സോപാധിക സാധ്യതയുടെ അടിസ്ഥാനകാര്യങ്ങൾ

സോപാധിക സാധ്യതയുടെ അടിസ്ഥാനങ്ങൾ

ഒരു സംഭവം സംഭവിക്കാനുള്ള സാധ്യത എത്രത്തോളം ഉണ്ടെന്ന് അളക്കുന്നതിനുള്ള ഒരു ഔപചാരിക മാർഗമാണ് പ്രോബബിലിറ്റി. പല യഥാർത്ഥ സാഹചര്യങ്ങളിലും, ഒരു സംഭവത്തിന്റെ സാധ്യത ഒറ്റയ്ക്ക് നിൽക്കുന്നില്ല, മറിച്ച് നമുക്ക് ഇതിനകം അറിയാവുന്ന മറ്റ് വിവരങ്ങളാൽ സ്വാധീനിക്കപ്പെടുന്നു. ഇവിടെയാണ് സോപാധിക സാധ്യത എന്ന ആശയം പ്രധാനമാകുന്നത്. കൂടുതൽ വിവരങ്ങൾ നേടിയ ശേഷം ഒരു പ്രത്യേക സംഭവത്തെക്കുറിച്ചുള്ള നമ്മുടെ വിശ്വാസങ്ങൾ അപ്‌ഡേറ്റ് ചെയ്യാൻ സോപാധിക സാധ്യത സഹായിക്കുന്നു. ഈ ലേഖനം അതിന്റെ നിർവചനം, അടിസ്ഥാന സൂത്രവാക്യം, ഉദാഹരണങ്ങൾ, ഉൽപ്പന്ന നിയമവുമായും ബയേസിന്റെ സിദ്ധാന്തവുമായും ഉള്ള അതിന്റെ ബന്ധം എന്നിവ ചർച്ച ചെയ്യുന്നു.

1. കണ്ടീഷണൽ പ്രോബബിലിറ്റി മനസ്സിലാക്കൽ

അവബോധജന്യമായി, ഇവന്റ് ബി സംഭവിച്ചിട്ടുണ്ടെങ്കിൽ, ഇവന്റ് എ സംഭവിക്കാനുള്ള സാധ്യതയാണ് കണ്ടീഷണൽ പ്രോബബിലിറ്റി. ഇത് ഇങ്ങനെ എഴുതിയിരിക്കുന്നു:

\[
പി(എ \മിഡ് ബി)
\]

“A തന്നിരിക്കുന്ന B യുടെ സാധ്യത” വായിക്കുക.

ഉദാഹരണത്തിന്, ഇന്ന് മഴ പെയ്യുന്നതിനാൽ (B) ഒരാൾ കുട ചുമക്കുന്നുണ്ടാകാനുള്ള സാധ്യത എത്രയാണെന്ന് നമുക്ക് അറിയണം (A). മഴ പെയ്യുന്നുണ്ടെന്ന് അറിയാമെങ്കിൽ കുട ചുമക്കാനുള്ള സാധ്യത കൂടുതലാണ് എന്നത് വ്യക്തമാണ്. "മഴ പെയ്യുന്നു" എന്ന വിവരം നമ്മുടെ പരിഗണനാ മേഖലയെ മാറ്റുന്നു - ഇനി എല്ലാ കാലാവസ്ഥാ സാഹചര്യങ്ങളും ഞങ്ങൾ പരിഗണിക്കുന്നില്ല, മറിച്ച് മഴ പെയ്യുമ്പോഴുള്ള സാഹചര്യങ്ങൾ മാത്രമാണ് ഞങ്ങൾ പരിഗണിക്കുന്നത്.

2. കണ്ടീഷണൽ പ്രോബബിലിറ്റി ഫോർമുല

സോപാധിക സാധ്യതയുടെ ഗണിതശാസ്ത്ര നിർവചനം:

\[
പി(എ \മധ്യ ബി) = \frac{പി(എ \കാപ് ബി)}{പി(ബി)}
\]

\(P(B) > 0\) എന്ന് നൽകിയിട്ടുണ്ട്.

വിവരങ്ങൾ:
– \(P(A \mid B)\): B സംഭവിക്കുമ്പോൾ A സംഭവിക്കാനുള്ള സാധ്യത.
– \(P(A \cap B)\): A യും B യും ഒരേസമയം സംഭവിക്കാനുള്ള സാധ്യത (A യും B യും കൂടിച്ചേരുന്ന സ്ഥലം).
– \(P(B)\): B സംഭവിക്കാനുള്ള സാധ്യത.

ഈ സൂത്രവാക്യത്തിന്റെ അർത്ഥം: നമ്മൾ നമ്മുടെ ശ്രദ്ധ ഇവന്റ് B യിലേക്ക് പരിമിതപ്പെടുത്തുന്നു, തുടർന്ന് B യുടെ എത്ര വലിയ ഭാഗത്ത് A ഉൾപ്പെടുന്നുവെന്ന് കണക്കാക്കുന്നു.

3. ലളിതമായ ഉദാഹരണം: കാർഡുകൾ കളിക്കൽ

ഒരു സാധാരണ പ്ലേയിംഗ് കാർഡുകളുടെ ഡെക്കിൽ നിന്ന് ഒരു കാർഡ് എടുക്കുക (52 കാർഡുകൾ). ഉദാഹരണത്തിന്:
– എ: എടുത്ത കാർഡ് ഒരു ഏസ് ആണ്
– ബി: വരച്ച കാർഡ് സ്പേഡ്സ് ആണ്

നമുക്ക് \(P(A \mid B)\) കണക്കാക്കണം, അതായത് കാർഡ് ഒരു സ്പേഡ് ആണെങ്കിൽ ഒരു ഏസ് വരയ്ക്കാനുള്ള സാധ്യത.

ലങ്ക:
– സ്പേഡുകളിൽ 13 കാർഡുകൾ ഉണ്ട്, അതിനാൽ \(P(B) = 13/52\).
– A, B എന്നീ സ്ലൈസുകൾ "Ace of spades" ആണ്, അത് ആകെ 1 കാർഡാണ്, അതിനാൽ \(P(A \cap B) = 1/52\).

അതിനാൽ:

\[
പി(എ \മിഡ് ബി) = \frac{1/52}{13/52} = \frac{1}{13}
\]

ഇതിനർത്ഥം കാർഡ് ഒരു സ്പേഡ് ആണെന്ന് നമുക്ക് ഇതിനകം അറിയാമെങ്കിൽ, കാർഡ് ഒരു എയ്‌സ് ആകാനുള്ള സാധ്യത 13 ൽ 1 ആണ് എന്നാണ്.

4. ഇന്റർസെക്ഷൻ (A ∩ B) ഉം വിവരങ്ങളുടെ പങ്കും മനസ്സിലാക്കൽ

സാധ്യത പഠിക്കുമ്പോൾ ഒരു സാധാരണ തെറ്റ് \(P(A)\) നെ \(P(A|B)\) എന്ന് ആശയക്കുഴപ്പത്തിലാക്കുക എന്നതാണ്. കാർഡ് ഉദാഹരണത്തിൽ:
– \(P(A) = 4/52 = 1/13\) (അധിക വിവരങ്ങളില്ലാതെ ഏസിന്റെ സാധ്യത)
– \(P(A|B) = 1/13\) (യാദൃശ്ചികമായി ഈ സാഹചര്യത്തിലും ഇതുതന്നെയാണ്)

എന്നിരുന്നാലും, പല സന്ദർഭങ്ങളിലും രണ്ട് മൂല്യങ്ങളും വ്യത്യസ്തമായിരിക്കും. കൂടുതൽ വിവരങ്ങൾ ഇവയാകാം:
- സാധ്യതകൾ വർദ്ധിപ്പിക്കുക (ഉദാ: ഒരാൾ പഠിക്കുന്നുണ്ടെന്ന് അറിയാമെങ്കിൽ പരീക്ഷ പാസാകാനുള്ള സാധ്യത),
– അവസരങ്ങൾ കുറയ്ക്കുക (ജോലി കഴിഞ്ഞ് വീട്ടിലെത്താൻ സമയമായി എന്ന് നിങ്ങൾക്കറിയാമെങ്കിൽ സുഗമമായ റോഡുകൾക്കുള്ള സാധ്യത),
– അല്ലെങ്കിൽ സംഭവങ്ങൾ സ്വതന്ത്രമാണെങ്കിൽ സാധ്യത മാറ്റില്ല.

5. പരസ്പരം സ്വതന്ത്രമായ സംഭവങ്ങൾ (സ്വാതന്ത്ര്യം)

A യുടെ സാധ്യതയെ B എന്ന സംഭവം ബാധിക്കുന്നില്ലെങ്കിൽ A, B എന്നീ രണ്ട് സംഭവങ്ങളെ സ്വതന്ത്ര സംഭവങ്ങളായി കണക്കാക്കാം, തിരിച്ചും. ഔപചാരികമായി:

\[
പി(എ \മിഡ് ബി) = പി(എ)
\]

അല്ലെങ്കിൽ ഇതിന് തുല്യമായത്:

\[
പി(എ \കാപ് ബി) = പി(എ)പി(ബി)
\]

ഉദാഹരണം: ഒരു നാണയം എറിയുകയും ഒരു ഡൈ ഉരുട്ടുകയും ചെയ്യുക. നാണയത്തിന്റെ ഫലം (സംഖ്യ/ചിത്രം) ഡൈയുടെ ഫലം (1–6) ബാധിക്കില്ല, അതിനാൽ രണ്ടും സ്വതന്ത്രമാണ്. A "നാണയം ഒരു സംഖ്യ കാണിക്കുന്നു" എന്നും B "ഡൈ 6 കാണിക്കുന്നു" എന്നും ആണെങ്കിൽ, പിന്നെ:

\[
പി(എ) = 1/2,\ക്വാഡ് പി(ബി)=1/6,\ക്വാഡ് പി(എ \ക്യാപ് ബി)=1/12
\]

\(1/12 = (1/2)(1/6)\) എന്നത് ശരിയാണ്.

6. ഗുണന നിയമം

സോപാധികമായ സാധ്യതയുടെ നിർവചനത്തിൽ നിന്ന്, നമുക്ക് ഗുണന നിയമം ഉരുത്തിരിയാം:

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

അല്ലെങ്കിൽ ഇതും:

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

രണ്ട് സംഭവങ്ങൾ ഒരേസമയം സംഭവിക്കുന്നതിന്റെ സാധ്യത കണക്കാക്കാൻ ഈ നിയമം വളരെ ഉപയോഗപ്രദമാണ്, എന്നാൽ മറ്റൊന്ന് അറിഞ്ഞതിനുശേഷം അവയിൽ ഒന്നിന്റെ സാധ്യത വിലയിരുത്തുന്നത് എളുപ്പമാണ്.

ഉദാഹരണം: ഒരാൾ ഒരു അഭിമുഖത്തിൽ വിജയിക്കാനുള്ള സാധ്യത (B) 0,4 ആണെന്ന് കരുതുക. അഭിമുഖത്തിൽ വിജയിച്ചാൽ ജോലിക്ക് (A) അംഗീകരിക്കപ്പെടാനുള്ള സാധ്യത 0,6 ആണ്. അപ്പോൾ "അഭിമുഖത്തിൽ വിജയിക്കുകയും ജോലിക്ക് അംഗീകരിക്കപ്പെടുകയും ചെയ്യാനുള്ള" സാധ്യത:

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

7. ബെയ്‌സിന്റെ സിദ്ധാന്തം: വ്യവസ്ഥകളെ വിപരീതമാക്കൽ

പലപ്പോഴും നമുക്ക് \(P(A|B)\) അറിയാം, പക്ഷേ നമുക്ക് ശരിക്കും വേണ്ടത് \(P(B|A)\) ആണ്. ബയേസിന്റെ സിദ്ധാന്തം സോപാധിക സാധ്യതയെ "ഫ്ലിപ്പ്" ചെയ്യാൻ ഒരു വഴി നൽകുന്നു:

\[
പി(ബി \മധ്യ എ) = \frac{പി(എ \മധ്യ ബി)പി(ബി)}{പി(എ)}
\]

മെഡിക്കൽ ഡയഗ്നോസിസ്, മെഷീൻ ലേണിംഗ്, സ്പാം ഡിറ്റക്ഷൻ, ഡാറ്റാധിഷ്ഠിത തീരുമാനമെടുക്കൽ എന്നീ മേഖലകളിൽ ഈ സിദ്ധാന്തം വളരെ പ്രസിദ്ധമാണ്.

ചെറിയ ഉദാഹരണം (ആരോഗ്യം)
ഉദാഹരണത്തിന്:
– ബി: ഒരാൾക്ക് ശരിക്കും അസുഖമുണ്ട് (വ്യാപനം) \(P(B)=0{,}01\)
– എ: പോസിറ്റീവ് പരിശോധനാ ഫലം
– ടെസ്റ്റ് സെൻസിറ്റിവിറ്റി: \(P(A|B)=0{,}95\)
– തെറ്റായ പോസിറ്റീവ്: \(P(A|\text{അസുഖമല്ല})=0{,}05\)

ചോദ്യം: പരിശോധനാ ഫലം പോസിറ്റീവ് ആണെങ്കിൽ, ആ വ്യക്തി യഥാർത്ഥത്തിൽ രോഗിയായിരിക്കാനുള്ള സാധ്യത എന്താണ്, അതായത് \(P(B|A)\)?

നമുക്ക് \(P(A)\) ആവശ്യമാണ്:

\[
പി(എ)=പി(എ|ബി)പി(ബി) + പി(എ|\നെഗ് ബി)പി(\നെഗ് ബി)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]

അതിനാൽ:

\[
പി(ബി|എ)=\frac{0{,}95 \times 0{,}01}{0{,}059} \ഏകദേശം 0{,}161
\]

ഫലം ഏകദേശം 16,1% ആയിരുന്നു. ഇത് കാണിക്കുന്നത് ഒരു പോസിറ്റീവ് ടെസ്റ്റ് ഒരാൾ തീർച്ചയായും രോഗിയാണെന്ന് അർത്ഥമാക്കുന്നില്ല എന്നാണ്, പ്രത്യേകിച്ച് രോഗത്തിന്റെ വ്യാപനം വളരെ കുറവാണെങ്കിൽ.

8. ആകെ സാധ്യത (ആകെ സാധ്യത നിയമം)

പല വ്യവസ്ഥകളായി വിഭജിക്കപ്പെട്ട ഒരു സാഹചര്യത്തിൽ \(P(A)\) കണക്കാക്കാൻ, നമുക്ക് മൊത്തം സാധ്യതാ നിയമം ഉപയോഗിക്കാം. \(B_1, B_2, …, B_n\) സാമ്പിൾ സ്ഥലത്തിന്റെ ഒരു വിഭജനം രൂപപ്പെടുത്തുകയാണെങ്കിൽ (പരസ്പരം വിഭജിച്ച് എല്ലാ സാധ്യതകളെയും ഉൾക്കൊള്ളുന്നു), അപ്പോൾ:

\[
പി(എ) = \sum_{i=1}^{n} പി(എ|ബി_ഐ)പി(ബി_ഐ)
\]

ഒന്നിലധികം വിഭാഗങ്ങളിൽ നിന്നോ ഉറവിടങ്ങളിൽ നിന്നോ ഉള്ള വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് ഇത് പലപ്പോഴും ബയേസിന്റെ സിദ്ധാന്തവുമായി സംയോജിപ്പിക്കപ്പെടുന്നു.

9. കണ്ടീഷണൽ പ്രോബബിലിറ്റിയിലെ സാധാരണ തെറ്റുകൾ

ചില സാധാരണ തെറ്റുകൾ:
1. \(P(A|B)\) എന്നത് \(P(B|A)\) ന് തുല്യമാണെന്ന് കരുതുക. ഇത് പൊതുവെ ശരിയല്ല.
2. ബേസ് നിരക്കുകൾ അവഗണിക്കുന്നു, ഉദാഹരണത്തിന് ബയേസ് ഉദാഹരണത്തിലെ രോഗവ്യാപനം.
3. കണ്ടീഷൻ നൽകിയതിനുശേഷം സാമ്പിൾ സ്ഥലം തെറ്റായി നിർണ്ണയിച്ചു, കണ്ടീഷൻ B എന്നാൽ നമ്മൾ "മേഖല B" യിൽ മാത്രമേ കണക്കാക്കൂ എന്നാണെങ്കിൽ പോലും.

10. ഉപസംഹാരം

സ്ഥിതിവിവരക്കണക്കുകളിലും അനിശ്ചിതത്വ മോഡലിംഗിലും സോപാധിക സാധ്യത ഒരു പ്രധാന അടിത്തറയാണ്. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) എന്നതിന്റെ നിർവചനം മനസ്സിലാക്കുന്നതിലൂടെ, അധിക വിവരങ്ങൾ പരിഗണിച്ച് നമുക്ക് സാധ്യതകൾ വിലയിരുത്താൻ കഴിയും. ഈ ആശയം ഉൽപ്പന്ന നിയമം, സ്വതന്ത്ര സംഭവങ്ങൾ, മൊത്തം സാധ്യതയുടെ നിയമം, ബയേസിന്റെ സിദ്ധാന്തം എന്നിവയുമായി നേരിട്ട് ബന്ധപ്പെട്ടിരിക്കുന്നു, ഇത് പല യഥാർത്ഥ ലോക പ്രയോഗങ്ങളിലും വളരെ ഉപയോഗപ്രദമാണ്. കാർഡുകൾ, ഡൈസ്, സർവേകൾ, മെഡിക്കൽ കേസുകൾ പോലും പോലുള്ള മൂർത്തമായ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് നിങ്ങൾ കൂടുതൽ പരിശീലിക്കുന്തോറും പുതിയ വിവരങ്ങൾ വരുമ്പോൾ സാധ്യതകൾ എങ്ങനെ മാറുന്നു എന്നതിനെക്കുറിച്ചുള്ള നിങ്ങളുടെ അവബോധം ശക്തമാകും.