, स्टोकेस्टिक प्रक्रियाओं का मॉडल बनाने की उनकी क्षमता उन्हें अनेक वास्तविक-world परिदृश्यों में अपरिहार्य बनाती है।

और सीखना चाहते हैं? DataCamp के प्रायिकता और सांख्यिकी पाठ्यक्रम देखें। आपको Python और R—दोनों में बेहतरीन कोर्स मिलेंगे। यदि आप अधिक उन्नत सामग्री में रुचि रखते हैं, तो DataCamp का Statistical Simulation in Python कोर्स और Introduction to Machine Learning ट्यूटोरियल देखें। या यदि आप अपना ज्ञान परखने के लिए तैयार हैं, तो ये probability puzzles हल करें।