شماريات ۾ امڪان جو نظريو
امڪان جو نظريو، رياضي جي شاخ جيڪا بي ترتيب واقعن جي تجزيي سان لاڳاپيل آهي، شماريات جي ميدان لاءِ ضروري آهي. اهو غير يقيني صورتحال کي مقدار ڏيڻ ۽ بي ترتيب واقعن جو تجزيو ڪرڻ لاءِ رياضياتي فريم ورڪ فراهم ڪري ٿو. شماريات ۾، امڪان جو نظريو بنيادي ڊيٽا گڏ ڪرڻ کان وٺي پيچيده انفرنشيل ٽيڪنڪ تائين هر شيءِ کي سهارو ڏئي ٿو. هي مضمون امڪان جي نظريي جي بنيادي تصورن ۽ شماريات ۾ ان جي نازڪ ايپليڪيشنن کي واضح ڪري ٿو، انهي سمجھ کي وڌائي ٿو ته اسان ڊيٽا مان ڪيئن نتيجا ڪڍون ٿا.
تاريخي پسمنظر
امڪان جي نظريي جي باضابطه ترقي 17 صدي ۾ بليز پاسڪل ۽ پيئر ڊي فرمٽ جي ڪمن سان شروع ٿي، جن جوا سان لاڳاپيل مسئلن جي جاچ ڪئي. گيرولامو ڪارڊانو، هڪ رياضي دان ۽ طبيب، پڻ اهم ابتدائي حصو ورتو. بهرحال، اهو 1713 ۾ جيڪب برنولي پاران "آرس ڪانجيڪٽينڊي" ۽ 1718 ۾ ابراهيم ڊي موور پاران "دي ڊڪٽرائن آف چانسز" جي اشاعت تائين نه هو ته امڪان جو نظريو هڪ سخت تعليمي نظم بڻجي ويو. انهن ترقيات بي ترتيب واقعن جي تجزيو ڪرڻ ۽ امڪاني ماڊلز کي ترتيب ڏيڻ لاءِ اوزار فراهم ڪندي امڪان جي نظريي کي انگ اکر ۾ ضم ڪرڻ لاءِ بنياد رکيو.
امڪان جا بنيادي تصور
بي ترتيب تجربو
هڪ بي ترتيب تجربو ڪو به اهڙو عمل آهي جيڪو هڪ غير يقيني نتيجي ڏانهن وٺي ويندو آهي. سڪو اڇلائڻ، ڊائي رول ڪرڻ، يا ڊيڪ مان ڪارڊ ڪڍڻ، اهي سڀ بي ترتيب تجربن جون مثالون آهن. بي ترتيب تجربي جي اهم خصوصيت اها آهي ته ان جي نتيجي جي اڳڪٿي يقين سان نه ٿي ڪري سگهجي، جيتوڻيڪ ممڪن نتيجن جو سيٽ معلوم آهي.
نموني جي جاءِ ۽ واقعا
نموني جي جاءِ (جنهن کي \( S \) طور ظاهر ڪيو ويو آهي) هڪ بي ترتيب تجربي جي سڀني ممڪن نتيجن جو سيٽ آهي. مثال طور، سڪي کي اُڇلائڻ جي نموني جي جاءِ \( S = \{ \text{Heads}, \text{Tails} \} \) آهي.
هڪ واقعو نموني جي جڳهه جو ڪو به ذيلي سيٽ آهي. مثال طور، سڪي جي ٽاس ۾ "هيڊز" حاصل ڪرڻ هڪ واقعو آهي. واقعا سادا (هڪ نتيجو) يا مرڪب (گهڻا نتيجا) ٿي سگهن ٿا. اهي امڪاني نظريي لاءِ مرڪزي آهن ڇاڪاڻ ته اهي انهن منظرنامي جي نمائندگي ڪن ٿا جن ۾ اسان دلچسپي رکون ٿا.
امڪان جي ماپ
امڪان هڪ واقعي کي هڪ عددي ماپ تفويض ڪري ٿو جيڪو واقعي جي ٿيڻ جي امڪان کي مقدار ڏئي ٿو. جيڪڏهن \( A \) هڪ واقعو آهي، ته ان جو امڪان \( P(A) \) هيٺ ڏنل خاصيتن کي پورو ڪرڻ گهرجي:
1. غير منفي: \( P(A) \geq 0 \) ڪنهن به واقعي لاءِ \( A \).
2. نارملائيزيشن: \( P(S) = 1 \) جتي \( S \) نموني جي جاءِ آهي.
3. اضافو: جيڪڏهن \( A_1, A_2, \ldots \) هڪ ٻئي کان الڳ واقعا آهن (ٻه واقعا هڪ ئي وقت نه ٿا ٿي سگهن)، ته پوءِ \( P(A_1 \cup A_2 \cup \ldots) = P(A_1) + P(A_2) + \ldots \).
مشروط امڪان ۽ آزادي
مشروط امڪان هڪ واقعي جي ٿيڻ جي امڪان کي ڳولي ٿو جڏهن ته ٻيو واقعو پيش آيو آهي. ان کي \( P(A|B) \) سان ظاهر ڪيو ويو آهي ۽ ان جي وضاحت هن طرح ڪئي وئي آهي:
\[ پي(اي|بي) = \فريڪ{پي(اي \ڪيپ بي)}{پي(بي)} \]
جتي \( P(A \cap B) \) ٻنهي واقعن \( A \) ۽ \( B \) جي ٿيڻ جو امڪان آهي.
ٻن واقعن \( A \) ۽ \( B \) جي وچ ۾ آزادي جو مطلب آهي ته هڪ جو واقع ٿيڻ ٻئي جي واقع ٿيڻ جي امڪان کي متاثر نٿو ڪري. رسمي طور تي، واقعا \( A \) ۽ \( B \) آزاد آهن جيڪڏهن:
\[ پي(اي \ڪيپ ب) = پي(اي)پي(بي) \]
الڳ ۽ مسلسل ورڇ
ڌار ڌار امڪاني تقسيم
هڪ ڊسڪريٽ امڪاني ورڇ ڊسڪريٽ بي ترتيب متغيرن لاءِ امڪانن کي بيان ڪري ٿي، جن جا ڳڻپ لائق نتيجا آهن. هڪ عام مثال بائنوميل ورڇ آهي، جيڪو آزاد برنولي آزمائشن جي هڪ مقرر تعداد ۾ ڪاميابين جي تعداد کي ماڊل ڪري ٿو (صرف ٻن نتيجن سان آزمائشون: ڪاميابي يا ناڪامي). بائنوميل بي ترتيب متغير لاءِ امڪاني ماس فنڪشن (PMF) \(
\[ پي(ايڪس = ڪ) = \بائنوم{ن}{ڪ} پ^ڪ (1 – پ)^{ن – ڪ} \]
جتي \( \binom{n}{k} \) ٻہ نالي وارو ڳوڙهو آهي.
مسلسل امڪاني تقسيم
مسلسل بي ترتيب متغيرن ۾ لامحدود تعداد ۾ ممڪن نتيجا هوندا آهن. انهن جي امڪانن کي امڪاني کثافت افعال (PDFs) استعمال ڪندي بيان ڪيو ويو آهي. هڪ مثالي مثال عام تقسيم آهي، جيڪو عام طور تي شماريات ۾ مرڪزي حد جي ٿيوريم جي ڪري استعمال ڪيو ويندو آهي، جيڪو ٻڌائي ٿو ته آزاد ۽ هڪجهڙائي سان ورهايل بي ترتيب متغيرن جي وڏي تعداد جو مجموعو (يا سراسري) تقريبن عام طور تي ورهايو ويندو.
هڪ عام بي ترتيب متغير \( X \) جي PDF جنهن جو مطلب \( \mu \) ۽ ويرينس \( \sigma^2 \) آهي:
\[ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x – \mu)^2}{2\sigma^2}\right) \]
وڏن انگن جو قانون ۽ مرڪزي حد جو ٿيورم
وڏن انگن جو قانون (LLN)
ايل ايل اين امڪاني نظريي ۾ هڪ بنيادي ٿيوريم آهي جيڪو ٻڌائي ٿو ته جيئن نموني جي سائيز \( n \) وڌندي، نموني جو مطلب \( \bar{X} \) متوقع قدر \( \mu \) ۾ بدلجي ويندو. هي اصول ان ڳالهه کي جائز قرار ڏئي ٿو ته وڏا نمونا آبادي جي پيرا ميٽرز جا وڌيڪ صحيح تخمينو ڇو فراهم ڪن ٿا.
مرڪزي حد جو نظريو (CLT)
CLT انفرينشل اسٽيٽسٽڪس لاءِ اهم آهي. اهو دعويٰ ڪري ٿو ته، بنيادي ورڇ جي پرواهه ڪرڻ کان سواءِ، نموني جي اوسط جي ورڇ هڪ عام ورڇ تائين پهچندي جنهن ۾ اوسط \( \mu \) ۽ ويرينس \( \sigma^2/n \) هوندو جيئن نموني جي سائيز \( n \) وڏي ٿيندي ويندي. هي ٿيوريم ڪيترن ئي شمارياتي طريقيڪار لاءِ بنياد فراهم ڪري ٿو، جنهن ۾ مفروضن جي جاچ ۽ اعتماد جي وقفي جو اندازو شامل آهي.
انفرينشل اسٽيٽسٽڪس ۾ ايپليڪيشنون
پوائنٽ تخميني ۽ مفروضو جاچ
امڪان جو نظريو تخميني طريقن جي ترقي جي رهنمائي ڪري ٿو. پوائنٽ ايسٽيميٽر هڪ نامعلوم پيرا ميٽر جو بهترين اندازو مهيا ڪرڻ لاءِ نڪتل آهن. تخميني ڪندڙن جي غير جانبداري، مستقل مزاجي، ۽ ڪارڪردگي جهڙيون خاصيتون سڀ امڪان جي ٻولي ۾ فريم ڪيون ويون آهن.
مفروضي جي جاچ ۾، اسان امڪان کي استعمال ڪندا آهيون ته جيئن ڊيٽا کي ڏسڻ جي امڪان کي طئي ڪري سگهجي جيڪڏهن هڪ خالي مفروضو سچو آهي. p-قدرن جي حساب سان، اسان خالي مفروضو کي رد ڪرڻ يا رد ڪرڻ ۾ ناڪام ٿيڻ جا فيصلا ڪندا آهيون.
Bayesian Inference
بيزين انفرنس هڪ متبادل فريم ورڪ آهي جيڪو بيز جي ٿيوريم ذريعي مشاهدو ڪيل ڊيٽا سان اڳوڻي عقيدن کي گڏ ڪري ٿو:
\[ پي (\ٿيٽا|ايڪس) = \فريڪ{پي (ايڪس |\ٿيٽا)پي (\ٿيٽا)}{پي (ايڪس)} \]
جتي \( P(\theta|X) \) ڏنل ڊيٽا جي پيرا ميٽر \( \theta \) جي پوئين امڪان آهي \( بيزين طريقا خاص طور تي نئين ثبوتن سان عقيدن کي اپڊيٽ ڪرڻ ۽ پيچيده ماڊلز کي سنڀالڻ ۾ طاقتور آهن.
ٿڪل
امڪان جو نظريو شمارياتي تجزيي جو بنياد آهي، جيڪو سادي وضاحتي انگ اکر کان وٺي جديد انفرنشنل ٽيڪنڪ تائين هر شيءِ لاءِ رياضياتي بنياد فراهم ڪري ٿو. ان جا اصول غير يقيني صورتحال جي مقدار کي طئي ڪرڻ، ڊيٽا جي بنياد تي فيصلن جي رهنمائي ڪرڻ، ۽ شمارياتي ماڊلز ۽ طريقن جي ترقي کي فروغ ڏيڻ کي فعال ڪن ٿا. امڪان جي نظريي کي سمجهڻ ۽ لاڳو ڪرڻ سان،
