क्यू-फलन

आंकड़ों में, Q-फ़ंक्शन सामान्य वितरण#मानक सामान्य वितरण का संचयी वितरण फ़ंक्शन#पूरक संचयी वितरण फ़ंक्शन (पूंछ वितरण) है। दूसरे शब्दों में, $$Q(x)$$ संभावना है कि एक सामान्य (गाऊसी) यादृच्छिक चर इससे बड़ा मान प्राप्त करेगा $$x$$ मानक विचलन। समान रूप से, $$Q(x)$$ यह संभावना है कि एक मानक सामान्य यादृच्छिक चर इससे बड़ा मान लेता है $$x$$.

अगर $$Y$$ माध्य के साथ एक गाऊसी यादृच्छिक चर है $$\mu$$ और विचरण $$\sigma^2$$, तब $$X = \frac{Y-\mu}{\sigma}$$ सामान्य वितरण है#मानक सामान्य वितरण और


 * $$P(Y > y) = P(X > x) = Q(x)$$

कहाँ $$x = \frac{y-\mu}{\sigma}$$.

क्यू-फ़ंक्शन की अन्य परिभाषाएँ, जो सभी सामान्य संचयी वितरण फ़ंक्शन के सरल परिवर्तन हैं, का भी कभी-कभी उपयोग किया जाता है। सामान्य वितरण के संचयी वितरण फ़ंक्शन से इसके संबंध के कारण, क्यू-फ़ंक्शन को त्रुटि फ़ंक्शन के संदर्भ में भी व्यक्त किया जा सकता है, जो लागू गणित और भौतिकी में एक महत्वपूर्ण फ़ंक्शन है।

परिभाषा और बुनियादी गुण
औपचारिक रूप से, Q-फ़ंक्शन को इस प्रकार परिभाषित किया गया है


 * $$Q(x) = \frac{1}{\sqrt{2\pi}} \int_x^\infty \exp\left(-\frac{u^2}{2}\right) \, du.$$

इस प्रकार,


 * $$Q(x) = 1 - Q(-x) = 1 - \Phi(x)\,\!,$$

कहाँ $$\Phi(x)$$ मानक सामान्य वितरण#संचयी वितरण फ़ंक्शन है।

क्यू-फ़ंक्शन को त्रुटि फ़ंक्शन, या पूरक त्रुटि फ़ंक्शन के रूप में व्यक्त किया जा सकता है



\begin{align} Q(x) &=\frac{1}{2}\left( \frac{2}{\sqrt{\pi}} \int_{x/\sqrt{2}}^\infty \exp\left(-t^2\right) \, dt \right)\\ &= \frac{1}{2} - \frac{1}{2} \operatorname{erf} \left( \frac{x}{\sqrt{2}} \right) \text{ -or-}\\ &= \frac{1}{2}\operatorname{erfc} \left(\frac{x}{\sqrt{2}} \right). \end{align} $$ क्यू-फ़ंक्शन का एक वैकल्पिक रूप, जिसे इसके खोजकर्ता के नाम पर क्रेग के सूत्र के रूप में जाना जाता है, इस प्रकार व्यक्त किया गया है:
 * $$Q(x) = \frac{1}{\pi} \int_0^{\frac{\pi}{2}} \exp \left( - \frac{x^2}{2 \sin^2 \theta} \right) d\theta.$$

यह अभिव्यक्ति केवल x के सकारात्मक मानों के लिए मान्य है, लेकिन इसका उपयोग नकारात्मक मानों के लिए Q(x) प्राप्त करने के लिए Q(x) = 1 − Q(−x) के संयोजन में किया जा सकता है। यह रूप लाभप्रद है क्योंकि एकीकरण की सीमा निश्चित और सीमित है।

क्रेग के फॉर्मूले को बाद में बेहनाद (2020) द्वारा विस्तारित किया गया दो गैर-नकारात्मक चर के योग के क्यू-फ़ंक्शन के लिए, निम्नानुसार: :$$Q(x+y) = \frac{1}{\pi} \int_0^{\frac{\pi}{2}} \exp \left( - \frac{x^2}{2 \sin^2 \theta} - \frac{y^2}{2 \cos^2 \theta} \right) d\theta, \quad x,y \geqslant 0 .$$

सीमाएँ और सन्निकटन

 * क्यू-फ़ंक्शन कोई प्राथमिक फ़ंक्शन नहीं है। हालाँकि, बोरजेसन-सुंदरबर्ग सीमा, जहाँ $$\phi(x)$$ मानक सामान्य वितरण का घनत्व फलन है,
 * $$\left (\frac{x}{1+x^2} \right ) \phi(x) < Q(x) < \frac{\phi(x)}{x}, \qquad x>0,$$
 * बड़े एक्स के लिए तेजी से तंग हो जाते हैं, और अक्सर उपयोगी होते हैं।


 * प्रतिस्थापन द्वारा एकीकरण का उपयोग करना v =u2/2, ऊपरी सीमा इस प्रकार निकाली गई है:


 * $$Q(x) =\int_x^\infty\phi(u)\,du <\int_x^\infty\frac ux\phi(u)\,du =\int_{\frac{x^2}{2}}^\infty\frac{e^{-v}}{x\sqrt{2\pi}}\,dv=-\biggl.\frac{e^{-v}}{x\sqrt{2\pi}}\biggr|_{\frac{x^2}{2}}^\infty=\frac{\phi(x)}{x}.$$
 * इसी प्रकार, उपयोग करना $$\phi'(u) = - u \phi(u)$$ और भागफल नियम,


 * $$\left(1+\frac1{x^2}\right)Q(x) =\int_x^\infty \left(1+\frac1{x^2}\right)\phi(u)\,du >\int_x^\infty \left(1+\frac1{u^2}\right)\phi(u)\,du =-\biggl.\frac{\phi(u)}u\biggr|_x^\infty

=\frac{\phi(x)}x. $$
 * Q(x) को हल करने से निचली सीमा मिलती है।


 * ऊपरी और निचली सीमा का ज्यामितीय माध्य इसके लिए उपयुक्त अनुमान देता है $$Q(x)$$:


 * $$Q(x) \approx \frac{\phi(x)}{\sqrt{1 + x^2}}, \qquad x \geq 0. $$


 * की सख्त सीमाएँ और सन्निकटन $$Q(x)$$ निम्नलिखित अभिव्यक्ति को अनुकूलित करके भी प्राप्त किया जा सकता है


 * $$ \tilde{Q}(x) = \frac{\phi(x)}{(1-a)x + a\sqrt{x^2 + b}}. $$
 * के लिए $$x \geq 0$$, सर्वोत्तम ऊपरी सीमा किसके द्वारा दी गई है $$a = 0.344$$ और $$b = 5.334$$ 0.44% की अधिकतम पूर्ण सापेक्ष त्रुटि के साथ। इसी प्रकार, सर्वोत्तम सन्निकटन द्वारा दिया गया है $$a = 0.339$$ और $$b = 5.510$$ 0.27% की अधिकतम पूर्ण सापेक्ष त्रुटि के साथ। अंत में, सबसे अच्छी निचली सीमा दी गई है $$a = 1/\pi$$ और $$b = 2 \pi$$ 1.17% की अधिकतम पूर्ण सापेक्ष त्रुटि के साथ।


 * क्यू-फ़ंक्शन का चेर्नॉफ़ बाध्य है


 * $$Q(x)\leq e^{-\frac{x^2}{2}}, \qquad x>0$$


 * बेहतर घातीय सीमाएँ और एक शुद्ध घातीय सन्निकटन हैं
 * $$Q(x)\leq \tfrac{1}{4}e^{-x^2}+\tfrac{1}{4}e^{-\frac{x^2}{2}} \leq \tfrac{1}{2}e^{-\frac{x^2}{2}}, \qquad x>0$$
 * $$Q(x)\approx \frac{1}{12}e^{-\frac{x^2}{2}}+\frac{1}{4}e^{-\frac{2}{3} x^2}, \qquad x>0 $$


 * उपरोक्त को तनाश और रिइहोनेन (2020) द्वारा सामान्यीकृत किया गया था, वो किसने दिखाया $$Q(x)$$ सटीक रूप से अनुमान लगाया जा सकता है या सीमाबद्ध किया जा सकता है


 * $$\tilde{Q}(x) = \sum_{n=1}^N a_n e^{-b_n x^2}.$$
 * विशेष रूप से, उन्होंने संख्यात्मक गुणांकों को हल करने के लिए एक व्यवस्थित पद्धति प्रस्तुत की $$\{(a_n,b_n)\}_{n=1}^N$$ जो एक न्यूनतम सन्निकटन एल्गोरिथ्म सन्निकटन या बाउंड उत्पन्न करता है: $$Q(x) \approx \tilde{Q}(x)$$, $$Q(x) \leq \tilde{Q}(x)$$, या $$Q(x) \geq \tilde{Q}(x)$$ के लिए $$x\geq0$$. पेपर में सारणीबद्ध उदाहरण गुणांकों के साथ $$N = 20$$, सापेक्ष और निरपेक्ष सन्निकटन त्रुटियाँ कम हैं $$2.831 \cdot 10^{-6}$$ और $$1.416 \cdot 10^{-6}$$, क्रमश। गुणांक $$\{(a_n,b_n)\}_{n=1}^N$$ घातीय सन्निकटन और सीमा तक के कई रूपों के लिए $$N = 25$$ एक व्यापक डेटासेट के रूप में ओपन एक्सेस के लिए जारी किया गया है।


 * का एक और अनुमान $$Q(x)$$ के लिए $$x \in [0,\infty)$$ करागियानिडिस और लिउबास द्वारा दिया गया है (2007) जिन्होंने मापदंडों के उचित चयन के लिए प्रदर्शन किया $$\{A, B\}$$ वह


 * $$f(x; A, B) = \frac{\left(1 - e^{-Ax}\right)e^{-x^2}}{B\sqrt{\pi} x} \approx \operatorname{erfc} \left(x\right).$$
 * के बीच पूर्ण त्रुटि $$f(x; A, B)$$ और $$\operatorname{erfc}(x)$$ सीमा के ऊपर $$[0, R]$$ मूल्यांकन करके न्यूनतम किया जाता है


 * $$\{A, B\} = \underset{\{A,B\}}{\arg \min} \frac{1}{R} \int_0^R | f(x; A, B) - \operatorname{erfc}(x) |dx.$$
 * प्रयोग करना $$R = 20$$ और संख्यात्मक रूप से एकीकृत करने पर, उन्होंने पाया कि न्यूनतम त्रुटि कब हुई $$\{A, B\} = \{1.98, 1.135\},$$ जिसने इसके लिए एक अच्छा अनुमान दिया $$\forall x \ge 0.$$
 * इन मूल्यों को प्रतिस्थापित करना और इनके बीच संबंध का उपयोग करना $$Q(x)$$ और $$\operatorname{erfc}(x)$$ ऊपर से देता है


 * $$ Q(x)\approx\frac{\left( 1-e^{\frac{-1.98x} {\sqrt{2}}}\right)  e^{-\frac{x^{2}}{2}}}{1.135\sqrt{2\pi}x}, x \ge 0. $$
 * किसी विशिष्ट अनुप्रयोग के लिए सटीकता को तैयार करने या इसे एक तंग सीमा में बदलने के लिए उपरोक्त 'कारागियानिडिस-लिओमपास सन्निकटन' के लिए वैकल्पिक गुणांक भी उपलब्ध हैं।


 * एक सख्त और अधिक सुव्यवस्थित सन्निकटन $$Q(x)$$ सकारात्मक तर्कों के लिए $$x \in [0,\infty)$$ लोपेज़-बेनिटेज़ और कैसादेवल द्वारा दिया गया है (2011) दूसरे क्रम के घातीय फ़ंक्शन के आधार पर:


 * $$ Q(x) \approx e^{-ax^2-bx-c}, \qquad x \ge 0. $$
 * फिटिंग गुणांक $$ (a,b,c) $$ वर्ग त्रुटियों के योग को कम करने के लिए तर्कों की किसी भी वांछित सीमा पर अनुकूलित किया जा सकता है ($$a = 0.3842$$, $$b = 0.7640$$, $$c = 0.6964$$ के लिए $$x \in [0,20]$$) या अधिकतम निरपेक्ष त्रुटि को कम करें ($$a = 0.4920$$, $$b = 0.2887$$, $$c = 1.1893$$ के लिए $$x \in [0,20]$$). यह सन्निकटन कुछ लाभ प्रदान करता है जैसे सटीकता और विश्लेषणात्मक ट्रैक्टेबिलिटी के बीच एक अच्छा व्यापार-बंद (उदाहरण के लिए, किसी भी मनमानी शक्ति का विस्तार) $$Q(x)$$ तुच्छ है और सन्निकटन के बीजगणितीय रूप में परिवर्तन नहीं करता है)।

उलटा Q
व्युत्क्रम Q-फ़ंक्शन त्रुटि फ़ंक्शन#व्युत्क्रम फ़ंक्शंस से संबंधित हो सकता है:


 * $$Q^{-1}(y) = \sqrt{2}\ \mathrm{erf}^{-1}(1-2y) = \sqrt{2}\ \mathrm{erfc}^{-1}(2y)$$

कार्यक्रम $$Q^{-1}(y)$$ डिजिटल संचार में अनुप्रयोग पाता है। इसे आमतौर पर डेसीबल#फ़ील्ड मात्राओं और रूट-पावर मात्राओं में व्यक्त किया जाता है और आम तौर पर इसे क्यू-फैक्टर कहा जाता है:


 * $$\mathrm{Q\text{-}factor} = 20 \log_{10}\!\left(Q^{-1}(y)\right)\!~\mathrm{dB}$$

जहां y विश्लेषण के तहत डिजिटल रूप से संशोधित सिग्नल की बिट-त्रुटि दर (बीईआर) है। उदाहरण के लिए, एडिटिव व्हाइट गॉसियन शोर में चरण-शिफ्ट कुंजीयन#क्वाड्रेचर चरण-शिफ्ट कुंजीयन (क्यूपीएसके) के लिए, ऊपर परिभाषित क्यू-कारक सिग्नल-टू-शोर अनुपात#डेसिबल के डीबी में मान के साथ मेल खाता है जो थोड़ी त्रुटि उत्पन्न करता है दर y के बराबर.

मान
क्यू-फ़ंक्शन अच्छी तरह से सारणीबद्ध है और इसे अधिकांश गणितीय सॉफ़्टवेयर पैकेजों जैसे कि आर (प्रोग्रामिंग भाषा) और पायथन (प्रोग्रामिंग भाषा), मैटलैब और वोल्फ्राम मैथमैटिका में उपलब्ध लोगों में सीधे गणना की जा सकती है। क्यू-फ़ंक्शन के कुछ मान संदर्भ के लिए नीचे दिए गए हैं।

उच्च आयामों का सामान्यीकरण
Q-फ़ंक्शन को उच्च आयामों के लिए सामान्यीकृत किया जा सकता है:
 * $$Q(\mathbf{x})= \mathbb{P}(\mathbf{X}\geq \mathbf{x}),$$

कहाँ $$\mathbf{X}\sim \mathcal{N}(\mathbf{0},\, \Sigma) $$ सहप्रसरण के साथ बहुभिन्नरूपी सामान्य वितरण का अनुसरण करता है $$\Sigma $$ और दहलीज रूप की है $$\mathbf{x}=\gamma\Sigma\mathbf{l}^*$$ कुछ सकारात्मक वेक्टर के लिए $$ \mathbf{l}^*>\mathbf{0}$$ और सकारात्मक स्थिरांक $$\gamma>0$$. जैसा कि एक आयामी मामले में, क्यू-फ़ंक्शन के लिए कोई सरल विश्लेषणात्मक सूत्र नहीं है। फिर भी, Q-फ़ंक्शन को मनमाने ढंग से अनुमानित किया जा सकता है $$\gamma$$ बड़ा और बड़ा होता जाता है।