ਹੱਲ - ਮਾਨਕ ਨਾਰਮਲ ਵੰਡਣ ਦੀ ਸੰਭਵਤਾ

ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਮਹੱਤਵਪੂਰਣ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਡਰਾਈਵਰ ਇਸਨੂੰ ਕੁਦਰਤ 'ਚ ਅਕਸਰ ਡੇਖਦੇ ਹਾਂ। ਐਅਸੇਲ ਆਪਣੇ ਵੱਖ ਵੱਖ ਨਾਪ ਜਿਵੇਂ ਕਿ ਸ਼ੇਰੀਰਕ ਉਚਾਈ, ਖੂਨ ਦਾ ਦਬਾਅ ਜਾਂ ਐੱਕਊ ਸਕੋਰਜ਼ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ। ਇਹ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਨੂੰ ਪਾਲਣਾ ਕਰਦੇ ਹਨ।

ਅਸੀਂ ਮਨੋਵਿਗ੍ਯਾਨ 'ਚ ਬਹੁਤ ਸਾਰੇ ਨਾਰਮਲੀ ਵੰਡੀਤ ਚਲੋ ਨੂੰ ਵੇਖਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਪੜ੍ਹਾਈ ਦੀ ਯੋਗਤਾ, ਅੰਤਰਮੁਖੀਆਂ ਜਾਂ ਨੌਕਰੀ ਦੀ ਸ਼ੇਰੀਰੀ ਸੰਤੁੱਲਣ। ਨਿਵੇਸ਼ਨ 'ਚ, ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਸੰਪਤੀ ਦੇ ਵਰਗ Nexta ਦਜ਼ਪਾਉ ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਵੰਡੀਦਾਰ ਸਿਰਫ਼ ਲਗਭਗ ਨਾਰਮਲ ਹੁੰਦੀ ਹੈ, ਪਰ ਇਹ ਬਹੁਤ ਕਰੀਬ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਨਾਰਮਲ ਮਾਨ ਸਕਦੇ ਹਾਂ।

ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਨਾਲ ਕੰਮ ਕਰਨਾ ਸੌਖਾ ਹੁੰਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਅੰਕੜਾਵਾਂ ਆਲੋਚਨ ਇਸ ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ। ਮਹੱਤਵਪੂਰਣ ਤੌਰ 'ਤੇ, ਇਹ ਪ੍ਰਯੋਗ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ ਜਦੋਂ ਕਿ ਵੰਡੀਦਾਰੀ ਸਿਰਫ ਲਗਭਗ ਨਾਰਮਲ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇ ਇਕ ਸੇਟ ਦਾ ਔਸਤ ਅਤੇ ਮਾਨਕ ਵਿਚੇਦਨ ਪਤਾ ਲਗਾਅ, ਅਤੇ ਸੇਟ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਨੂੰ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਅਸੀਂ ਇਹ ਸੌਖੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤੀਲਾਂ ਅਤੇ ਕੱਚੇ ਸਕੋਰਜ਼ ਵਿਚ ਬਦਲ ਸਕਦੇ ਹਾਂ।

ਕੋਈ ਵੀ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਨੂੰ ਮਿਆਰੀ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਤੇ ਸਥਿਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਦੋ ਜਾਂ ਤੋਂ ਵੱਧ ਅਲਗ ਡਾਟਾ ਸੇਟਾਂ ਨੂੰ ਤੁਲਣਾ ਕਰ ਸਕਦੇ ਹਾਂ। ਮਿਆਰੀ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਦੇ ਰਾਹੀਂ, ਅਸੀਂ ਨਾਰਮਲ ਵੰਡੀਦਾਰੀ ਵਿੱਚ ਘਟਨਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਆਨੁਮਾਨਿਕ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਰਾਹ, ਅਸੀਂ ਆਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਾਂ ਕਿ ਇੱਕ ਵਿਅਕਤੀ ਕਿੰਨਾ ਲੰਬਾ ਹੋਵੇਗਾ, ਸੰਘਾਸਰੂਪ।