Skip to main content

ଗଣିତ

ଦ୍ୱୈଧ ବଣ୍ଟନ ଗଣଣାକାରୀ

📊Binomial Distribution Calculator

କ'ଣ Binomial Distribution?

▾

ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ହେଉଛି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ସ୍ independent ାଧୀନ ହଁ-କିମ୍ବା-କ trial ଣସି ପରୀକ୍ଷଣରେ କେତେ ସଫଳତା ଘଟେ ତାହା ଗଣିବା ପାଇଁ ମାନକ ସମ୍ଭାବ୍ୟତା ମଡେଲ୍ ଅଟେ ଯେତେବେଳେ ସଫଳତା ସମ୍ଭାବନା ସ୍ଥିର ରହିଥାଏ | ସେହି ବାକ୍ୟଟି ଯାନ୍ତ୍ରିକ ଶବ୍ଦ କରେ, କିନ୍ତୁ ଧାରଣା ଅନେକ ସାଧାରଣ ସେଟିଙ୍ଗରେ ଦେଖାଯାଏ | 10 ମୁଦ୍ରା ଫ୍ଲିପ୍‌ରେ କେତେ ମୁଣ୍ଡ ଦେଖାଯାଏ? 20 ଟି ଆଇଟମ୍ ନମୁନାରେ କେତେ ତ୍ରୁଟିପୂର୍ଣ୍ଣ ଅଂଶ ଦେଖାଯାଏ? ଯଦି ପ୍ରତ୍ୟେକଙ୍କର ସମାନ ପ୍ରତିକ୍ରିୟା ସୁଯୋଗ ଥାଏ ତେବେ କେତେ ଗ୍ରାହକ ଏକ ଅଭିଯାନକୁ ପ୍ରତିକ୍ରିୟା କରନ୍ତି? ଯଦି ଧାରଣା ଧରାଯାଏ ତେବେ ସେହି ସମସ୍ତ ଦ୍ୱି-ଶ style ଳୀ ପ୍ରଶ୍ନ | ଏହି ବଣ୍ଟନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଏହା ସଠିକ ଗଣନାକୁ ସମ୍ଭାବ୍ୟତା ସହିତ ସଂଯୋଗ କରେ | ଗୋଟିଏ ଘଟଣା ଘଟେ କି ନାହିଁ ପଚାରିବା ପରିବର୍ତ୍ତେ, ଏହା ପଚାରିଥାଏ ଯେ ସଫଳତାର ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ ଗଣନା, 0 ରୁ n ପର୍ଯ୍ୟନ୍ତ | ଛାତ୍ରମାନେ ଏହାକୁ ପରିସଂଖ୍ୟାନ ପାଠ୍ୟକ୍ରମରେ ବ୍ୟବହାର କରନ୍ତି, ଅନୁସନ୍ଧାନକାରୀମାନେ ଏହାକୁ ବାଇନାରୀ-ଫଳାଫଳ ଅଧ୍ୟୟନ ପାଇଁ ବ୍ୟବହାର କରନ୍ତି, ନିର୍ମାତାମାନେ ଏହାକୁ ଗୁଣାତ୍ମକ ନିୟନ୍ତ୍ରଣରେ ବ୍ୟବହାର କରନ୍ତି, ଏବଂ ବିଶ୍ଳେଷକମାନେ ଏହାକୁ ବ୍ୟବହାର କରନ୍ତି ଯେତେବେଳେ ଫଳାଫଳଗୁଡିକ ସ୍ natural ାଭାବିକ ଭାବରେ ସଫଳତା କିମ୍ବା ବିଫଳତା ବୋଲି କୁହାଯାଇପାରେ | ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ମଧ୍ୟ ଭିତ୍ତିପ୍ରସ୍ତର ଅଟେ କାରଣ ଏହାର ଅର୍ଥ ଏବଂ ଭିନ୍ନତା ସରଳ, ଏହାର ଆକାର p ପରିବର୍ତ୍ତନ ହେବା ସହିତ ଅନ୍ତର୍ନିହିତ ଉପାୟରେ ପରିବର୍ତ୍ତନ ହୁଏ, ଏବଂ ଏହା ସ୍ natural ାଭାବିକ ଭାବରେ ସାଧାରଣ ଆନୁମାନିକତା ଏବଂ ହାଇପୋଥେସିସ୍ ପରୀକ୍ଷଣ ପରି ଧାରଣାକୁ ନେଇଯାଏ | ଏକ କାଲକୁଲେଟର ବିଶେଷ ଭାବରେ ସହାୟକ ହୋଇଥାଏ କାରଣ ସଠିକ୍ ସମ୍ଭାବନାଗୁଡିକ ମିଶ୍ରଣ ଗଣନା ଏବଂ ଏକ୍ସପୋନ୍ସନ୍ ଶବ୍ଦ ଆବଶ୍ୟକ କରେ ଯାହା ହାତରେ କଷ୍ଟଦାୟକ ହୋଇଯାଏ | ଅନୁମାନ ଯୁକ୍ତିଯୁକ୍ତ ହେଲେ ଆଉଟପୁଟ୍ ବ valid ଧ ଅଟେ, ତେଣୁ ସେହି ଅନୁମାନଗୁଡ଼ିକୁ ବୁ understanding ିବା ସଂଖ୍ୟାକୁ ପାଇବା ଭଳି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |

PrimeCalcPro provides professional-grade tools trusted by businesses and academics.

ସୂତ୍ର

▾
f(x)N ପରୀକ୍ଷଣରେ X = ସଫଳତା ସଂଖ୍ୟା ପାଇଁ, P (X = k) = C (n, k) * p ^ k * (1-p) ^ (n-k), ଯେଉଁଠାରେ C (n, k) = n! / (k! (n-k)!), n ହେଉଛି ପରୀକ୍ଷଣ ସଂଖ୍ୟା, p ହେଉଛି ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣରେ ସଫଳତାର ସମ୍ଭାବନା, ଏବଂ k ହେଉଛି ସଫଳତାର ଲକ୍ଷ୍ୟ ସଂଖ୍ୟା | ଅର୍ଥ = np ଏବଂ ଭିନ୍ନତା = np (1-p) | କାର୍ଯ୍ୟର ଉଦାହରଣ: n = 10, p = 0.5, ଏବଂ k = 5, P (X = 5) = C (10,5) * 0.5 ^ 5 * 0.5 ^ 5 = 252 * 0.5 ^ 10 = 252/1024 = 0.2461 ପାଇଁ |

ଚଳ ବ୍ୟାଖ୍ୟା

▾
ସଙ୍କେତନାମଏକକDescription
np and varianceNp ଭାବରେ ଗଣନା କରାଯାଇଛି |—Np (1-p) ଭାବରେ ଗଣନା କରାଯାଏ, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |
nଅବଧି ସଂଖ୍ୟା—ପର୍ଯ୍ୟାୟ ସଂଖ୍ୟା କିମ୍ବା ଯ ound ଗିକ ବ୍ୟବଧାନ, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |
Cନିୟମିତ ଅବଦାନ |—ନିୟମିତ ଅବଦାନ କିମ୍ବା ପର୍ଯ୍ୟାୟକ୍ରମେ ନଗଦ ପ୍ରବାହ, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |
kସ୍ଥିର କାରକ |—ସ୍ଥିର ଫ୍ୟାକ୍ଟର୍ ବା କୋଏଫିସିଏଣ୍ଟ୍, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |
Pମୁଖ୍ୟ ପରିମାଣ—ମୂଖ୍ୟ ପରିମାଣ କିମ୍ବା ପ୍ରାରମ୍ଭିକ ବିନିଯୋଗ, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |
Meanଅର୍ଥାତ୍—ଗଣନାରେ ଅର୍ଥ, ଯାହା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ |

କିପରି Binomial Distribution

▾
  1. 1ପରୀକ୍ଷା ସଂଖ୍ୟା ପ୍ରବେଶ କରନ୍ତୁ ଏବଂ ପରୀକ୍ଷା ଆରମ୍ଭ ହେବା ପୂର୍ବରୁ ସଂଖ୍ୟା ସ୍ଥିର ହୋଇଛି ବୋଲି ନିଶ୍ଚିତ କରନ୍ତୁ |
  2. 20 ଏବଂ 1 ମଧ୍ୟରେ ଏକ ଦଶମିକ ଭାବରେ ଗୋଟିଏ ପରୀକ୍ଷଣରେ ସଫଳତାର ସମ୍ଭାବନା ପ୍ରବେଶ କରନ୍ତୁ |
  3. 3ଆପଣ ବିଶ୍ଳେଷଣ କରିବାକୁ ଚାହୁଁଥିବା ସଫଳତାର ସଂଖ୍ୟା ବାଛନ୍ତୁ |
  4. 4କାଲକୁଲେଟର ମିଶ୍ରଣ ଗଣନା ଏବଂ ସଫଳତା ଏବଂ ବିଫଳତା ସର୍ତ୍ତାବଳୀ ବ୍ୟବହାର କରି ଦ୍ୱିପାକ୍ଷିକ ସମ୍ଭାବ୍ୟତା ଜନ ସୂତ୍ର ପ୍ରୟୋଗ କରେ |
  5. 5ଏହା ମଧ୍ୟ ଗୁଣ ଏବଂ ଭିନ୍ନତା ପରି ଗୁଣଗୁଡ଼ିକୁ ସଂକ୍ଷିପ୍ତ କରିପାରିବ ଯାହା ଦ୍ you ାରା ଆପଣ ଉଭୟ ସଠିକ ସମ୍ଭାବନା ଏବଂ ସାମଗ୍ରିକ ବଣ୍ଟନ ଆକୃତି ବୁ understand ିପାରିବେ |

ସମାଧାନ ହୋଇଥିବା ଉଦାହରଣ

▾
ଉଦାହରଣ 1ମୁଦ୍ରା-ଫ୍ଲିପ୍ ଉଦାହରଣ |
ଦିଆ ଯାଇଛି:10 ଟି ମେଳା ମୁଦ୍ରା ଫ୍ଲିପ୍ସରେ ଠିକ୍ 5 ମୁଣ୍ଡର ସମ୍ଭାବନା ଖୋଜ |
ଫଳ:P (X = 5) = 0.2461, କିମ୍ବା ପ୍ରାୟ 24.6% |

ସମ୍ଭବତ exact ସଠିକ୍ ଗଣନାରେ 50% ତଳେ ଏକ ସମ୍ଭାବନା ଅଛି |

ଏହା ଏକ ମାନକ ଦ୍ୱିପାକ୍ଷିକ ଉଦାହରଣ କାରଣ ପରୀକ୍ଷା ଗଣନା ସ୍ଥିର ହୋଇଛି, ପ୍ରତ୍ୟେକ ଫ୍ଲିପ୍ ର ଦୁଇଟି ଫଳାଫଳ ଅଛି, ଏବଂ ସଫଳତାର ସମ୍ଭାବନା ସ୍ଥିର ରହିଥାଏ | ଏହା ସିଧାସଳଖ ସମ୍ଭାବ୍ୟତା କାର୍ଯ୍ୟକୁ ବର୍ଣ୍ଣନା କରେ |

ଉଦାହରଣ 2ଉତ୍ପାଦନ ତ୍ରୁଟି ମଡେଲ |
ଦିଆ ଯାଇଛି:ଏକ କାରଖାନା ନମୁନାରେ 20 ଟି ଆଇଟମ୍ ଏବଂ ପ୍ରତି ଆଇଟମ୍ ପ୍ରତି 0.02 ର ତ୍ରୁଟି ସମ୍ଭାବନା ଅଛି | ଠିକ୍ 1 ତ୍ରୁଟିର ସମ୍ଭାବନା ଖୋଜ |
ଫଳ:P (X = 1) ପ୍ରାୟ 27.2% ଅଟେ |

ବିରଳ ଘଟଣାଗୁଡ଼ିକ ମଧ୍ୟମ ନମୁନା ଆକାରରେ ପ୍ରାୟତ appear ଦେଖାଯାଏ |

ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ଯୋଜନାରେ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଉପଯୋଗୀ କାରଣ ଏହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ନମୁନାରେ ସଫଳତା କିମ୍ବା ତ୍ରୁଟିର ଗଣନା କରିଥାଏ | ଏଠାରେ ଘଟଣା ବିରଳ, କିନ୍ତୁ ଅସମ୍ଭବ ନୁହେଁ କିମ୍ବା ବିଶେଷ ଭାବରେ ଅସାଧାରଣ ନୁହେଁ |

ଉଦାହରଣ 3ବାସ୍କେଟବଲ୍ ମାଗଣା ଥ୍ରୋ |
ଦିଆ ଯାଇଛି:ଜଣେ ଖେଳାଳୀ 0.75 ସମ୍ଭାବ୍ୟତା ସହିତ ମାଗଣା ଥ୍ରୋ କରେ ଏବଂ 8 ଟି ସଟ୍ ନିଏ | ଠିକ୍ 6 ଟି ତିଆରି କରିବାର ସୁଯୋଗ ଖୋଜ |
ଫଳ:P (X = 6) ପ୍ରାୟ 31.2% ଅଟେ |

ଦ୍ୱିପାକ୍ଷିକ ଗଣନା ପାଇଁ କ୍ରୀଡା ଉଦାହରଣ ଏକ ପ୍ରାକୃତିକ ଫିଟ୍ |

ଏକ ସ୍ଥିର ସଫଳତା ସମ୍ଭାବନା ସହିତ ପ୍ରତ୍ୟେକ ସଟ ତିଆରି କିମ୍ବା ମିସ୍ ଭାବରେ ମଡେଲ ହୋଇଛି | ଏହା ଶଟ୍ଗୁଡ଼ିକର ସେଟ୍ ଉପରେ ଏକ ଦ୍ୱିପାକ୍ଷିକ ରାଣ୍ଡମ୍ ଭେରିଏବଲ୍ ତିଆରି କରେ |

ଉଦାହରଣ 4ଇମେଲ୍ ପ୍ରତିକ୍ରିୟା ପରିସ୍ଥିତି |
ଦିଆ ଯାଇଛି:ଜଣେ ମାର୍କେଟର 30 ସନ୍ଦେଶରୁ 10% ପ୍ରତିକ୍ରିୟା ହାର ଆଶା କରନ୍ତି ଏବଂ ଠିକ୍ 3 ପ୍ରତିକ୍ରିୟାର ସୁଯୋଗ ଚାହାଁନ୍ତି |
ଫଳ:P (X = 3) ପ୍ରାୟ 23.6% ଅଟେ |

ଆଶାକରାଯାଇଥିବା ମୂଲ୍ୟ ଏବଂ ସଠିକ୍ ଗଣନା ସମ୍ଭାବନା ସମାନ ଧାରଣା ନୁହେଁ |

ପ୍ରତିକ୍ରିୟାଗୁଡ଼ିକର ଆଶା କରାଯାଉଥିବା ସଂଖ୍ୟା ହେଉଛି np = 3, କିନ୍ତୁ ଏହାର ଅର୍ଥ ନୁହେଁ ଯେ 3 ଟି ପ୍ରତିକ୍ରିୟା ନିଶ୍ଚିତ ଭାବରେ ଘଟେ | ଦ୍ୱିପାକ୍ଷିକ ସୂତ୍ର ସେହି ସଠିକ ଗଣନା ପାଇଁ ସଠିକ୍ ସମ୍ଭାବନା ଦେଇଥାଏ |

ବ୍ୟାବହାରିକ ପ୍ରୟୋଗ

▾
🏗️

ବୃତ୍ତିଗତ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଆକଳନ ଏବଂ ଯୋଜନା - ଏହି ପ୍ରୟୋଗ ସାଧାରଣତ professionals ବୃତ୍ତିଗତମାନଙ୍କ ଦ୍ used ାରା ବ୍ୟବହୃତ ହୁଏ, ଯେଉଁମାନେ ନିଜ ନିଜ କ୍ଷେତ୍ରରେ ନିଷ୍ପତ୍ତି ନେବା, ବଜେଟ୍ ଏବଂ ରଣନୀତିକ ଯୋଜନାକୁ ସମର୍ଥନ କରିବାକୁ ସଠିକ୍ ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଆବଶ୍ୟକ କରନ୍ତି |

🔬

ଏକାଡେମିକ୍ ଏବଂ ଶିକ୍ଷାଗତ ଗଣନା - ଶିଳ୍ପ ଅଭ୍ୟାସକାରୀମାନେ ଏହି ଗଣନା ଉପରେ ନିର୍ଭର କରନ୍ତି, କାର୍ଯ୍ୟଦକ୍ଷତା ତୁଳନା କରନ୍ତି, ବିକଳ୍ପ ତୁଳନା କରନ୍ତି, ଏବଂ ସ୍ଥାପିତ ମାନକ ଏବଂ ନିୟାମକ ଆବଶ୍ୟକତା ସହିତ ଅନୁପାଳନକୁ ନିଶ୍ଚିତ କରନ୍ତି, ବିଶ୍ଳେଷକମାନଙ୍କୁ ସଠିକ୍ ଫଳାଫଳ ଉତ୍ପାଦନ କରିବାରେ ସାହାଯ୍ୟ କରନ୍ତି ଯାହା କ strategic ଶଳ ଯୋଜନା, ଉତ୍ସ ଆବଣ୍ଟନ, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ମାନଦଣ୍ଡକୁ ସମର୍ଥନ କରେ |

📊

ସମ୍ଭାବ୍ୟତା ବିଶ୍ଳେଷଣ ଏବଂ ନିଷ୍ପତ୍ତି ସମର୍ଥନ - ଏକାଡେମିକ୍ ଅନୁସନ୍ଧାନକାରୀ ଏବଂ ଛାତ୍ରମାନେ ଏହି ଗଣନାକୁ ବ୍ୟବହାର କରନ୍ତି, ତତ୍ତ୍ୱିକ ମଡେଲଗୁଡିକୁ ବ valid ଧ କରିବା, ପାଠ୍ୟକ୍ରମ କାର୍ଯ୍ୟ ସମାପ୍ତ କରିବା, ଏବଂ ଅନ୍ତର୍ନିହିତ ଗାଣିତିକ ନୀତିଗୁଡିକର ଗଭୀର ବୁ understanding ାମଣା ବିକାଶ କରିବା, ବୃତ୍ତିଗତମାନଙ୍କୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ଫଳାଫଳ ପରିମାଣ କରିବାକୁ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଗାଣିତିକ framework ାଞ୍ଚା ଏବଂ ପ୍ରତିଷ୍ଠିତ ସୂତ୍ର ବ୍ୟବହାର କରି ପରିସ୍ଥିତି ତୁଳନା କରିବାକୁ ଅନୁମତି ଦେବା |

🏥

ମାନୁଆଲ ହିସାବର ଶୀଘ୍ର ଯା ification ୍ଚ - ଆର୍ଥିକ ବିଶ୍ଳେଷକ ଏବଂ ଯୋଜନାକାରୀମାନେ ଏହି ହିସାବକୁ ସେମାନଙ୍କର କାର୍ଯ୍ୟ ପ୍ରବାହରେ ସଠିକ୍ ପୂର୍ବାନୁମାନ କରିବା, ବିପଦ ପରିସ୍ଥିତିର ମୂଲ୍ୟାଙ୍କନ କରିବା ଏବଂ ହିତାଧିକାରୀମାନଙ୍କୁ ତଥ୍ୟ-ଚାଳିତ ସୁପାରିଶ ଉପସ୍ଥାପନ କରିବା, ତଥ୍ୟ-ଚାଳିତ ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରିବା, ଯେଉଁଠାରେ ପାଚନ, ରିପୋର୍ଟ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ଲକ୍ଷ୍ୟଗୁଡ଼ିକ ପାଇଁ ସାଂଖ୍ୟିକ ସଠିକତା ଜରୁରୀ ଅଟେ |

ବିଶେଷ ଘଟଣା

▾

ସ୍ଥାନାନ୍ତର ନମୁନା ବିନା |

title 'ଟାଇଟଲ୍': 'ରିପ୍ଲେସମେଣ୍ଟ ନମୁନା ବିନା', 'ଶରୀର': 'ଯଦି ନମୁନା ସଂଗ୍ରହ ବିନା ଏକ ଛୋଟ ଜନସଂଖ୍ୟାରୁ ହୋଇଥାଏ, ତେବେ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ତୁଳନାରେ ହାଇପରଜୋମେଟ୍ରିକ୍ ବଣ୍ଟନ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇପାରେ | ବାହ୍ୟ ପରିସରର ଇନପୁଟଗୁଡିକ ଗାଣିତିକ ଭାବରେ ବ valid ଧ କିନ୍ତୁ ପ୍ରାକ୍ଟିକାଲ୍ ଅର୍ଥହୀନ ଫଳାଫଳକୁ ନେଇପାରେ ଯାହା ବାସ୍ତବ ଦୁନିଆର ସ୍ଥିତିକୁ ପ୍ରତିଫଳିତ କରେ ନାହିଁ |

ପରୀକ୍ଷା ସମ୍ଭାବନା ପରିବର୍ତ୍ତନ କରୁଛି |

title 'ଟାଇଟଲ୍': 'ଟ୍ରାଏଲ୍ ସମ୍ଭାବ୍ୟତା ପରିବର୍ତ୍ତନ', 'ଶରୀର': 'ଯଦି ସଫଳତାର ସମ୍ଭାବନା ଗୋଟିଏ ପରୀକ୍ଷଣରୁ ଅନ୍ୟ ପରୀକ୍ଷଣକୁ ବଦଳିଯାଏ, ତେବେ ଷ୍ଟାଣ୍ଡାର୍ଡ ଦ୍ୱିପାକ୍ଷିକ ମଡେଲ୍ ଆଉ ସେଟଅପ୍ ସହିତ ମେଳ ଖାଉ ନାହିଁ | ଯେତେବେଳେ ଏହି ପରିସ୍ଥିତି ଘଟେ ସେତେବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ଡକ୍ୟୁମେଣ୍ଟ୍ କରିବା ଉଚିତ ଏବଂ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟବହାର ମାମଲା ପାଇଁ ବିକଳ୍ପ ଗଣନା ପଦ୍ଧତି କିମ୍ବା ଆଡଜଷ୍ଟମେଣ୍ଟ୍ ଫ୍ୟାକ୍ଟର୍ ଅଧିକ ଉପଯୁକ୍ତ କି ନୁହେଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |

ଡୋମେନ୍ ପ୍ରସଙ୍ଗ ଉପରେ ନିର୍ଭର କରି ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ ନକାରାତ୍ମକ ଇନପୁଟ୍ ମୂଲ୍ୟ ବ valid ଧ ହୋଇପାରେ କିମ୍ବା ହୋଇନପାରେ |

କେତେକ ସୂତ୍ର ନକାରାତ୍ମକ ସଂଖ୍ୟା ଗ୍ରହଣ କରନ୍ତି (ଯଥା, ତାପମାତ୍ରା, ପରିବର୍ତ୍ତନ ହାର), ଏବଂ ଅନ୍ୟମାନେ କଠୋର ସକରାତ୍ମକ ଇନପୁଟ୍ ଆବଶ୍ୟକ କରନ୍ତି | ଉପଭୋକ୍ତାମାନେ ଯାଞ୍ଚ କରିବା ଉଚିତ ଯେ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ଦୃଶ୍ୟ ଆଉଟପୁଟ୍ ଉପରେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ନକାରାତ୍ମକ ମୂଲ୍ୟକୁ ଅନୁମତି ଦିଏ କି? ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ସହିତ କାର୍ଯ୍ୟ କରୁଥିବା ବୃତ୍ତିଗତମାନେ ଏହି ଦୃଶ୍ୟ ପ୍ରତି ବିଶେଷ ଧ୍ୟାନ ଦେବା ଉଚିତ କାରଣ ସଠିକ୍ ଭାବରେ ପରିଚାଳିତ ନହେଲେ ଏହା ବିଭ୍ରାନ୍ତିକର ଫଳାଫଳକୁ ନେଇପାରେ | ସର୍ବଦା ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ଯେତେବେଳେ ଏହି ମାମଲା ଅଭ୍ୟାସରେ ଉପୁଜେ ସେତେବେଳେ ସ୍ independent ାଧୀନ ପଦ୍ଧତି ସହିତ କ୍ରସ୍-ଚେକ୍ କରନ୍ତୁ |

ମୂଳ ଦ୍ୱିପାକ୍ଷିକ ତଥ୍ୟ |

▾
ପରିମାଣସୂତ୍ରଅର୍ଥ
ସମ୍ଭାବ୍ୟତା ଜନତା |C (n, k) * p ^ k * (1-p) ^ (n-k)ଠିକ୍ k ସଫଳତାର ସମ୍ଭାବନା |
ଅର୍ଥnpସଫଳତାର ଆଶା କରାଯାଉଥିବା ସଂଖ୍ୟା |
ଭିନ୍ନତା |np (1-p)ବିତରଣର ବିସ୍ତାର |
ସମର୍ଥନk = 0,1,2, ..., nସମ୍ଭାବ୍ୟ ସଫଳତା ଗଣନା |

ବାରମ୍ବାର ଜିଜ୍ଞାସା

▾
Q

ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ କ’ଣ?

A

ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ସ୍ independent ାଧୀନ ପରୀକ୍ଷଣରେ ସଫଳତାର ସଂଖ୍ୟାକୁ ମଡେଲ କରେ ଯେତେବେଳେ ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣର କେବଳ ଦୁଇଟି ଫଳାଫଳ ଥାଏ ଏବଂ ସଫଳତାର ସମ୍ଭାବନା ସ୍ଥିର ରହିଥାଏ | ଏହା ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ବିଚ୍ଛିନ୍ନ ସମ୍ଭାବ୍ୟ ବଣ୍ଟନ ମଧ୍ୟରୁ ଗୋଟିଏ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ |

Q

ଆପଣ ଦ୍ୱିପାକ୍ଷିକ ସମ୍ଭାବନାକୁ କିପରି ଗଣନା କରିବେ?

A

ଆପଣ ଫର୍ମୁଲା C (n, k) times p କୁ k times (1-p) ରୁ n-k କୁ ବ୍ୟବହାର କରନ୍ତି | ମିଶ୍ରଣ ଶବ୍ଦଟି ପରୀକ୍ଷଣ ମଧ୍ୟରେ ସଫଳତାର ଲକ୍ଷ୍ୟ ସଂଖ୍ୟାର ଉପାୟଗୁଡ଼ିକର ସଂଖ୍ୟା ଗଣନା କରେ | ଏହି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ନିହିତ ସୂତ୍ରକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ପ୍ରଦତ୍ତ ଇନପୁଟଗୁଡିକରେ ପ୍ରୟୋଗ କରେ | ଗଣନାରେ ପ୍ରତ୍ୟେକ ଭେରିଏବଲ୍ ଚୂଡ଼ାନ୍ତ ଫଳାଫଳରେ ସହାୟକ ହୁଏ, ଏବଂ ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଭୂମିକା ବୁ understanding ିବା ସଠିକ୍ ପ୍ରୟୋଗ ନିଶ୍ଚିତ କରିବାରେ ସାହାଯ୍ୟ କରେ |

Q

ଦ୍ୱିପାକ୍ଷିକ ବିତରଣର ଅର୍ଥ କ’ଣ?

A

ଏହାର ଅର୍ଥ ହେଉଛି np, ଯାହାକି ସଫଳତାର ସମ୍ଭାବନା ଦ୍ୱାରା ଗୁଣିତ ପରୀକ୍ଷଣ ସଂଖ୍ୟା | ଅନେକ ବାରମ୍ବାର ପରୀକ୍ଷଣ ଉପରେ ଏହା ଆଶା କରାଯାଉଥିବା ସଫଳତାର ପ୍ରତିନିଧିତ୍ୱ କରେ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ |

Q

ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନର ଭିନ୍ନତା କ’ଣ?

A

ଭିନ୍ନତା ହେଉଛି np (1-p) | ସମ୍ଭାବ୍ୟ ସଫଳତା ଗଣନା କିପରି ବିସ୍ତାର ହୋଇଛି ତାହା ଏହା ଦର୍ଶାଏ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ | ଗଣନା ସ୍ଥାପିତ ଗାଣିତିକ ନୀତି ଅନୁସରଣ କରେ ଯାହା ବୃତ୍ତିଗତ ଏବଂ ଏକାଡେମିକ୍ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ବ valid ଧ ହୋଇଛି |

Q

ମୁଁ କେବେ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ବ୍ୟବହାର କରିବି?

A

ଯେତେବେଳେ ପରୀକ୍ଷା ଗଣନା ସ୍ଥିର ହୁଏ, ଏହାକୁ ବ୍ୟବହାର କରନ୍ତୁ, ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣର ଦୁଇଟି ଫଳାଫଳ ଅଛି, ପରୀକ୍ଷା ସ୍ୱାଧୀନ, ଏବଂ ସଫଳତାର ସମ୍ଭାବନା ସ୍ଥିର ଅଟେ | ଯଦି ସେହି ଅନୁମାନ ମଧ୍ୟରୁ ଗୋଟିଏ ବିଫଳ ହୁଏ, ଏକ ଭିନ୍ନ ମଡେଲ୍ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇପାରେ | ଏହା ଏକାଧିକ ପ୍ରସଙ୍ଗରେ ପ୍ରଯୁଜ୍ୟ ଯେଉଁଠାରେ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ମୂଲ୍ୟ ସଠିକତା ସହିତ ନିର୍ଣ୍ଣୟ କରାଯିବା ଆବଶ୍ୟକ | ସାଧାରଣ ପରିସ୍ଥିତିରେ ବୃତ୍ତିଗତ ବିଶ୍ଳେଷଣ, ଏକାଡେମିକ୍ ଅଧ୍ୟୟନ, ଏବଂ ବ୍ୟକ୍ତିଗତ ଯୋଜନା ଅନ୍ତର୍ଭୁକ୍ତ, ଯେଉଁଠାରେ ପରିମାଣିକ ସଠିକତା ଜରୁରୀ |

Q

ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନର ସୀମା କ’ଣ?

A

ଏହା ପରିବର୍ତ୍ତନର ସଫଳତା ସମ୍ଭାବନା, ନିର୍ଭରଶୀଳ ପରୀକ୍ଷା, କିମ୍ବା ବହୁ-ବର୍ଗର ଫଳାଫଳକୁ ପରିବର୍ତ୍ତନ ନକରି ପରିଚାଳନା କରେ ନାହିଁ | ଏହା କେବଳ 0 ଏବଂ n ମଧ୍ୟରେ ଅଣ-ନେଗେଟିଭ୍ ଇଣ୍ଟିଜର୍ ସଫଳତା ଗଣନା ପାଇଁ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି | ବ୍ୟବହାରିକ ପ୍ରୟୋଗରେ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ଗଣନା ସହିତ କାର୍ଯ୍ୟ କରିବାବେଳେ ଏହା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଚାର | ନିର୍ଦ୍ଦିଷ୍ଟ ଇନପୁଟ୍ ମୂଲ୍ୟ ଏବଂ ଗଣନା ପ୍ରୟୋଗ କରାଯାଉଥିବା ପ୍ରସଙ୍ଗ ଉପରେ ଉତ୍ତର ନିର୍ଭର କରେ |

Q

କେତେଥର ଦ୍ୱିପାକ୍ଷିକ ଗଣନା ଅପଡେଟ୍ ହେବା ଉଚିତ୍?

A

ଯେତେବେଳେ ପରୀକ୍ଷଣ ସଂଖ୍ୟା, ଲକ୍ଷ୍ୟ ଗଣନା, କିମ୍ବା ସଫଳତା ସମ୍ଭାବନା ପରିବର୍ତ୍ତନ ହୁଏ, ପୁନ al ଗଣନା କରନ୍ତୁ | P ରେ ଛୋଟ ପରିବର୍ତ୍ତନ ମଧ୍ୟ ସମଗ୍ର ବଣ୍ଟନକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ବଦଳାଇପାରେ | ଏହି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ନିହିତ ସୂତ୍ରକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ପ୍ରଦତ୍ତ ଇନପୁଟଗୁଡିକରେ ପ୍ରୟୋଗ କରେ | ଗଣନାରେ ପ୍ରତ୍ୟେକ ଭେରିଏବଲ୍ ଚୂଡ଼ାନ୍ତ ଫଳାଫଳରେ ସହାୟକ ହୁଏ, ଏବଂ ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଭୂମିକା ବୁ understanding ିବା ସଠିକ୍ ପ୍ରୟୋଗ ନିଶ୍ଚିତ କରିବାରେ ସାହାଯ୍ୟ କରେ | କ୍ଷେତ୍ରର ଅଧିକାଂଶ ବୃତ୍ତିଗତମାନେ ଚୂଡ଼ାନ୍ତ ଉତ୍ତରରେ ପହଞ୍ଚିବା ପୂର୍ବରୁ ମଧ୍ୟବର୍ତ୍ତୀ ଫଳାଫଳ ଯାଞ୍ଚ କରି ଏକ ପର୍ଯ୍ୟାୟ ପଦକ୍ଷେପ ଅନୁସରଣ କରନ୍ତି |

ଏଡ଼ାଇବା ଯୋଗ୍ୟ ସାଧାରଣ ଭୁଲ

▾
  • !ଇନପୁଟ୍ ମୂଲ୍ୟ ପାଇଁ ଭୁଲ କିମ୍ବା ମେଳ ଖାଉଥିବା ୟୁନିଟ୍ ବ୍ୟବହାର କରିବା |
  • !ଧାର ମାମଲା କିମ୍ବା ସୀମା ଅବସ୍ଥା ପାଇଁ ହିସାବ ଦେବାକୁ ଭୁଲିଯାଆନ୍ତି |
  • !ଗଣନାରେ ବହୁତ ଶୀଘ୍ର ମଧ୍ୟବର୍ତ୍ତୀ ମୂଲ୍ୟଗୁଡିକ ଗୋଲାକାର |
  • !ଯାଞ୍ଚ କରୁନାହିଁ ଯେ ଇନପୁଟ୍ ମୂଲ୍ୟଗୁଡିକ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ ବ valid ଧ ପରିସର ମଧ୍ୟରେ ଅଛି |
💡

ବିଶେଷ ଟିପ

ଗଣନା କରିବା ପୂର୍ବରୁ ସର୍ବଦା ଆପଣଙ୍କର ଇନପୁଟ୍ ମୂଲ୍ୟ ଯାଞ୍ଚ କରନ୍ତୁ | ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ପାଇଁ, ଛୋଟ ଇନପୁଟ୍ ତ୍ରୁଟିଗୁଡ଼ିକ ଯ ound ଗିକ ହୋଇପାରେ ଏବଂ ଅନ୍ତିମ ଫଳାଫଳକୁ ଯଥେଷ୍ଟ ପ୍ରଭାବିତ କରିଥାଏ |

⭐

ଆପଣ ଜାଣନ୍ତି କି?

ଉପଯୁକ୍ତ ପରିସ୍ଥିତିରେ ପରୀକ୍ଷଣ ସଂଖ୍ୟା ବ gets ଼ିବା ସହିତ ଦ୍ୱିପାକ୍ଷିକ ବଣ୍ଟନ ସାଧାରଣ ବଣ୍ଟନ ପରି ଦେଖାଯିବା ଆରମ୍ଭ କରେ, ଯାହା ପରିସଂଖ୍ୟାନରେ ଏତେ କେନ୍ଦ୍ରୀୟ ଅଟେ |

Regional Guides

▾
🇺🇸 US▾
ଯୁକ୍ତରାଷ୍ଟ୍ରର ପାରମ୍ପାରିକ ୟୁନିଟ୍ ଏବଂ ମାନକ ବ୍ୟବହାର କରେ |
🇬🇧 UK▾
ମେଟ୍ରିକ୍ କିମ୍ବା ବ୍ରିଟିଶ୍ ମାନକ ବ୍ୟବହାର କରିପାରନ୍ତି |
🇪🇺 EU▾
ଯେଉଁଠାରେ ପ୍ରଯୁଜ୍ୟ EU / SI ନିୟମାବଳୀ ଅନୁସରଣ କରେ |
📖ଜଟିଳ ସ୍ତର:ଉନ୍ନତ
Deep Dive

Read the full guide on how to use this calculator effectively

ଆଉ ପଢ଼ନ୍ତୁ →
Mathematically verified
Reviewed October 2026
Our methodology

ସାପ୍ତାହିକ ଗଣିତ ଟିପ୍ସ ପାଆନ୍ତୁ |

12,000 + ଗ୍ରାହକମାନଙ୍କ ସହିତ ଯୋଗ ଦିଅନ୍ତୁ ଯେଉଁମାନେ ପ୍ରତି ସପ୍ତାହରେ କାଲକୁଲେଟର ଟିପ୍ସ ପାଆନ୍ତି |

🔒
୧୦୦% ମାଗଣା
ପଞ୍ଜୀକରଣ ଆବଶ୍ୟକ ନାହିଁ
✓
ସଠିକ
ଯାଞ୍ଚ ହୋଇଥିବା ସୂତ୍ର
⚡
ତତ୍‌କ୍ଷଣ
ତତ୍‌କ୍ଷଣ ଫଳ
📱
ମୋବାଇଲ୍ ଅନୁକୂଳ
ସମସ୍ତ ଡିଭାଇସ୍

ସେଟିଂ