पारस्परिक रूपमा विशेष नभएका दुई घटनाहरू A र B को थपको नियम
तथ्याङ्क र सम्भाव्यता सिद्धान्तमा सम्भाव्यता जोड एक महत्त्वपूर्ण उपकरण हो। यो प्रायः दुई वा बढी फरक घटनाहरूको संयुक्त सम्भाव्यता निर्धारण गर्न प्रयोग गरिन्छ। धेरै अवस्थामा, यी घटनाहरू पारस्परिक रूपमा अनन्य हुन्छन्, जसको अर्थ तिनीहरू एकैसाथ हुन सक्दैनन्। यद्यपि, त्यहाँ धेरै परिस्थितिहरू पनि छन् जहाँ दुई घटनाहरू पारस्परिक रूपमा अनन्य छैनन् - तिनीहरू एकैसाथ हुन सक्छन्। यस लेखले दुई गैर-अनन्य घटनाहरू A र B थप्ने नियमको बारेमा छलफल गर्नेछ, तिनीहरूलाई बुझ्न मद्दत गर्न ठोस उदाहरणहरू प्रदान गर्नेछ।
परिचय: आधारभूत परिभाषा र अवधारणाहरू
दुई गैर-विशेष घटनाहरूको लागि थप नियममा प्रवेश गर्नु अघि, केही आधारभूत अवधारणाहरू बुझ्नु महत्त्वपूर्ण छ:
१. सम्भाव्यता: सम्भाव्यता भनेको कुनै घटना हुने सम्भावनाको मापन हो र यसको मान ० देखि १ सम्म हुन्छ।
२. घटना: घटना भनेको अनियमित प्रयोगको परिणाम वा परिणामहरूको श्रृंखला हो।
३. पारस्परिक रूपमा विशेष घटनाहरू: दुई घटनाहरू एकैसाथ हुन असम्भव भएमा तिनीहरूलाई पारस्परिक रूपमा विशेष भनिन्छ।
जब दुई घटनाहरू एकअर्काबाट अलग हुँदैनन्, यसको अर्थ तिनीहरू एकैसाथ हुन सक्ने सम्भावना हुन्छ। यस अवस्थामा, कुल सम्भाव्यता गणना गर्दा हामीले दुई घटनाहरू बीचको अन्तरक्रियालाई ध्यानमा राख्नुपर्छ।
गैर-पारस्परिक विशेष कार्यक्रमहरू थप्ने नियम
सामान्यतया, दुई घटनाहरू A र B को लागि, घटना A वा B को सम्भाव्यता गणना गर्न थप नियम निम्नानुसार छ:
\[ P(A \cup B) = P(A) + P(B) – P(A \cap B) \]
कहाँ:
– \( P(A \cup B) \) भनेको A वा B घटनाहरू मध्ये कम्तिमा एउटा हुने सम्भाव्यता हो।
– \( P(A) \) घटना A को सम्भाव्यता हो।
– \( P(B) \) घटना B को सम्भाव्यता हो।
– \( P(A \cap B) \) भनेको A र B दुवै घटनाहरू एकैसाथ हुने सम्भाव्यता हो।
हामीले किन \( P(A \cap B) \) घटाउनु पर्छ? किनभने जब हामी \( P(A) \) र \( P(B) \ थप्छौं, घटना \( A \cap B \) लाई प्रतिनिधित्व गर्ने क्षेत्र दुई पटक गणना गरिन्छ (एक पटक \( P(A) \) मा र फेरि \( P(B) \) मा)। त्यसकारण, सही परिणाम प्राप्त गर्न हामी यसलाई एक पटक घटाउँछौं।
ठोस उदाहरण
बुझ्न सजिलो बनाउनको लागि एउटा ठोस उदाहरण लिऔं:
कल्पना गर्नुहोस् हामीसँग एउटा मानक ५२-कार्ड डेक छ। यदि हामीले कोरेको कार्ड स्पेड (घटना A) वा एस (घटना B) हो भन्ने सम्भावना गणना गर्न चाहन्छौं भने, हामी माथि वर्णन गरिएको थप नियम प्रयोग गर्न सक्छौं।
१. स्पेड कार्ड कोर्ने सम्भावना:
५२ वटा कार्डको डेकमा १३ वटा कोदालो हुन्छन्।
\[ P(A) = \frac{13}{52} \]
२. ऐस कोर्ने सम्भावना:
५२ वटा कार्डको डेकमा ४ वटा एसेस हुन्छन्।
\[ P(B) = \frac{4}{52} \]
३. Ace र Spade दुवै भएको कार्ड कोर्ने सम्भावना (Ace of Spades):
५२ वटा कार्डको डेकमा एउटा मात्र एस अफ स्पेड्स हुन्छ।
\[ P(A \क्याप B) = \frac{1}{52} \]
थप नियम प्रयोग गर्दै:
\[ P(A \cup B) = P(A) + P(B) – P(A \cap B) \]
गणना गर्दै:
\[ P(A \कप B) = \frac{13}{52} + \frac{4}{52} – \frac{1}{52} \]
\[ P(A \कप B) = \frac{16}{52} \]
\[ P(A \कप B) = \frac{4}{13} \]
त्यसैले, कोरिएको कार्ड कोदालो वा एस हुने सम्भावना \( \frac{4}{13} \) हो।
सान्दर्भिकता र प्रयोग
दुई गैर-विच्छेदक घटनाहरूको लागि थप नियम बुझ्नु डेटा विश्लेषण, तथ्याङ्क, र व्यवसाय, वित्त, कम्प्युटर विज्ञान, र सामाजिक अनुसन्धान जस्ता विभिन्न अन्य क्षेत्रहरूमा व्यापक सान्दर्भिकता छ। केही व्यावहारिक अनुप्रयोगहरू समावेश छन्:
१. जोखिम विश्लेषण: जोखिम व्यवस्थापनमा विभिन्न जोखिम र कारकहरूको सम्भावित संयोजन पहिचान गर्ने।
२. महामारी विज्ञान अनुसन्धान: स्वास्थ्य अध्ययनहरूमा विभिन्न जोखिम कारकहरूको संयुक्त सम्भाव्यताको गणना गर्दै।
३. व्यवसाय र वित्त: शेयर बजार वा व्यावसायिक वातावरणमा हुने विभिन्न घटनाहरूको संयुक्त अवसरहरूको मूल्याङ्कन गर्ने।
४. नीति निर्धारण: विभिन्न नीति र कार्यहरूको सम्भावित प्रभावहरूलाई विचार गरेर निर्णय लिने कार्यमा सहयोग गर्दछ।
५. डेटा विज्ञान र मेसिन लर्निङ: भविष्यवाणी गर्ने मोडेलहरूमा प्रयोग गरिन्छ जसले पारस्परिक रूपमा विशेष नहुन सक्ने धेरै सुविधाहरूलाई ध्यानमा राख्छ।
ग्राफिक व्याख्या
प्रायः, भेन रेखाचित्र जस्ता ग्राफिकल प्रतिनिधित्वहरू दुई घटनाहरू बीचको अन्तरक्रिया बुझ्न मद्दत गर्छन्। यी रेखाचित्रहरूले दुई सेटहरू (घटनाहरू) कसरी अन्तरक्रिया गर्छन् र तिनीहरू कहाँ ओभरल्याप हुन्छन् भनेर देखाउँछन्।
यदि हामी कार्डहरूको डेक उदाहरणमा फर्कियौं भने, भेन रेखाचित्रमा ओभरल्यापिङ क्षेत्रले Ace of Spades लाई प्रतिनिधित्व गर्नेछ, जसले गर्दा हामीले \( P(A) \) र \( P(B) \) थप्दा \( P(A \cap B) \) घटाउनु पर्ने कारण स्पष्ट रूपमा देख्न सकिन्छ।
केसिम्पुलन
दुई गैर-विशेष घटनाहरूको लागि जोड नियम सिक्नु सम्भाव्यता सिद्धान्त र तथ्याङ्कको एक आवश्यक भाग हो। यो अवधारणा बुझेर, हामी विभिन्न वास्तविक जीवन परिस्थितिहरूमा घटनाहरूको संयुक्त सम्भाव्यतालाई अझ सही रूपमा गणना गर्न सक्छौं। सधैं सम्झनुहोस् कि जब घटनाहरू गैर-विशेष हुन्छन्, ओभरल्यापिङ क्षेत्रहरूमा दोहोरो गणनाबाट बच्न तिनीहरूको संयुक्त सम्भाव्यताहरू समायोजन गर्नुपर्छ। यो दृष्टिकोणले तथ्याङ्कीय विश्लेषणलाई मात्र मद्दत गर्दैन तर डेटा-संचालित निर्णय लिने प्रक्रियालाई पनि बलियो बनाउँछ।
यस लेखले हामी यो अवधारणालाई विभिन्न सन्दर्भहरूमा कसरी प्रयोग गर्न सक्छौं भनेर देखाउँछ र सम्भाव्यता र तथ्याङ्कहरू समावेश गर्ने कुनै पनि क्षेत्रमा थप अनुप्रयोगहरूको लागि बलियो आधार प्रदान गर्दछ।
