සංඛ්යානමය සම්භාවිතාව පිළිබඳ මූලික කරුණු
සම්භාවිතාව සහ සංඛ්යාලේඛන යනු අවිනිශ්චිතතාවය තේරුම් ගැනීමට සහ දත්ත මත පදනම් වූ තීරණ ගැනීමට ඉතා වැදගත් වන විද්යාවේ ක්ෂේත්ර දෙකකි. එදිනෙදා ජීවිතයේදී, අපට බොහෝ විට "අද වැසි ඇතිවීමට ඇති අවස්ථාව කුමක්ද?", "ඖෂධයක් ඵලදායීද?", හෝ "අලෙවිකරණ උපාය මාර්ගයක් විකුණුම් වැඩි කරයිද?" වැනි ප්රශ්නවලට මුහුණ දීමට සිදුවේ. සිදුවීමක සම්භාවිතාව මැනීම සඳහා සම්භාවිතාව ගණිතමය රාමුවක් සපයන අතර, සංඛ්යාලේඛන අපට දත්ත සැකසීමට, නිගමනවලට එළඹීමට සහ අනාවැකි පළ කිරීමට උපකාරී වේ. නවීන දත්ත විශ්ලේෂණයේ පදනම වන සංඛ්යානමය සම්භාවිතාවේ මූලික කරුණු මෙම ලිපියෙන් සාකච්ඡා කෙරේ.
1. සම්භාවිතාව සහ සංඛ්යාලේඛන අවබෝධ කර ගැනීම
සම්භාවිතාව යනු සිදුවීමක් සිදුවීමේ සම්භාවිතාව අධ්යයනය කරන ගණිත අංශයකි. සම්භාවිතාව අහඹු සිදුවීම් ආකෘතිකරණය කිරීමට සහ අවිනිශ්චිතතාවය ප්රමාණාත්මකව මැනීමට භාවිතා කරයි. සම්භාවිතා අගයන් 0 සිට 1 දක්වා පරාසයක පවතී. 0 ක අගයක් කළ නොහැකි බව පෙන්නුම් කරන අතර, 1 ක අගයක් නිශ්චිත බව පෙන්නුම් කරයි.
සංඛ්යාලේඛන යනු දත්ත රැස් කිරීම, සංවිධානය කිරීම, විශ්ලේෂණය කිරීම සහ අර්ථ නිරූපණය කරන ආකාරය අධ්යයනය කරන විද්යාවයි. සංඛ්යාලේඛන ප්රධාන ක්ෂේත්ර දෙකකට බෙදා ඇත:
1. විස්තරාත්මක සංඛ්යාලේඛන, එනම් දත්ත සාරාංශගත කිරීම සහ විස්තර කිරීම සඳහා ක්රම (උදා: සාමාන්යය, මධ්යන්ය, ප්රස්ථාර).
2. අනුමාන සංඛ්යාලේඛන, එනම් නියැදියක් මත පදනම්ව ජනගහනයක් පිළිබඳ නිගමනවලට එළඹීමේ ක්රම (උදා: ඇස්තමේන්තු කිරීම, කල්පිත පරීක්ෂාව).
මේ දෙක එකිනෙකට සම්බන්ධයි. සම්භාවිතාව බොහෝ විට අනුමාන සංඛ්යාලේඛන සඳහා න්යායාත්මක පදනම ලෙස ක්රියා කරයි, මන්ද අපි ජනගහනයකින් සාම්පල ලබා ගන්නා විට, ප්රතිඵල අහඹු වන අතර සම්භාවිතා සංකල්ප භාවිතයෙන් විශ්ලේෂණය කළ හැකිය.
2. මූලික සංකල්ප: අත්හදා බැලීම්, නියැදි අවකාශයන් සහ සිදුවීම්
සම්භාවිතාවයේ දී, පළමු පියවර වන්නේ අහඹු අත්හදා බැලීමක් අර්ථ දැක්වීමයි, එය කලින් ප්රතිඵලය පුරෝකථනය කළ නොහැකි ක්රියාවලියකි. උදාහරණ ලෙස කාසියක් පෙරලීම, දාදු කැටය පෙරළීම හෝ කණ්ඩායමකින් අහඹු ලෙස එක් පුද්ගලයෙකු තෝරා ගැනීම ඇතුළත් වේ.
අහඹු අත්හදා බැලීමක විය හැකි ප්රතිඵල නියැදි අවකාශය ලෙස හඳුන්වන අතර, සාමාන්යයෙන් ඒවා \( S \) හෝ \( \Omega \) මගින් දක්වනු ලැබේ. උදාහරණයක් ලෙස:
– කාසියක් විසි කරන්න: \( S = \{පින්තූරය, අංකය\} \)
– දාදු කැටය පෙරළන්න: \( S = \{1,2,3,4,5,6\} \)
සිදුවීමක් යනු නියැදි අවකාශයේ උප කුලකයකි. උදාහරණය:
– ඉරට්ටේ සංඛ්යාවක් ලැබීමේ සිදුවීම: \( A = \{2,4,6\} \)
– 4 ට වඩා විශාල සංඛ්යාවක් ලබා ගැනීමේ සිදුවීම: \( B = \{5,6\} \)
3. සම්භාවිතාව පිළිබඳ මූලික නීති
නියැදි අවකාශයේ සියලුම ප්රතිඵල එකම සම්භාවිතාව (සමජාතීය) නම්, සිදුවීමක සම්භාවිතාව \( A \) ලෙස ගණනය කළ හැක:
\[
P(A) = \frac{\text{සහාය දක්වන ප්රතිඵල ගණන } A}{\text{} S හි සියලුම ප්රතිඵල ගණන}
\]
උදාහරණය: දාදු කැටයේ ඉරට්ටේ සංඛ්යාවක් ලැබීමේ සම්භාවිතාව:
\[
පී(ඒ)=\frac{3}{6}=0,5
\]
වැදගත් නීති කිහිපයක්:
1. සම්භාවිතා සීමාවන්:
\[
0 \le P(A) \le 1
\]
2. අනුපූරකයේ සම්භාවිතාව (සිදුවීමක් සිදු නොවේ):
\[
පී(ඒ^සී)=1-පී(ඒ)
\]
3. සිදුවීම් දෙකක් සඳහා එකතු කිරීමේ රීතිය:
– \( A \) සහ \( B \) අන්යෝන්ය වශයෙන් බැහැර නම් (එකවර සිදුවිය නොහැක):
\[
P(A \කුසලාන B)=P(A)+P(B)
\]
– අන්යෝන්ය වශයෙන් බැහැර නොවේ නම්:
\[
P(A \කුසලාන B)=P(A)+P(B)-P(A \කුසලාන B)
\]
4. කොන්දේසි සහිත සම්භාවිතාව සහ ස්වාධීනත්වය
කොන්දේසි සහිත සම්භාවිතාව යනු \( A \) සිදුවීමක් සිදුවීමට ඇති සම්භාවිතාවය වන අතර, එම සිදුවීම \( B \) දැනටමත් සිදුවී ඇත්නම්. ලියා ඇත්තේ:
\[
P(A|B)=\frac{P(A \cap B)}{P(B)}
\]
\( P(B) \ne 0 \) සමඟ.
පරීක්ෂණ ප්රතිඵල මත පදනම්ව රෝගයක් හඳුනා ගැනීම වැනි බොහෝ ක්ෂේත්රවල මෙම සංකල්පය වැදගත් වේ. යමෙකුට දැනටමත් යම් රෝග ලක්ෂණ ඇති බව අප දන්නේ නම්, රෝගයක් ඇති බවට හඳුනා ගැනීමේ අවස්ථා වෙනස් විය හැකිය.
\( A \) සිදුවීම \( B \) සිදුවීමේ සම්භාවිතාවට බලපාන්නේ නැත්නම්, \( A \) සහ \( B \) සිදුවීම් දෙකක් ස්වාධීන යැයි කියනු ලැබේ. ගණිතමය වශයෙන්:
\[
P(A \cap B)=P(A)\cdot P(B)
\]
හෝ සමාන:
\[
පී(ඒ|බී)=පී(ඒ)
\]
5. අහඹු විචල්යයන් සහ සම්භාවිතා බෙදාහැරීම්
සංඛ්යාලේඛන සහ සම්භාවිතාවේදී, අපි බොහෝ විට අහඹු විචල්යයන් භාවිතා කරමු, ඒවා අහඹු අත්හදා බැලීම්වල ප්රතිඵල සංඛ්යා වලට සිතියම්ගත කරන ශ්රිත වේ. අහඹු විචල්යයන් පහත පරිදි බෙදා ඇත:
1. විවික්ත: අගය ගණන් කළ හැකි ය (උදාහරණයක් ලෙස, පවුලක සිටින දරුවන් සංඛ්යාව).
2. අඛණ්ඩ: අගය පරාසයක තිබිය හැක (උදා: උස, පොරොත්තු කාලය).
විවික්ත අහඹු විචල්ය සඳහා, අපි සම්භාවිතා ස්කන්ධ ශ්රිතය (PMF) දනිමු, අඛණ්ඩ විචල්ය සඳහා, අපි සම්භාවිතා ඝනත්ව ශ්රිතය (PDF) දනිමු.
වැදගත් විවික්ත බෙදාහැරීම් සඳහා උදාහරණ:
– බර්නූලි ව්යාප්තිය: ප්රතිඵල දෙකක් පමණි, සාර්ථකත්වය (1) සහ අසාර්ථකත්වය (0).
– ද්විපද ව්යාප්තිය: \( n \) බර්නූලි අත්හදා බැලීම්වලින් ලැබුණු සාර්ථකත්ව ගණන.
– විෂ ව්යාප්තිය: නිශ්චිත කාල/අවකාශ පරතරයක සිදුවීම් ගණන ගණනය කරයි.
අඛණ්ඩ බෙදාහැරීම් සඳහා උදාහරණ:
– සාමාන්ය ව්යාප්තිය: ස්වාභාවික හා සමාජීය සංසිද්ධිවල බොහෝ විට දිස්වන "සීනු" ව්යාප්තිය.
– ඝාතීය ව්යාප්තිය: බොහෝ විට සිදුවීම් අතර කාලය ආකෘතිකරණය කිරීමට භාවිතා කරයි, උදාහරණයක් ලෙස ගනුදෙනුකරුවන් පැමිණීම් අතර කාලය.
6. මධ්යගතකරණය සහ විසරණය පිළිබඳ මිනුම්
විස්තරාත්මක සංඛ්යාලේඛන සඳහා දත්ත සාරාංශ කරන මිනුම් අවශ්ය වේ.
මධ්යගත කිරීමේ මිනුම:
– සාමාන්යය (මධ්යන්යය): දත්තවල එකතුව දත්ත ගණනින් බෙදූ විට.
– මධ්යන්ය: දත්ත වර්ග කළ පසු මැද අගය.
– මාදිලිය: බොහෝ විට දිස්වන අගය.
පැතිරීමේ ප්රමාණය:
– පරාසය: උපරිම සහ අවම අගයන් අතර වෙනස.
– විචලනය: මධ්යන්යයෙන් සාමාන්ය වර්ග අපගමනයේ මිනුමක්.
– සම්මත අපගමනය: දත්ත මෙන් එකම ඒකක වලින් තේරුම් ගැනීමට පහසු විචලනයේ වර්ගමූලය.
දත්ත යම් අගයක් අසල සංකේන්ද්රණය වී තිබේද නැතහොත් පුළුල් ලෙස පැතිරී තිබේද යන්න බැලීමට මෙම මිනුම් වැදගත් වේ.
7. නියැදිය, ජනගහනය සහ ඇස්තමේන්තුව පිළිබඳ සංකල්පය
පර්යේෂණ වලදී, පිරිවැය සහ කාල සීමාවන් නිසා අපට මුළු ජනගහනයම මැනිය හැක්කේ කලාතුරකිනි. එබැවින්, අපි නියැදියක් ගනිමු. මෙම නියැදියෙන්, ජනගහන පරාමිතීන් (උදා: ජනගහන මධ්යන්යය) ඇස්තමේන්තු කිරීම සඳහා අපි සංඛ්යාලේඛන (උදා: නියැදි මධ්යන්යය) ගණනය කරමු.
පරාමිතීන් ඇස්තමේන්තු කිරීමේ ක්රියාවලිය ඇස්තමේන්තු කිරීම ලෙස හැඳින්වේ. ඇස්තමේන්තු විය හැක්කේ:
– ලක්ෂ්ය ඇස්තමේන්තුව: එක් ඇස්තමේන්තුගත අගයක් (උදාහරණය: නියැදි මධ්යන්යය).
– විශ්වාසනීය පරතරය: යම් විශ්වාසයක් සහිත (උදා: 95%) ජනගහන පරාමිතිය අඩංගු යැයි විශ්වාස කරන අගයන් පරාසයක්.
8. උපකල්පන පරීක්ෂාව (දළ විශ්ලේෂණය)
අනුමාන සංඛ්යාලේඛනවලට උපකල්පිත පරීක්ෂාව ද ඇතුළත් වන අතර එය ජනගහනයක් පිළිබඳ හිමිකම් පරීක්ෂා කිරීමේ ක්රියා පටිපාටියකි. උදාහරණයක් ලෙස, නව ක්රමයක් ක්රියාත්මක කිරීමෙන් පසු සාමාන්ය නිෂ්පාදන කාලය අඩු වී ඇත්දැයි සමාගමකට දැන ගැනීමට අවශ්ය විය හැකිය.
උපකල්පන පරීක්ෂණයට සාමාන්යයෙන් ඇතුළත් වන්නේ:
– ශුන්ය කල්පිතය (\( H_0 \)): ආරම්භක ප්රකාශය (උදා: "වෙනසක් නැත").
– විකල්ප කල්පිතය (\( H_1 \)): ඔප්පු කළ යුතු ප්රකාශය (උදා: "නිෂ්පාදන කාලය අඩුවීමක් ඇත").
– පිළිගැනීමට හෝ ප්රතික්ෂේප කිරීමට තීරණය කිරීම සඳහා p-අගය හෝ තීරණාත්මක සීමාව \( H_0 \).
මෙම සංකල්පය මුලදී සංකීර්ණ බවක් පෙනෙන්නට තිබුණත්, අවසාන කරුණ වන්නේ මැනිය හැකි දෝෂ අවදානමක් සහිත දත්ත සාක්ෂි මත පදනම්ව තීරණ ගැනීමයි.
වසා දැමීම
සංඛ්යානමය සම්භාවිතාව පිළිබඳ මූලික කරුණු, අවිනිශ්චිතභාවය සහ දත්ත වලින් නිගමනවලට එළඹෙන ආකාරය පිළිබඳ අවබෝධයක් ලබා ගැනීමට අපව සන්නද්ධ කරයි. නියැදි අවකාශයන් සහ සිදුවීම්, සම්භාවිතා රීති, කොන්දේසි සහිත සම්භාවිතාව, අහඹු විචල්යයන් සහ බෙදාහැරීම් පිළිබඳ සංකල්පවල සිට දත්ත විශ්ලේෂණය, පර්යේෂණ සහ තීරණ ගැනීම සඳහා අත්යවශ්ය පදනමක් සාදයි. අද දත්ත මත පදනම් වූ ලෝකයේ, සම්භාවිතාව සහ සංඛ්යාලේඛන අවබෝධ කර ගැනීම අධ්යයන අවශ්යතාවයක් පමණක් නොව, ව්යාපාර, සෞඛ්ය සේවා, තාක්ෂණය සහ සමාජ විද්යාව වැනි ක්ෂේත්රවල ප්රයෝජනවත් ප්රායෝගික කුසලතාවයක් ද වේ.
ඔබ කැමති නම්, මට මෙම ලිපියේ වඩාත් තාක්ෂණික අනුවාදයක් (නියැදි ප්රශ්න සහ සාකච්ඡා සහිත) හෝ පාසල් මට්ටම සඳහා සරල අනුවාදයක් සෑදිය හැකිය.
