सशर्त सम्भाव्यताको आधारभूत कुराहरू

सशर्त सम्भाव्यताको आधारभूत कुराहरू

सम्भाव्यता भनेको कुनै घटना घट्ने सम्भावना कति छ भनेर मापन गर्ने औपचारिक तरिका हो। धेरै वास्तविक-विश्व परिस्थितिहरूमा, घटनाको सम्भाव्यता एक्लै हुँदैन तर हामीले पहिले नै थाहा पाएका अन्य जानकारीबाट प्रभावित हुन्छ। यो त्यहीं हो जहाँ सशर्त सम्भाव्यताको अवधारणा महत्त्वपूर्ण हुन्छ। सशर्त सम्भाव्यताले हामीलाई थप जानकारी प्राप्त गरेपछि कुनै विशेष घटनाको बारेमा हाम्रो विश्वासहरू अद्यावधिक गर्न मद्दत गर्दछ। यस लेखले यसको परिभाषा, आधारभूत सूत्र, उदाहरणहरू, र उत्पादन नियम र बेयसको प्रमेयसँग यसको सम्बन्धको बारेमा छलफल गर्दछ।

१. सशर्त सम्भाव्यता बुझ्दै

सहज ज्ञानको हिसाबले, सशर्त सम्भाव्यता भनेको घटना B भएको कारणले गर्दा घटना A हुने सम्भावना हो। यसलाई यसरी लेखिएको छ:

\[
P(A \मध्य B)
\]

"A दिइएको B को सम्भावना" पढ्नुहोस्।

उदाहरणका लागि, आज पानी परिरहेको छ (B) भन्ने कुरालाई ध्यानमा राख्दै हामी कसैले छाता (A) बोकेको सम्भावना जान्न चाहन्छौं। स्पष्ट रूपमा, यदि हामीलाई पानी परिरहेको थाहा छ भने छाता बोकेको सम्भावना बढी हुन्छ। "पानी परिरहेको छ" भन्ने जानकारीले हाम्रो विचार गर्ने ठाउँ परिवर्तन गर्छ - हामी अब सबै मौसमी अवस्थाहरूलाई विचार गर्दैनौं, तर पानी परिरहेको बेलाको अवस्थालाई मात्र विचार गर्छौं।

२. सशर्त सम्भाव्यता सूत्र

सशर्त सम्भाव्यताको गणितीय परिभाषा यस प्रकार छ:

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

बशर्ते कि \(P(B) > 0\)।

जानकारी:
– \(P(A \mid B)\): B भएको खण्डमा A हुने सम्भावना।
– \(P(A \cap B)\): A र B एकैसाथ हुने सम्भावना (A र B को प्रतिच्छेदन)।
– \(P(B)\): B हुने सम्भावना।

यस सूत्रको अर्थ: हामी हाम्रो ध्यान घटना B मा सीमित गर्छौं, त्यसपछि B को कति ठूलो भागमा A पनि समावेश छ भनेर गणना गर्छौं।

३. सरल उदाहरण: कार्ड खेल्ने

खेल्ने कार्डहरूको मानक डेकबाट एउटा कार्ड लिनुहोस् (५२ कार्डहरू)। उदाहरणका लागि:
– A: कोरिएको कार्ड Ace हो।
– B: कोरिएको कार्ड स्पेड्स हो

हामी \(P(A \mid B)\) गणना गर्न चाहन्छौं, जुन कार्ड कोदालो भएकोले Ace कोर्ने सम्भाव्यता हो।

चरण:
– स्पेडमा १३ वटा कार्ड हुन्छन्, त्यसैले \(P(B) = १३/५२\)।
– स्लाइस A र B “कुदालको एक्का” हुन् जसको जम्मा १ कार्ड हुन्छ, त्यसैले \(P(A \cap B) = १/५२\)।

त्यसैले:

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

यसको मतलब यदि हामीलाई पहिले नै थाहा छ कि कार्ड एक कुदाल हो भने, कार्ड Ace हुने सम्भावना १३ मा १ छ।

४. इन्टरसेक्शन (A ∩ B) र जानकारीको भूमिका बुझ्ने

सम्भाव्यताको अध्ययन गर्दा एउटा सामान्य गल्ती भनेको \(P(A)\) लाई \(P(A|B)\) सँग भ्रमित गर्नु हो। कार्ड उदाहरणमा:
– \(P(A) = ४/५२ = १/१३\) (थप जानकारी बिना Ace को सम्भावना)
– \(P(A|B) = १/१३\) (संयोगवश यस अवस्थामा पनि त्यस्तै)

यद्यपि, धेरै अवस्थामा दुई मानहरू फरक हुन्छन्। थप जानकारी निम्न हुन सक्छ:
- सम्भावना बढाउनुहोस् (जस्तै, यदि कसैलाई थाहा छ कि कोही पढिरहेको छ भने परीक्षा उत्तीर्ण हुने सम्भावना),
– अवसरहरू कम गर्नुहोस् (यदि तपाईंलाई थाहा छ कि कामबाट घर फर्कने समय भयो भने सहज सडकहरूको सम्भावना),
- वा घटनाहरू स्वतन्त्र छन् भने सम्भाव्यता परिवर्तन गर्दैन।

५. पारस्परिक रूपमा स्वतन्त्र घटनाहरू (स्वतन्त्रता)

यदि घटना B ले A को सम्भाव्यतालाई असर गर्दैन भने दुई घटना A र B लाई स्वतन्त्र भनिन्छ, र यसको विपरीत। औपचारिक रूपमा:

\[
P(A \मध्य B) = P(A)
\]

वा बराबर:

\[
P(A \क्याप B) = P(A)P(B)
\]

उदाहरण: सिक्का फ्याँक्नु र पासा पल्टाउनु। सिक्काको नतिजा (संख्या/चित्र) पासाको नतिजा (१–६) बाट प्रभावित हुँदैन, त्यसैले दुवै स्वतन्त्र छन्। यदि A "सिक्काले संख्या देखाउँछ" र B "पासाले ६ देखाउँछ" हो भने:

\[
P(A) = १/२,\quad P(B)=१/६,\quad P(A \cap B)=१/१२
\]

र यो सत्य हो कि \(१/१२ = (१/२)(१/६)\)।

६. गुणन नियम

सशर्त सम्भाव्यताको परिभाषाबाट, हामी गुणन नियम निकाल्न सक्छौं:

\[
P(A \क्याप B) = P(A \मध्य B)P(B)
\]

वा यो पनि:

\[
P(A \क्याप B) = P(B \मध्य A)P(A)
\]

यो नियम धेरै उपयोगी छ जब हामी दुई घटनाहरू एकैसाथ हुने सम्भावना गणना गर्न चाहन्छौं, तर अर्कोलाई थाहा पाएपछि ती मध्ये एउटाको सम्भावनाको मूल्याङ्कन गर्न सजिलो हुन्छ।

उदाहरण: मानौं कुनै व्यक्ति अन्तर्वार्ता (B) मा उत्तीर्ण हुने सम्भावना ०.४ छ। यदि उनीहरूले अन्तर्वार्ता उत्तीर्ण गरे भने जागिर (A) मा स्वीकृत हुने सम्भावना ०.६ छ। त्यसपछि "अन्तर्वार्ता उत्तीर्ण हुने र जागिरको लागि स्वीकृत हुने" सम्भावना यस प्रकार छ:

\[
P(A \क्याप B) = P(A \मध्य B)P(B) = ०{,}६ \गुणा ०{,}४ = ०{,}२४
\]

७. बेयसको प्रमेय: अवस्थाहरू उल्टाउने

प्रायः हामीलाई थाहा हुन्छ \(P(A|B)\), तर हामीलाई वास्तवमा चाहिने कुरा \(P(B|A)\) हो। बेयसको प्रमेयले सशर्त सम्भाव्यतालाई "फ्लिप" गर्ने तरिका प्रदान गर्दछ:

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

यो प्रमेय चिकित्सा निदान, मेसिन लर्निङ, स्पाम पत्ता लगाउने, र डेटा-संचालित निर्णय लिने क्षेत्रमा धेरै प्रख्यात छ।

छोटो उदाहरण (स्वास्थ्य)
उदाहरणका लागि:
– B: कोही साँच्चै बिरामी छ (प्रचलन) \(P(B)=0{,}01\)
– A: सकारात्मक परीक्षण परिणाम
– परीक्षण संवेदनशीलता: \(P(A|B)=0{,}95\)
– गलत सकारात्मक: \(P(A|\text{बिरामी होइन})=0{,}05\)

प्रश्न: यदि परीक्षणको नतिजा सकारात्मक छ भने, व्यक्ति वास्तवमा बिरामी भएको सम्भावना कति छ, अर्थात् \(P(B|A)\)?

हामीलाई \(P(A)\) चाहिन्छ:

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

त्यसैले:

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

नतिजा लगभग १६.१% थियो। यसले देखाउँछ कि सकारात्मक परीक्षणको अर्थ कोही निश्चित रूपमा बिरामी छ भन्ने होइन, विशेष गरी यदि रोगको प्रसार धेरै कम छ भने।

८. कुल सम्भाव्यता (कुल सम्भाव्यताको नियम)

धेरै अवस्थाहरूमा विभाजित परिस्थितिमा \(P(A)\) गणना गर्न, हामी कुल सम्भाव्यताको नियम प्रयोग गर्न सक्छौं। यदि \(B_1, B_2, …, B_n\) ले नमूना स्थानको विभाजन बनाउँछ (परस्पर रूपमा विच्छेदन गर्दछ र सबै सम्भावनाहरू समेट्छ), तब:

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

धेरै वर्ग वा स्रोतहरूबाट जानकारी प्रशोधन गर्न यसलाई प्रायः बेयसको प्रमेयसँग जोडिन्छ।

९. सशर्त सम्भाव्यतामा हुने सामान्य गल्तीहरू

केही सामान्य गल्तीहरू:
१. मान्नुहोस् \(P(A|B)\) बराबर \(P(B|A)\) छ। यो सामान्यतया सत्य होइन।
२. आधार दरहरूलाई बेवास्ता गर्दै, उदाहरणका लागि बेयस उदाहरणमा रोगको प्रसार।
३. सर्त दिइसकेपछि नमुना ठाउँ गलत निर्धारण गर्नु, यद्यपि सर्त B को अर्थ हामी "क्षेत्र B" मा मात्र गणना गर्छौं।

५. पेनटअप

सशर्त सम्भाव्यता तथ्याङ्क र अनिश्चितता मोडेलिङमा एक महत्त्वपूर्ण आधार हो। \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) को परिभाषा बुझेर, हामी थप जानकारी विचार गरेर सम्भाव्यताहरूको मूल्याङ्कन गर्न सक्छौं। यो अवधारणा उत्पादन नियम, स्वतन्त्र घटनाहरू, कुल सम्भाव्यताको नियम, र बेयसको प्रमेयसँग प्रत्यक्ष रूपमा सम्बन्धित छ, जुन धेरै वास्तविक-विश्व अनुप्रयोगहरूमा धेरै उपयोगी छ। तपाईंले ठोस उदाहरणहरू - कार्डहरू, पासाहरू, सर्वेक्षणहरू, र चिकित्सा केसहरू पनि - सँग जति धेरै अभ्यास गर्नुहुन्छ, नयाँ जानकारी आउँदा सम्भाव्यताहरू कसरी परिवर्तन हुन्छन् भन्ने बारे तपाईंको अन्तर्ज्ञान त्यति नै बलियो हुनेछ।