શરતી સંભાવનાની મૂળભૂત બાબતો

શરતી સંભાવનાની મૂળભૂત બાબતો

સંભાવના એ ઘટના બનવાની શક્યતા માપવાની એક ઔપચારિક રીત છે. ઘણી વાસ્તવિક પરિસ્થિતિઓમાં, ઘટનાની સંભાવના એકલી રહેતી નથી પરંતુ આપણે પહેલાથી જ જાણીતી અન્ય માહિતીથી પ્રભાવિત થાય છે. આ તે જગ્યા છે જ્યાં શરતી સંભાવનાનો ખ્યાલ મહત્વપૂર્ણ બની જાય છે. શરતી સંભાવના વધારાની માહિતી મેળવ્યા પછી ચોક્કસ ઘટના વિશેની આપણી માન્યતાઓને અપડેટ કરવામાં મદદ કરે છે. આ લેખ તેની વ્યાખ્યા, મૂળભૂત સૂત્ર, ઉદાહરણો અને ઉત્પાદન નિયમ અને બેયસના પ્રમેય સાથેના તેના સંબંધની ચર્ચા કરે છે.

૧. શરતી સંભાવનાને સમજવી

સહજ રીતે, શરતી સંભાવના એ ઘટના A બનવાની શક્યતા છે, કારણ કે ઘટના B બની છે. તે આ રીતે લખાયેલ છે:

\[
P(A \મધ્ય B)
\]

"આપેલ B ની સંભાવના" વાંચો.

ઉદાહરણ તરીકે, આપણે જાણવા માંગીએ છીએ કે આજે વરસાદ પડી રહ્યો છે તે જોતાં (B) કોઈ વ્યક્તિ છત્રી (A) લઈને જઈ રહી છે કે નહીં. સ્પષ્ટપણે, જો આપણે જાણીએ કે વરસાદ પડી રહ્યો છે તો છત્રી લઈને જવાની સંભાવના વધારે છે. "વરસાદ પડી રહ્યો છે" માહિતી આપણી વિચારણાની જગ્યા બદલી નાખે છે - આપણે હવે બધી હવામાન પરિસ્થિતિઓને ધ્યાનમાં લેતા નથી, પરંતુ ફક્ત વરસાદ પડી રહ્યો હોય ત્યારેની પરિસ્થિતિઓને ધ્યાનમાં લઈએ છીએ.

2. શરતી સંભાવના સૂત્ર

શરતી સંભાવનાની ગાણિતિક વ્યાખ્યા છે:

\[
P(A \મધ્ય B) = \frac{P(A \cap B)}{P(B)}
\]

જો \(P(B) > 0\).

માહિતી:
– \(P(A \mid B)\): B થાય છે તે જોતાં A થવાની સંભાવના.
– \(P(A \cap B)\): A અને B એક સાથે થવાની સંભાવના (A અને B નું આંતરછેદ).
– \(P(B)\): B થવાની સંભાવના.

આ સૂત્રનો અર્થ: આપણે આપણું ધ્યાન ઘટના B સુધી મર્યાદિત રાખીએ છીએ, પછી ગણતરી કરીએ છીએ કે B ના કેટલા ભાગમાં A પણ શામેલ છે.

૩. સરળ ઉદાહરણ: પત્તા વગાડવું

રમતા પત્તાના પ્રમાણભૂત ડેકમાંથી એક પત્તા લો (52 પત્તા). ઉદાહરણ તરીકે:
– A: દોરેલું કાર્ડ એક Ace છે
– B: દોરેલું કાર્ડ સ્પેડ્સ છે.

આપણે \(P(A \mid B)\) ની ગણતરી કરવા માંગીએ છીએ, જે કાર્ડ એક કોદાળી હોવાથી Ace દોરવાની સંભાવના છે.

પગલું:
– સ્પેડ્સમાં ૧૩ કાર્ડ હોય છે, તેથી \(P(B) = ૧૩/૫૨\).
– સ્લાઇસ A અને B "એકસ ઓફ સ્પેડ્સ" છે જેનો કુલ 1 કાર્ડ થાય છે, તેથી \(P(A \cap B) = 1/52\).

તેથી:

\[
P(A \મધ્ય B) = \frac{1/52}{13/52} = \frac{1}{13}
\]

આનો અર્થ એ થયો કે જો આપણે પહેલાથી જ જાણીએ છીએ કે કાર્ડ એક કોદાળી છે, તો તે કાર્ડ Ace હોવાની સંભાવના 13 માંથી 1 છે.

૪. આંતરછેદ (A ∩ B) અને માહિતીની ભૂમિકાને સમજવી

સંભાવનાનો અભ્યાસ કરતી વખતે એક સામાન્ય ભૂલ એ છે કે \(P(A)\) ને \(P(A|B)\) સાથે ગૂંચવવું. કાર્ડ ઉદાહરણમાં:
– \(P(A) = 4/52 = 1/13\) (વધારાની માહિતી વિના Ace ની સંભાવના)
– \(P(A|B) = 1/13\) (આ કિસ્સામાં પણ સંયોગવશ)

જોકે, ઘણા કિસ્સાઓમાં બંને મૂલ્યો અલગ હોય છે. વધારાની માહિતી આ હોઈ શકે છે:
- તકો વધારો (દા.ત., જો કોઈ જાણતું હોય કે કોઈ અભ્યાસ કરી રહ્યું છે તો પરીક્ષા પાસ કરવાની તક),
– તકો ઓછી કરો (જો તમને ખબર હોય કે કામ પરથી ઘરે જવાનો સમય થઈ ગયો છે તો સરળ રસ્તાઓની શક્યતાઓ),
- અથવા જો ઘટનાઓ સ્વતંત્ર હોય તો સંભાવના બદલાતી નથી.

૫. પરસ્પર સ્વતંત્ર ઘટનાઓ (સ્વતંત્રતા)

જો ઘટના B A ની સંભાવનાને અસર કરતી નથી, તો બે ઘટનાઓ A અને B સ્વતંત્ર હોવાનું કહેવાય છે, અને ઊલટું પણ. ઔપચારિક રીતે:

\[
P(A \મધ્ય B) = P(A)
\]

અથવા સમકક્ષ:

\[
P(A \cap B) = P(A)P(B)
\]

ઉદાહરણ: સિક્કો ઉછાળવો અને ડાઇ ફેરવવી. સિક્કાના પરિણામ (સંખ્યા/ચહેરા) ને ડાઇના પરિણામ (1–6) થી અસર થતી નથી, તેથી બંને સ્વતંત્ર છે. જો A "સિક્કો સંખ્યા બતાવે છે" અને B "ડાઇ 6 બતાવે છે" હોય, તો:

\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]

અને એ સાચું છે કે \(1/12 = (1/2)(1/6)\).

6. ગુણાકાર નિયમ

શરતી સંભાવનાની વ્યાખ્યામાંથી, આપણે ગુણાકાર નિયમ મેળવી શકીએ છીએ:

\[
P(A \cap B) = P(A \mid B)P(B)
\]

અથવા એ પણ:

\[
P(A \cap B) = P(B \mid A)P(A)
\]

આ નિયમ ત્યારે ખૂબ જ ઉપયોગી છે જ્યારે આપણે બે ઘટનાઓ એકસાથે બનવાની સંભાવનાની ગણતરી કરવા માંગીએ છીએ, પરંતુ બીજી ઘટના જાણ્યા પછી તેમાંથી એકની સંભાવનાનું મૂલ્યાંકન કરવું વધુ સરળ બને છે.

ઉદાહરણ: ધારો કે કોઈ વ્યક્તિ ઇન્ટરવ્યૂ (B) પાસ કરે તેની સંભાવના 0,4 છે. જો તે ઇન્ટરવ્યૂ પાસ કરે તો નોકરી (A) માટે સ્વીકારવામાં આવે તેની સંભાવના 0,6 છે. તો "ઇન્ટરવ્યૂ પાસ કરીને નોકરી માટે સ્વીકારવામાં આવે" ની સંભાવના છે:

\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \ગુણા 0{,}4 = 0{,}24
\]

7. બેયસનો પ્રમેય: પરિસ્થિતિઓને ઉલટાવી રહ્યા છીએ

ઘણીવાર આપણે \(P(A|B)\) જાણીએ છીએ, પરંતુ આપણને ખરેખર જેની જરૂર છે તે \(P(B|A)\) છે. બેયસનો પ્રમેય શરતી સંભાવનાને "ફ્લિપ" કરવાનો માર્ગ પૂરો પાડે છે:

\[
P(B \મધ્ય A) = \frac{P(A \મધ્ય B)P(B)}{P(A)}
\]

આ પ્રમેય તબીબી નિદાન, મશીન લર્નિંગ, સ્પામ શોધ અને ડેટા-આધારિત નિર્ણય લેવાના ક્ષેત્રોમાં ખૂબ જ જાણીતો છે.

ટૂંકું ઉદાહરણ (સ્વાસ્થ્ય)
દાખ્લા તરીકે:
– B: કોઈ ખરેખર બીમાર છે (વ્યાપ) \(P(B)=0{,}01\)
– A: સકારાત્મક પરીક્ષણ પરિણામ
– પરીક્ષણ સંવેદનશીલતા: \(P(A|B)=0{,}95\)
– ખોટા ધન: \(P(A|\text{બીમાર નથી})=0{,}05\)

પ્રશ્ન: જો પરીક્ષણનું પરિણામ સકારાત્મક આવે, તો વ્યક્તિ ખરેખર બીમાર હોવાની સંભાવના કેટલી છે, એટલે કે \(P(B|A)\)?

આપણને \(P(A)\) ની જરૂર છે:

\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]

તેથી:

\[
P(B|A)=\frac{0{,}95 \ગુણા 0{,}01}{0{,}059} \આશરે 0{,}161
\]

પરિણામ લગભગ ૧૬.૧% હતું. આ દર્શાવે છે કે સકારાત્મક પરીક્ષણનો અર્થ એ નથી કે કોઈ વ્યક્તિ ચોક્કસપણે બીમાર છે, ખાસ કરીને જો રોગનો વ્યાપ ખૂબ ઓછો હોય.

8. કુલ સંભાવના (કુલ સંભાવનાનો નિયમ)

અનેક પરિસ્થિતિઓમાં વિભાજિત પરિસ્થિતિમાં \(P(A)\) ની ગણતરી કરવા માટે, આપણે કુલ સંભાવનાના નિયમનો ઉપયોગ કરી શકીએ છીએ. જો \(B_1, B_2, …, B_n\) નમૂના જગ્યાનું વિભાજન બનાવે છે (પરસ્પર અલગ પડે છે અને બધી શક્યતાઓને સમાવે છે), તો:

\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]

બહુવિધ શ્રેણીઓ અથવા સ્ત્રોતોમાંથી માહિતી પર પ્રક્રિયા કરવા માટે તેને ઘણીવાર બેયસના પ્રમેય સાથે જોડવામાં આવે છે.

9. શરતી સંભાવનામાં સામાન્ય ભૂલો

કેટલીક સામાન્ય ભૂલો:
૧. ધારો કે \(P(A|B)\) બરાબર \(P(B|A)\) છે. સામાન્ય રીતે આ સાચું નથી.
2. બેઝ રેટને અવગણીને, ઉદાહરણ તરીકે બેયસના ઉદાહરણમાં રોગનો વ્યાપ.
૩. શરત આપ્યા પછી નમૂનાની જગ્યા ખોટી રીતે નક્કી કરવી, ભલે શરત B નો અર્થ એ છે કે આપણે ફક્ત "પ્રદેશ B" માં ગણીએ છીએ.

10. નિષ્કર્ષ

શરતી સંભાવના આંકડાશાસ્ત્ર અને અનિશ્ચિતતા મોડેલિંગમાં એક મહત્વપૂર્ણ પાયો છે. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) ની વ્યાખ્યા સમજીને, આપણે વધારાની માહિતીનો વિચાર કરીને સંભાવનાઓનું મૂલ્યાંકન કરી શકીએ છીએ. આ ખ્યાલ ઉત્પાદન નિયમ, સ્વતંત્ર ઘટનાઓ, કુલ સંભાવનાના કાયદા અને બેયસના પ્રમેય સાથે સીધો સંબંધિત છે, જે ઘણા વાસ્તવિક-વિશ્વના કાર્યક્રમોમાં ખૂબ ઉપયોગી છે. તમે જેટલા વધુ નક્કર ઉદાહરણો - કાર્ડ્સ, ડાઇસ, સર્વેક્ષણો અને તબીબી કેસ - સાથે પ્રેક્ટિસ કરશો તેટલું જ નવી માહિતી આવતાં સંભાવનાઓ કેવી રીતે બદલાય છે તે અંગે તમારી અંતર્જ્ઞાન વધુ મજબૂત બનશે.