ਅੰਕੜਾ ਸੰਭਾਵਨਾ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ

ਅੰਕੜਾ ਸੰਭਾਵਨਾ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ

ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਾ ਵਿਗਿਆਨ ਦੇ ਦੋ ਖੇਤਰ ਹਨ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਮਝਣ ਅਤੇ ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਲੈਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ, ਸਾਨੂੰ ਅਕਸਰ "ਅੱਜ ਮੀਂਹ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਕੀ ਹੈ?", "ਕੀ ਕੋਈ ਦਵਾਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ?", ਜਾਂ "ਕੀ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਰਣਨੀਤੀ ਵਿਕਰੀ ਵਧਾਏਗੀ?" ਵਰਗੇ ਸਵਾਲ ਆਉਂਦੇ ਹਨ। ਸੰਭਾਵਨਾ ਕਿਸੇ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਮਾਪਣ ਲਈ ਇੱਕ ਗਣਿਤਿਕ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਅੰਕੜੇ ਸਾਨੂੰ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ, ਸਿੱਟੇ ਕੱਢਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਹ ਲੇਖ ਅੰਕੜਾਤਮਕ ਸੰਭਾਵਨਾ ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤਾਂ 'ਤੇ ਚਰਚਾ ਕਰਦਾ ਹੈ, ਜੋ ਆਧੁਨਿਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਨੀਂਹ ਬਣਾਉਂਦੇ ਹਨ।

1. ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਿਆਂ ਨੂੰ ਸਮਝਣਾ

ਸੰਭਾਵਨਾ ਗਣਿਤ ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜੋ ਕਿਸੇ ਘਟਨਾ ਦੇ ਵਾਪਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅਧਿਐਨ ਕਰਦੀ ਹੈ। ਸੰਭਾਵਨਾ ਦੀ ਵਰਤੋਂ ਬੇਤਰਤੀਬ ਘਟਨਾਵਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਮਾਤਰਾਤਮਕ ਤੌਰ 'ਤੇ ਮਾਪਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸੰਭਾਵਨਾ ਮੁੱਲ 0 ਤੋਂ 1 ਤੱਕ ਹੁੰਦੇ ਹਨ। 0 ਦਾ ਮੁੱਲ ਅਸੰਭਵਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ 1 ਦਾ ਮੁੱਲ ਨਿਸ਼ਚਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਅੰਕੜਾ ਵਿਗਿਆਨ ਉਹ ਵਿਗਿਆਨ ਹੈ ਜੋ ਅਧਿਐਨ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਕਿਵੇਂ ਇਕੱਠਾ ਕਰਨਾ, ਸੰਗਠਿਤ ਕਰਨਾ, ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨੀ ਹੈ। ਅੰਕੜਿਆਂ ਨੂੰ ਦੋ ਮੁੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ:
1. ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ, ਅਰਥਾਤ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਵਰਣਨ ਕਰਨ ਦੇ ਤਰੀਕੇ (ਜਿਵੇਂ ਕਿ ਔਸਤ, ਮੱਧਮਾਨ, ਗ੍ਰਾਫ਼)।
2. ਅਨੁਮਾਨਤ ਅੰਕੜੇ, ਅਰਥਾਤ ਇੱਕ ਨਮੂਨੇ ਦੇ ਆਧਾਰ 'ਤੇ ਆਬਾਦੀ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਣ ਦੇ ਤਰੀਕੇ (ਜਿਵੇਂ ਕਿ ਅਨੁਮਾਨ, ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ)।

ਦੋਵੇਂ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਹੋਏ ਹਨ। ਸੰਭਾਵਨਾ ਅਕਸਰ ਅਨੁਮਾਨਤ ਅੰਕੜਿਆਂ ਲਈ ਸਿਧਾਂਤਕ ਆਧਾਰ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਕਿਉਂਕਿ ਜਦੋਂ ਅਸੀਂ ਕਿਸੇ ਆਬਾਦੀ ਤੋਂ ਨਮੂਨਾ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਨਤੀਜੇ ਬੇਤਰਤੀਬ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸੰਭਾਵਨਾ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

2. ਮੁੱਢਲੇ ਸੰਕਲਪ: ਪ੍ਰਯੋਗ, ਨਮੂਨਾ ਸਥਾਨ, ਅਤੇ ਘਟਨਾਵਾਂ

ਸੰਭਾਵਨਾ ਵਿੱਚ, ਪਹਿਲਾ ਕਦਮ ਇੱਕ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸਦਾ ਨਤੀਜਾ ਪਹਿਲਾਂ ਤੋਂ ਨਹੀਂ ਦੱਸਿਆ ਜਾ ਸਕਦਾ। ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸਿੱਕਾ ਉਲਟਾਉਣਾ, ਪਾਸਾ ਘੁੰਮਾਉਣਾ, ਜਾਂ ਇੱਕ ਸਮੂਹ ਵਿੱਚੋਂ ਬੇਤਰਤੀਬ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਚੁਣਨਾ ਸ਼ਾਮਲ ਹੈ।

ਇੱਕ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗ ਦੇ ਸੰਭਾਵੀ ਨਤੀਜਿਆਂ ਨੂੰ ਸੈਂਪਲ ਸਪੇਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ \( S \) ਜਾਂ \( \Omega \) ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ:
– ਸਿੱਕਾ ਉਛਾਲੋ: \( S = \{ਤਸਵੀਰ, ਨੰਬਰ\} \)
– ਪਾਸਾ ਰੋਲ ਕਰੋ: \( S = \{1,2,3,4,5,6\} \)

ਇੱਕ ਘਟਨਾ ਸੈਂਪਲ ਸਪੇਸ ਦਾ ਇੱਕ ਸਬਸੈੱਟ ਹੈ। ਉਦਾਹਰਣ:
– ਇੱਕ ਸਮ ਸੰਖਿਆ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਘਟਨਾ: \( A = \{2,4,6\} \)
– 4 ਤੋਂ ਵੱਧ ਸੰਖਿਆ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਘਟਨਾ: \( B = \{5,6\} \)

3. ਸੰਭਾਵਨਾ ਦੇ ਮੁੱਢਲੇ ਨਿਯਮ

ਜੇਕਰ ਸੈਂਪਲ ਸਪੇਸ ਵਿੱਚ ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਸੰਭਾਵਨਾ ਇੱਕੋ ਜਿਹੀ ਹੈ (ਸਮਾਨਤਾਯੋਗ), ਤਾਂ ਇੱਕ ਘਟਨਾ \( A \) ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ:
\[
P(A) = \frac{\text{ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ ਜੋ } A ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ}{\text{ } S ਵਿੱਚ ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ}
\]

ਉਦਾਹਰਨ: ਪਾਸਿਆਂ 'ਤੇ ਇੱਕ ਬਰਾਬਰ ਸੰਖਿਆ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ:
\[
P(A)=\frac{3}{6}=0,5
\]

ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਨਿਯਮ:
1. ਸੰਭਾਵਨਾ ਸੀਮਾਵਾਂ:
\[
0 \le P(A) \le 1
\]
2. ਪੂਰਕ ਦੀ ਸੰਭਾਵਨਾ (ਘਟਨਾ ਨਾ ਵਾਪਰਨ ਵਾਲੀ):
\[
P(A^c)=1-P(A)
\]
3. ਦੋ ਘਟਨਾਵਾਂ ਲਈ ਜੋੜ ਨਿਯਮ:
– ਜੇਕਰ \( A \) ਅਤੇ \( B \) ਆਪਸੀ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਹਨ (ਇੱਕੋ ਸਮੇਂ ਨਹੀਂ ਹੋ ਸਕਦੇ):
\[
P(A \cup B)=P(A)+P(B)
\]
- ਜੇਕਰ ਆਪਸੀ ਤੌਰ 'ਤੇ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ:
\[
P(A \cup B)=P(A)+P(B)-P(A \cup B)
\]

4. ਸ਼ਰਤੀਆ ਸੰਭਾਵਨਾ ਅਤੇ ਸੁਤੰਤਰਤਾ

ਸ਼ਰਤੀਆ ਸੰਭਾਵਨਾ ਉਹ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਕੋਈ ਘਟਨਾ \( A \) ਵਾਪਰੇਗੀ, ਬਸ਼ਰਤੇ ਕਿ ਉਹ ਘਟਨਾ \( B \) ਪਹਿਲਾਂ ਹੀ ਵਾਪਰ ਚੁੱਕੀ ਹੋਵੇ। ਲਿਖਿਆ ਗਿਆ:
\[
P(A|B)=\frac{P(A \cap B)}{P(B)}
\]
\( P(B) \ne 0 \) ਦੇ ਨਾਲ।

ਇਹ ਧਾਰਨਾ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਬਿਮਾਰੀ ਦਾ ਨਿਦਾਨ ਕਰਨਾ। ਜੇਕਰ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਕਿਸੇ ਵਿਅਕਤੀ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਕੁਝ ਖਾਸ ਲੱਛਣ ਹਨ, ਤਾਂ ਬਿਮਾਰੀ ਦਾ ਪਤਾ ਲੱਗਣ ਦੀ ਸੰਭਾਵਨਾ ਬਦਲ ਸਕਦੀ ਹੈ।

ਦੋ ਘਟਨਾਵਾਂ \( A \) ਅਤੇ \( B \) ਨੂੰ ਸੁਤੰਤਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਜੇਕਰ \( A \) ਦੀ ਮੌਜੂਦਗੀ \( B \) ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਪ੍ਰਭਾਵਤ ਨਹੀਂ ਕਰਦੀ। ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ:
\[
P(A \cap B)=P(A)\cdot P(B)
\]
ਜਾਂ ਇਸਦੇ ਬਰਾਬਰ:
\[
P(A|B)=P(A)
\]

5. ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਅਤੇ ਸੰਭਾਵਨਾ ਵੰਡ

ਅੰਕੜਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾ ਵਿੱਚ, ਅਸੀਂ ਅਕਸਰ ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਉਹ ਫੰਕਸ਼ਨ ਹਨ ਜੋ ਬੇਤਰਤੀਬ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖਿਆਵਾਂ ਨਾਲ ਮੈਪ ਕਰਦੇ ਹਨ। ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਇਹਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ:
1. ਡਿਸਕ੍ਰਿਟ: ਮੁੱਲ ਗਿਣਨਯੋਗ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਪਰਿਵਾਰ ਵਿੱਚ ਬੱਚਿਆਂ ਦੀ ਗਿਣਤੀ)।
2. ਨਿਰੰਤਰ: ਮੁੱਲ ਇੱਕ ਸੀਮਾ ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਉਚਾਈ, ਉਡੀਕ ਸਮਾਂ)।

ਡਿਸਕ੍ਰਿਟ ਰੈਂਡਮ ਵੇਰੀਏਬਲਾਂ ਲਈ, ਅਸੀਂ ਪ੍ਰੋਬੇਬਿਲਟੀ ਮਾਸ ਫੰਕਸ਼ਨ (PMF) ਜਾਣਦੇ ਹਾਂ, ਜਦੋਂ ਕਿ ਨਿਰੰਤਰ ਵੇਰੀਏਬਲਾਂ ਲਈ, ਅਸੀਂ ਪ੍ਰੋਬੇਬਿਲਟੀ ਡੈਨਸਿਟੀ ਫੰਕਸ਼ਨ (PDF) ਜਾਣਦੇ ਹਾਂ।

ਮਹੱਤਵਪੂਰਨ ਡਿਸਕ੍ਰਿਟ ਵੰਡਾਂ ਦੀਆਂ ਉਦਾਹਰਣਾਂ:
- ਬਰਨੌਲੀ ਵੰਡ: ਸਿਰਫ਼ ਦੋ ਨਤੀਜੇ, ਸਫਲਤਾ (1) ਅਤੇ ਅਸਫਲਤਾ (0)।
– ਬਾਇਨੋਮੀਅਲ ਵੰਡ: \( n \) ਬਰਨੌਲੀ ਟ੍ਰਾਇਲਾਂ ਤੋਂ ਸਫਲਤਾਵਾਂ ਦੀ ਸੰਖਿਆ।
- ਪੋਇਸਨ ਵੰਡ: ਇੱਕ ਨਿਸ਼ਚਿਤ ਸਮਾਂ/ਸਪੇਸ ਅੰਤਰਾਲ ਵਿੱਚ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।

ਨਿਰੰਤਰ ਵੰਡ ਦੀਆਂ ਉਦਾਹਰਣਾਂ:
- ਆਮ ਵੰਡ: ਇੱਕ "ਘੰਟੀ" ਵੰਡ ਜੋ ਅਕਸਰ ਕੁਦਰਤੀ ਅਤੇ ਸਮਾਜਿਕ ਵਰਤਾਰਿਆਂ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦੀ ਹੈ।
- ਘਾਤਕ ਵੰਡ: ਅਕਸਰ ਘਟਨਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਸਮੇਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਗਾਹਕਾਂ ਦੇ ਆਉਣ ਦੇ ਵਿਚਕਾਰ ਦਾ ਸਮਾਂ।

6. ਕੇਂਦਰੀਕਰਨ ਅਤੇ ਫੈਲਾਅ ਦੇ ਉਪਾਅ

ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਲਈ ਅਜਿਹੇ ਮਾਪਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਦੇ ਹਨ।

ਕੇਂਦਰੀਕਰਨ ਉਪਾਅ:
– ਔਸਤ (ਔਸਤ): ਡੇਟਾ ਦੇ ਜੋੜ ਨੂੰ ਡੇਟਾ ਦੀ ਸੰਖਿਆ ਨਾਲ ਭਾਗ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
– ਮੱਧਮਾਨ: ਡੇਟਾ ਨੂੰ ਛਾਂਟਣ ਤੋਂ ਬਾਅਦ ਵਿਚਕਾਰਲਾ ਮੁੱਲ।
- ਮੋਡ: ਉਹ ਮੁੱਲ ਜੋ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।

ਫੈਲਾਅ ਦਾ ਆਕਾਰ:
- ਰੇਂਜ: ਵੱਧ ਤੋਂ ਵੱਧ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਅੰਤਰ।
- ਭਿੰਨਤਾ: ਮੱਧਮਾਨ ਤੋਂ ਔਸਤ ਵਰਗ ਭਟਕਣ ਦਾ ਮਾਪ।
- ਮਿਆਰੀ ਭਟਕਣਾ: ਭਿੰਨਤਾ ਦਾ ਵਰਗਮੂਲ, ਡੇਟਾ ਦੇ ਸਮਾਨ ਇਕਾਈਆਂ ਵਿੱਚ ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ।

ਇਹ ਮਾਪ ਇਹ ਦੇਖਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ ਕਿ ਕੀ ਡੇਟਾ ਇੱਕ ਨਿਸ਼ਚਿਤ ਮੁੱਲ ਦੇ ਨੇੜੇ ਕੇਂਦ੍ਰਿਤ ਹੈ ਜਾਂ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।

7. ਨਮੂਨਾ, ਆਬਾਦੀ ਅਤੇ ਅਨੁਮਾਨ ਦੀ ਧਾਰਨਾ

ਖੋਜ ਵਿੱਚ, ਅਸੀਂ ਲਾਗਤ ਅਤੇ ਸਮੇਂ ਦੀ ਕਮੀ ਦੇ ਕਾਰਨ ਪੂਰੀ ਆਬਾਦੀ ਨੂੰ ਘੱਟ ਹੀ ਮਾਪ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ, ਅਸੀਂ ਇੱਕ ਨਮੂਨਾ ਲੈਂਦੇ ਹਾਂ। ਇਸ ਨਮੂਨੇ ਤੋਂ, ਅਸੀਂ ਆਬਾਦੀ ਦੇ ਮਾਪਦੰਡਾਂ (ਜਿਵੇਂ ਕਿ ਆਬਾਦੀ ਦਾ ਔਸਤ) ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਅੰਕੜਿਆਂ (ਜਿਵੇਂ ਕਿ ਨਮੂਨਾ ਔਸਤ) ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ।

ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਨੁਮਾਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਅਨੁਮਾਨ ਇਹ ਹੋ ਸਕਦੇ ਹਨ:
- ਬਿੰਦੂ ਅਨੁਮਾਨ: ਇੱਕ ਅਨੁਮਾਨਿਤ ਮੁੱਲ (ਉਦਾਹਰਨ: ਨਮੂਨਾ ਔਸਤ)।
- ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ: ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਜਿਸ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਪੱਧਰ (ਜਿਵੇਂ ਕਿ 95%) ਦੇ ਨਾਲ ਆਬਾਦੀ ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਹੋਣ ਦਾ ਵਿਸ਼ਵਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

8. ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ (ਸੰਖੇਪ ਜਾਣਕਾਰੀ)

ਅਨੁਮਾਨਤ ਅੰਕੜਿਆਂ ਵਿੱਚ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਕਿ ਆਬਾਦੀ ਬਾਰੇ ਦਾਅਵਿਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਕੋਈ ਕੰਪਨੀ ਇਹ ਜਾਣਨਾ ਚਾਹ ਸਕਦੀ ਹੈ ਕਿ ਕੀ ਇੱਕ ਨਵੀਂ ਵਿਧੀ ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ ਔਸਤ ਉਤਪਾਦਨ ਸਮਾਂ ਘਟਿਆ ਹੈ।

ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
– ਨਲ ਪਰਿਕਲਪਨਾ (\( H_0 \)): ਸ਼ੁਰੂਆਤੀ ਬਿਆਨ (ਜਿਵੇਂ ਕਿ "ਕੋਈ ਬਦਲਾਅ ਨਹੀਂ")।
– ਵਿਕਲਪਿਕ ਪਰਿਕਲਪਨਾ (\( H_1 \)): ਉਹ ਕਥਨ ਜੋ ਸਾਬਤ ਕੀਤਾ ਜਾਣਾ ਹੈ (ਜਿਵੇਂ ਕਿ "ਉਤਪਾਦਨ ਸਮੇਂ ਵਿੱਚ ਕਮੀ ਆਈ ਹੈ")।
– ਸਵੀਕਾਰ ਜਾਂ ਅਸਵੀਕਾਰ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਨ ਲਈ p-ਮੁੱਲ ਜਾਂ ਮਹੱਤਵਪੂਰਨ ਸੀਮਾ \( H_0 \)।

ਭਾਵੇਂ ਇਹ ਸੰਕਲਪ ਪਹਿਲਾਂ ਤਾਂ ਗੁੰਝਲਦਾਰ ਲੱਗ ਸਕਦਾ ਹੈ, ਪਰ ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਗਲਤੀ ਦੇ ਮਾਪਣਯੋਗ ਜੋਖਮ ਵਾਲੇ ਡੇਟਾ ਸਬੂਤਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲੇ ਲਏ ਜਾਣ।

ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ

ਅੰਕੜਾਤਮਕ ਸੰਭਾਵਨਾ ਦੇ ਮੂਲ ਸਿਧਾਂਤ ਸਾਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਸਮਝ ਅਤੇ ਡੇਟਾ ਤੋਂ ਸਿੱਟੇ ਕਿਵੇਂ ਕੱਢਣੇ ਹਨ, ਨਾਲ ਲੈਸ ਕਰਦੇ ਹਨ। ਨਮੂਨਾ ਸਪੇਸ ਅਤੇ ਘਟਨਾਵਾਂ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਤੋਂ ਲੈ ਕੇ, ਸੰਭਾਵਨਾ ਨਿਯਮ, ਸ਼ਰਤੀਆ ਸੰਭਾਵਨਾ, ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਅਤੇ ਵੰਡ ਤੱਕ, ਸਾਰੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਖੋਜ ਅਤੇ ਫੈਸਲਾ ਲੈਣ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਨੀਂਹ ਬਣਾਉਂਦੇ ਹਨ। ਅੱਜ ਦੇ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਸੰਸਾਰ ਵਿੱਚ, ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਿਆਂ ਨੂੰ ਸਮਝਣਾ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਅਕਾਦਮਿਕ ਲੋੜ ਹੈ, ਸਗੋਂ ਕਾਰੋਬਾਰ, ਸਿਹਤ ਸੰਭਾਲ, ਤਕਨਾਲੋਜੀ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਉਪਯੋਗੀ ਇੱਕ ਵਿਹਾਰਕ ਹੁਨਰ ਵੀ ਹੈ।

ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਇਸ ਲੇਖ ਦਾ ਇੱਕ ਹੋਰ ਤਕਨੀਕੀ ਸੰਸਕਰਣ (ਨਮੂਨਾ ਸਵਾਲਾਂ ਅਤੇ ਚਰਚਾ ਦੇ ਨਾਲ) ਜਾਂ ਸਕੂਲ ਪੱਧਰ ਲਈ ਇੱਕ ਸਰਲ ਸੰਸਕਰਣ ਵੀ ਬਣਾ ਸਕਦਾ ਹਾਂ।