बेनफोर्ड का नियम क्या है?
बेनफोर्ड का नियम (जिसे पहले-अंक का नियम भी कहते हैं) वास्तविक दुनिया के कई डेटासेट में अग्रणी अंकों के एक चौंकाने वाले वितरण को दर्शाता है — जैसे वित्तीय आँकड़े, जनसंख्या के आँकड़े, भौतिक स्थिरांक और बहुत कुछ। ऐसा नहीं होता कि 1 से 9 तक का हर अंक बराबर (लगभग 11.1% प्रत्येक) दिखाई दे; इसके बजाय छोटे अंक हावी रहते हैं: अंक 1 लगभग 30.1% बार सबसे आगे आता है, जबकि अंक 9 केवल लगभग 4.6% बार। यह कैलकुलेटर आपके चुने हुए किसी भी अग्रणी अंक के लिए सटीक बेनफोर्ड प्रायिकता बताता है।
इस कैलकुलेटर का उपयोग कैसे करें
1 से 9 के बीच एक अग्रणी अंक चुनें। चाहें तो नमूना आकार (आपके डेटासेट में मौजूद मानों की संख्या) भी दर्ज करें, ताकि यह देखा जा सके कि अगर डेटा बेनफोर्ड के नियम का पालन करता है तो उतने में से कितने मान उस अंक से शुरू होने की उम्मीद है। यह टूल प्रायिकता को प्रतिशत और दशमलव दोनों रूपों में, साथ ही अपेक्षित संख्या के रूप में दिखाता है।
सूत्र की व्याख्या
किसी अग्रणी अंक d की प्रायिकता \(P(d) = \log_{10}\!\left(1 + \frac{1}{d}\right)\) से निकाली जाती है। चूँकि लघुगणक (logarithm) धीरे-धीरे बढ़ता है, इसलिए लगातार आने वाले अंकों के बीच का अंतर घटता जाता है, जिससे यह विशिष्ट नीचे की ओर ढलता हुआ वितरण बनता है। N आकार के डेटासेट में अपेक्षित संख्या बस \(E(d) = N \times P(d)\) होती है।
हल किया हुआ उदाहरण
अंक 1 के लिए:
$$P(1) = \log_{10}\!\left(1 + \frac{1}{1}\right) = \log_{10}(2) \approx 0.30103$$यानी लगभग 30.1%। 1,000 मानों के डेटासेट में आप उम्मीद करेंगे कि उनमें से लगभग 301 अंक 1 से शुरू होंगे। अंक 9 के लिए:
$$P(9) = \log_{10}\!\left(1 + \frac{1}{9}\right) = \log_{10}\!\left(\frac{10}{9}\right) \approx 0.0458$$यानी लगभग 4.58% — यानी 1,000 में से केवल लगभग 46 मान।
आपके परिणाम की व्याख्या
कैलकुलेटर चुने गए प्रमुख अंक \(d\) के लिए दो संख्याएं देता है: Benford की संभावना \(P(d)=\log_{10}\!\left(1+\frac{1}{d}\right)\) और आकार \(N\) के नमूने के लिए अपेक्षित संख्या \(E = N \times P(d)\)। उदाहरण के लिए, \(d=1\) के साथ संभावना लगभग 0.30103 है, इसलिए \(N=1000\) मानों के डेटासेट में आप लगभग 301 संख्याओं की अपेक्षा करेंगे जो अंक 1 से शुरू होती हैं।
मेल बैठना बनाम विचलन
जब किसी प्रमुख अंक की अवलोकन की गई गणना अपेक्षित गणना \(E\) के करीब होती है, तो कहा जाता है कि डेटा Benford के नियम के अनुरूप है। जब अवलोकन की गई गणना अंक 1–9 में \(E\) से ध्यान से अलग हो जाती है — उदाहरण के लिए, 7, 8, या 9 से शुरू होने वाले मान बहुत अधिक हैं, या तीव्र \(P(1) > P(2) > \dots > P(9)\) गिरावट के बजाय लगभग-एकसमान प्रसार है — डेटासेट को कहा जाता है कि यह अपेक्षित वितरण से विचलित है। एक एकल अंक थोड़ा बंद होना आमतौर पर असाधारण नहीं है; कई अंकों में एक व्यवस्थित पैटर्न अधिक अर्थपूर्ण है।
उपयुक्तता परीक्षण की भूमिका
अवलोकन की गई और अपेक्षित गणना के बीच अंतर को देखना पर्याप्त नहीं है, क्योंकि कुछ अंतर हमेशा संयोग से होता है। एक औपचारिक उपयुक्तता परीक्षण — सबसे आम तौर पर ची-वर्ग परीक्षण — यह बताता है कि समग्र पैटर्न कितना आश्चर्यजनक है। ची-वर्ग सांख्यिकी सभी नौ अंकों पर मानकीकृत वर्ग अंतर को जोड़ता है:
$$\chi^2 = \sum_{d=1}^{9} \frac{(O_d - E_d)^2}{E_d}$$
जहां \(O_d\) अवलोकन की गई गणना है और \(E_d = N \times P(d)\) अंक \(d\) के लिए Benford द्वारा अपेक्षित गणना है। परिणामी सांख्यिकी की तुलना 8 स्वतंत्रता अंशों (नौ अंकों के साथ 8 डिग्री) के साथ ची-वर्ग वितरण के विरुद्ध की जाती है ताकि p-मान प्राप्त किया जा सके। एक छोटा p-मान इंगित करता है कि देखा गया प्रमुख-अंक वितरण संभवतः Benford के नियम का पालन करने वाले डेटा से नहीं हुआ। संबंधित उपाय जैसे माध्य निरपेक्ष विचलन (MAD) भी अनुरूपता को मापने के लिए उपयोग किए जाते हैं।
विचलन एक झंडा है, प्रमाण नहीं
Benford के नियम से एक सांख्यिकीय रूप से महत्वपूर्ण विचलन केवल यह संकेत देता है कि प्रमुख-अंक पैटर्न असामान्य है और आगे की समीक्षा की आवश्यकता हो सकती है। यह अपने आप में त्रुटि, हेराफेरी, या धोखाधड़ी का प्रमाण नहीं है। कई सामान्य, पूरी तरह से वैध प्रक्रियाएं गैर-Benford वितरण उत्पन्न करती हैं, और इसके विपरीत डेटा जाली हो सकता है फिर भी अनुरूप हो। विचलन को यह देखने के लिए एक प्रेरणा के रूप में मानें कि डेटा कैसे उत्पन्न हुआ, एक निष्कर्ष के रूप में नहीं।
डेटासेट आकार और श्रेणी को ध्यान में रखते हुए
Benford का नियम एक स्पर्शोन्मुख, अनुमानित पैटर्न है, और अपेक्षित गणना \(E_d\) केवल उपयुक्त स्थितियों के तहत अर्थपूर्ण हैं:
- नमूना आकार। छोटे नमूनों में उच्च अंकों के लिए अपेक्षित गणना छोटी हो जाती है, प्राकृतिक नमूना भिन्नता बड़ी होती है, और ची-वर्ग सन्निकटन खराब हो जाता है; कुछ दर्जन मानों के परिणाम अविश्वसनीय हैं।
- श्रेणी और प्रसार। नियम डेटा के अनुरूप है जो कई परिमाण के आदेशों तक फैले हुए हैं और गुणक या स्वाभाविक रूप से विविध प्रक्रियाओं से उत्पन्न होते हैं। संख्याएं सीमित श्रेणी तक सीमित हैं, निर्दिष्ट मानों (ZIP कोड, फोन नंबर, आईडी), सीमित या गोल किए गए आंकड़े, या लगाए गए न्यूनतम और अधिकतम के साथ अनुक्रम को Benford के नियम का पालन करने की आवश्यकता नहीं है, भले ही कुछ भी गलत न हो।
- केवल प्रमुख अंक। यह कैलकुलेटर पहले-अंक कानून को संबोधित करता है; पहले-दो-अंक और अन्य विस्तारित परीक्षणों की अपनी अपेक्षित संभावनाएं होती हैं और अक्सर अधिक संवेदनशील होते हैं।
इन चेतावनियों के कारण, अनुरूपता या गैर-अनुरूपता को हमेशा यह ध्यान में रखते हुए व्याख्यायित किया जाना चाहिए कि संख्याएं क्या प्रतिनिधित्व करती हैं और आपके पास कितने हैं।
अक्सर पूछे जाने वाले प्रश्न
किस तरह का डेटा बेनफोर्ड के नियम का पालन करता है? ऐसा डेटा जो कई परिमाण-कोटियों (orders of magnitude) में फैला हो और प्राकृतिक वृद्धि या गुणनात्मक प्रक्रियाओं से उत्पन्न होता हो — जैसे लेखांकन (accounting) के आँकड़े, शेयर के दाम, नदियों की लंबाई और शहरों की जनसंख्या — आमतौर पर इसका अच्छी तरह पालन करते हैं।
इसका उपयोग धोखाधड़ी पकड़ने में क्यों किया जाता है? असली संख्यात्मक डेटा अक्सर बेनफोर्ड के वितरण का पालन करता है, इसलिए वित्तीय रिकॉर्ड में बड़े विचलन (deviations) नकली या हेरफेर किए गए आँकड़ों की ओर इशारा कर सकते हैं और उन्हें ऑडिट के लिए चिह्नित कर देते हैं।
क्या यह किसी भी अंक की स्थिति के लिए काम करता है? यह कैलकुलेटर अग्रणी (पहले) अंक को कवर करता है। बेनफोर्ड के नियम के पास दूसरे और उसके बाद के अंकों के लिए भी सूत्र हैं, जहाँ वितरण समान (uniform) की ओर अधिक सपाट होता जाता है।
