Banking Statistics में Probability Distributions: Binomial, Poisson, Normal

अगर आप CAIIB के Advanced Bank Management (ABM) पेपर की तैयारी कर रहे हैं, तो banking statistics में probability distributions क्वांटिटेटिव सेक्शन के सबसे ज्यादा स्कोरिंग टॉपिक्स में से एक है। बैंक हर दिन binomial, Poisson और normal distribution का इस्तेमाल करते हैं — किसी पोर्टफोलियो में कितने लोन डिफॉल्ट होंगे इसका अनुमान लगाने से लेकर, किसी घंटे में ब्रांच क्यू में कितने ग्राहक आएंगे यह मॉडल करने तक, और कैश व कैपिटल बफर के लिए z-value आधारित थ्रेशोल्ड सेट करने तक। यह गाइड हर distribution को पूरी तरह worked numerical examples के साथ समझाती है, ताकि आप एग्जाम की परिस्थितियों में और असल credit-risk व operations के काम में भी सही मॉडल लागू कर सकें।

📊 Binomial Distribution: लोन डिफॉल्ट काउंट्स को मॉडल करना

Binomial distribution तब लागू होती है जब आपके पास independent trials की एक तय संख्या (n) हो, और हर trial में एक जैसी probability (p) से एक तय "success" — क्रेडिट रिस्क में, यानी डिफॉल्ट — हो। अगर X डिफॉल्ट्स की संख्या है, तो X ~ Binomial(n, p), जिसमें mean = np और variance = np(1-p) होता है। जब भी बैंक loans के homogeneous, फिक्स्ड-साइज़ पूल को देखकर पूछता है "कितने loans खराब होंगे?", तब यही natural model बनता है।

Worked example: एक बैंक के पास 20 identical retail loans हैं, जिनमें से हर एक का independent probability of default (PD) 5% है। Expected defaults = np = 20 × 0.05 = 1, और variance = 20 × 0.05 × 0.95 = 0.95। शून्य डिफॉल्ट्स की probability है P(X=0) = (0.95)^20 ≈ 0.358 (35.8%)। ठीक एक डिफॉल्ट की probability है P(X=1) = 20 × 0.05 × (0.95)^19 ≈ 0.377 (37.7%)। इसलिए P(X ≥ 2) ≈ 1 − 0.358 − 0.377 = 0.265 (26.5%)।

Binomial फॉर्मूला लागू करने से पहले, mean और variance की बुनियादी तैयारी Measures of Central Tendency & Dispersion, Skewness, Kurtosis में रिवाइज़ कर लें — np और np(1-p) के शॉर्टकट्स इन्हीं फॉर्मूलों पर सीधे आधारित हैं।

⚠️ Common Mistake: कैंडिडेट्स binomial को Poisson से confuse कर देते हैं। Binomial में हमेशा trials की एक जानी-पहचानी, फिक्स्ड संख्या चाहिए (n loans, n cheques); अगर n फिक्स्ड नहीं है और events सिर्फ एक औसत दर से होते हैं, तो आप Poisson के दायरे में हैं।

📈 Poisson Distribution: दुर्लभ घटनाएँ और बैंक क्यूइंग मॉडल्स

Poisson distribution उन independent events की गिनती को मॉडल करती है जो समय या स्थान के एक फिक्स्ड इंटरवल में एक constant average rate (λ) पर होते हैं — जैसे टेलर काउंटर पर आने वाले ग्राहक, रोज़ाना cheque returns, या हफ्ते में fraud alerts। Binomial के उलट, इसमें कोई फिक्स्ड "n" नहीं होता; आपको सिर्फ average rate चाहिए। इसकी परिभाषित विशेषता यह है कि mean = variance = λ।

Worked example: एक ब्रांच के टेलर काउंटर पर हर 10 मिनट में औसतन 4 ग्राहक आते हैं (λ = 4)। 10 मिनट की विंडो में ठीक 6 ग्राहकों के आने की probability है P(X=6) = e^-4 × 4^6 / 6! = 0.01832 × 4096 / 720 ≈ 0.104 (10.4%)। ब्रांच मैनेजर्स इस Poisson-आधारित arrival model को average service time के साथ मिलाकर, queueing (M/M/1-टाइप) कैलकुलेशन के ज़रिए टेलर और ATM स्टाफिंग तय करते हैं।

जब n बड़ा हो और p छोटा हो, तब Poisson distribution binomial का approximation भी बनती है, जिसमें λ = np इस्तेमाल होता है। पहले वाले डिफॉल्ट example को दोबारा देखें: n=20, p=0.05 के साथ λ=1 है, इसलिए P(X=0) ≈ e^-1 = 0.368 — जो exact binomial value 0.358 के काफी करीब है। यह शॉर्टकट बड़े, low-PD loan books से जुड़े CAIIB numericals में खूब पूछा जाता है।

💡 Exam Tip: जब भी कोई सवाल कहे "mean number of events variance के बराबर है" या सिर्फ एक average rate दे, trials की कोई फिक्स्ड संख्या न दे, तो जवाब लगभग हमेशा Poisson ही होता है।

🔔 Normal Curve और बैंकिंग रिस्क मेज़रमेंट में Z-Values

Normal distribution continuous variables को मॉडल करती है — ATM कैश निकासी, लोन सैंक्शन राशि, ब्याज दर की हलचलें — जो किसी mean (μ) के इर्द-गिर्द एक दिए गए standard deviation (σ) के साथ symmetrically जमा होते हैं। Standard normal variable z = (X − μ) / σ किसी भी value को "mean से standard deviations की संख्या" में बदल देता है, जिससे आप standard normal table से सीधे probabilities पढ़ सकते हैं।

Worked example: एक ब्रांच में रोज़ाना ATM कैश निकासी normally distributed है, जिसमें mean μ = ₹8,00,000 और σ = ₹1,00,000 है। किसी दिन निकासी ₹9,50,000 से ज़्यादा होने की probability क्या है? z = (9,50,000 − 8,00,000) / 1,00,000 = 1.5। Standard normal table से, P(Z ≤ 1.5) = 0.9332, इसलिए P(Z > 1.5) = 0.0668, यानी करीब 6.7% chance।

अब सवाल पलटें: ब्रांच को कितना कैश स्टॉक रखना चाहिए ताकि कैश कम पड़ने का chance सिर्फ 5% रहे? one-tailed 5% critical value z = 1.645 इस्तेमाल करते हुए, required cash = μ + 1.645σ = 8,00,000 + 1,64,500 = ₹9,64,500। बफर सेट करने की यह लॉजिक Reserve Bank of India के risk-based supervision और stress-testing framework (rbi.org.in) के पीछे के तरीके से मिलती-जुलती है, और यही reasoning estimation and confidence intervals वाले सवालों में भी टेस्ट की जाती है।

📌 Remember: one-tailed 95% / two-tailed 90% cut-off के लिए z = 1.645, two-tailed 95% के लिए z = 1.96, और one-tailed 99% के लिए z = 2.33 — CAIIB ABM के numericals में ये तीन constants बार-बार दोहराए जाते हैं।

🧮 CAIIB ABM Numericals के लिए सही Distribution चुनना

एग्जाम के दबाव में सही मॉडल चुनने का सबसे तेज़ तरीका है तीन बातें चेक करना: outcome discrete है या continuous, trials की संख्या फिक्स्ड है या open-ended, और क्या सवाल आपको per-trial probability (p) देता है या average rate (λ)। एक बताई गई default probability वाला फिक्स्ड loans का पूल binomial है; एक बताई गई average rate वाली arrivals या rare events की open-ended स्ट्रीम Poisson है; और amount या rate जैसा कोई continuous measurement normal है।

ये distributions ABM और BFM के दूसरे टॉपिक्स से भी सीधे जुड़ती हैं। Binomial मॉडल से अनुमानित probability of default, expected-loss कैलकुलेशन में जाकर आखिरकार Basel 3 capital requirements तय करती है, क्योंकि capital charges PD, loss given default, और exposure at default पर बने होते हैं। बैंक individual borrowers की underwriting करते वक्त distribution-आधारित PD estimates को decision tree analysis for credit decisions के साथ भी मिलाते हैं, और एक बार जब आप दो risk drivers के बीच संबंध पहचान लेते हैं, तो अगला natural कदम correlation and regression in banking होता है।

नीचे दी गई टेबल आपके CAIIB ABM प्रयास से पहले quick revision के लिए तीनों distributions को समराइज़ करती है।

इस चैप्टर के साथ-साथ Sampling methods को भी रिवाइज़ करना मददगार रहता है, क्योंकि एग्जाम के numericals अक्सर किसी binomial या normal कैलकुलेशन के ऊपर एक sampling scenario भी जोड़ देते हैं।

🎯 Exam-Ready Recap और अगले कदम

Banking statistics में probability distributions कोई abstract थ्योरी नहीं हैं — ये default-count estimation, ब्रांच व ATM स्टाफिंग, और uncertainty के खिलाफ बैंकों द्वारा रखे जाने वाले कैश व कैपिटल बफर के पीछे की असली मशीनरी हैं। CAIIB ABM के लिए, तीनों फॉर्मूला सेट्स (binomial mean/variance, Poisson mean=variance=λ, और standard z-value table) की इतनी प्रैक्टिस करें कि आप किसी भी word problem पर उन्हें एक मिनट के अंदर लागू कर सकें। अपनी statistics की बुनियाद और मज़बूत करने के लिए Advanced Bank Management tag hub पर और टॉपिक्स देखें।

🧠 Practice MCQs: Banking Statistics में Probability Distributions

100+ MCQs वाले chapter-wise mock tests चाहिए? फ्री प्रैक्टिस शुरू करें →