සංඛ්යාලේඛනවල සම්භාවිතා න්යාය
සම්භාවිතා න්යාය සංඛ්යාලේඛනවල තීරණාත්මක කුළුණකි. මෙම ලිපියෙන් අපි සම්භාවිතා න්යාය එහි මූලික සංකල්පවල සිට සංඛ්යාලේඛනවල එහි යෙදීම් දක්වා ගැඹුරින් පැහැදිලි කරන්නෙමු. එහි ඉතිහාසය, අර්ථ දැක්වීම, මූලික මූලධර්ම සහ එදිනෙදා ජීවිතයේදී එහි යෙදීම් පිළිබඳ උදාහරණ කිහිපයක් ද අපි සාකච්ඡා කරමු.
සම්භාවිතා සිද්ධාන්තයේ ඉතිහාසය
සම්භාවිතා න්යායේ මුල් කාලීන වර්ධනය පැන නැගුනේ අහඹු ක්රීඩා (සූදුව) තේරුම් ගැනීමට සහ විශ්ලේෂණය කිරීමට ඇති අවශ්යතාවෙනි. ඉතිහාසය වාර්තා කරන්නේ මෙම න්යායට පළමු ප්රධාන දායකත්වය 17 වන සියවසේ ප්රංශ ගණිතඥයන් වන බ්ලේස් පැස්කල් සහ පියරේ ද ෆර්මැට් විසින් ලබා දුන් බවයි. ඔවුන් ඇන්ටොයින් ගොම්බෝඩ් නම් සූදුකාරයෙකු වන චෙවලියර් ද මෙරේ විසින් ඉදිරිපත් කරන ලද ගැටලුවක් පිළිබඳව ලිපි හුවමාරු කර ගත්හ. ඔවුන්ගේ සංවාදය සම්භාවිතා න්යායේ අත්තිවාරම් ලබා දුන් අතර, එය පසුව ක්රිස්ටියන් හියුජන්ස්, ජාකොබ් බර්නූලි සහ පියරේ-සයිමන් ලැප්ලේස් වැනි අනෙකුත් ගණිතඥයින් විසින් තවදුරටත් වර්ධනය කරන ලදී.
සම්භාවිතාව පිළිබඳ අර්ථ දැක්වීම
සම්භාවිතාව යනු සිදුවීමක් සිදුවීමේ සම්භාවිතාව මැනීමේ මිනුමක් වේ. ගණිතමය වශයෙන්, සම්භාවිතාව 0 සහ 1 අතර සංඛ්යාවක් ලෙස ප්රකාශ වේ. කළ නොහැකි සිදුවීමක සම්භාවිතාව 0 වන අතර, සිදුවීමට නිශ්චිත සිදුවීමක සම්භාවිතාව 1 කි.
සම්භාවිතාව නිර්වචනය කිරීම සඳහා ප්රවේශයන් කිහිපයක් තිබේ:
1. සම්භාව්ය ප්රවේශය:
සිදුවීමක සම්භාවිතාව යනු එම සිදුවීමට සහාය වන ප්රතිඵල සංඛ්යාව සහ නියැදි අවකාශයේ ඇති විය හැකි සියලුම ප්රතිඵල සංඛ්යාව අතර අනුපාතයයි.
\[
P(A) = \frac{|A|}{|S|}
\]
මෙහි \( |A| \) යනු A ට සහය දක්වන ප්රතිඵල ගණන වන අතර, \( |S| \) යනු S නියැදි අවකාශයේ ඇති මුළු ප්රතිඵල ගණන වේ.
2. සාපේක්ෂ සංඛ්යාත ප්රවේශය:
සිදුවීමක සම්භාවිතාව යනු අත්හදා බැලීම් විශාල සංඛ්යාවක එම සිදුවීමේ සාපේක්ෂ සංඛ්යාතයේ සීමාවයි.
\[
P(A) = \lim_{n \to \infty} \frac{n_A}{n}
\]
3. ආත්මීය ප්රවේශය:
සම්භාවිතාව යනු සිදුවීමක් සිදුවනු ඇතැයි පුද්ගලයෙකු තුළ ඇති විශ්වාසයේ මට්ටමයි. මෙම ප්රවේශය බොහෝ විට භාවිතා කරනුයේ ප්රමාණවත් ඓතිහාසික දත්ත නොමැති අවස්ථාවන්හිදී වන අතර ආත්මීය විනිශ්චය වැදගත් වේ.
සම්භාවිතා න්යායේ මූලික ප්රත්යක්ෂ සහ ප්රමේයයන්
සම්භාවිතා න්යාය පදනම් වී ඇත්තේ 1933 දී ඇන්ඩ්රි කොල්මොගොරොව් විසින් ප්රථම වරට සකස් කරන ලද මූලික ප්රත්යක්ෂ කිහිපයක් මත ය. මෙන්න මූලික ප්රත්යක්ෂ තුන:
1. සෘණාත්මක නොවන මූලධර්මය:
ඕනෑම සිදුවීමක් A සඳහා, සම්භාවිතාව P(A) සෘණ නොවේ.
\[
P(A) \geq 0
\]
2. සමස්ත මූලධර්මය:
නියැදි අවකාශය S හි සම්භාවිතාව 1 වේ.
\[
පී(එස්) = 1
\]
3. එකතු කිරීමේ ප්රත්යක්ෂය:
A සහ B යන අන්යෝන්ය වශයෙන් බැහැර සිදුවීම් දෙකක් සඳහා (පොදු මූලද්රව්ය නොමැති), සිදුවීම් දෙකෙහි සංයෝජනයේ සම්භාවිතාව එක් එක් සිදුවීමේ සම්භාවිතාවන්ගේ එකතුව වේ.
\[
P(A \කුසලාන B) = P(A) + P(B)
\]
මෙම ප්රමේයයන් මත පදනම්ව, වැදගත් ප්රමේයයන් කිහිපයක් ව්යුත්පන්න කළ හැක:
– අනුපූරක ප්රමේයය:
\[
P(A^c) = 1 – P(A)
\]
\( A^c \) යනු A හි අනුපූරකය වන අතර (A හි ඇතුළත් නොවන සිදුවීම්).
– සුවිශේෂී නොවන සිදුවීම් දෙකක් සඳහා එකතු කිරීමේ ප්රමේයය:
\[
P(A \කුසලාන B) = P(A) + P(B) – P(A \කුසලාන B)
\]
මෙහි \( A \cap B \) යනු A සහ B හි ඡේදනය වේ (සිදුවීම් දෙකෙහිම ඇතුළත් සිදුවීම).
අහඹු විචල්යයන් සහ සම්භාවිතා බෙදාහැරීම්
අහඹු විචල්යයක් යනු නියැදි අවකාශයේ සෑම ප්රතිඵලයක්ම තාත්වික සංඛ්යාවක් සමඟ සම්බන්ධ කරන ශ්රිතයකි. අහඹු විචල්යයන් වර්ග දෙකකට වර්ග කළ හැකිය:
1. විවික්ත අහඹු විචල්යයන්:
සීමිත හෝ ගණන් කළ හැකි කට්ටලයකින් අගයක් ගැනීම. උදාහරණය: දාදු කැට දෙකක් විසි කරන විට දිස්වන පැති ගණන.
2. අඛණ්ඩ අහඹු විචල්යයන්:
පරතරයක් තුළ තාත්වික සංඛ්යා කට්ටලයක අගය ගනී. උදාහරණය: පුද්ගලයෙකුගේ උස.
සෑම අහඹු විචල්යයකටම එක් එක් විය හැකි අගයේ සම්භාවිතාව විස්තර කරන සම්භාවිතා ව්යාප්තියක් ඇත. විවික්ත අහඹු විචල්ය සඳහා, මෙම ව්යාප්තිය සම්භාවිතා ස්කන්ධ ශ්රිතය (PMF) ලෙස හඳුන්වන අතර අඛණ්ඩ අහඹු විචල්ය සඳහා, එය සම්භාවිතා ඝනත්ව ශ්රිතය (PDF) ලෙස හැඳින්වේ.
සම්භාවිතා ස්කන්ධ ශ්රිතය (PMF):
\[
P(X = x_i) = p_i
\]
සම්භාවිතා ඝනත්ව ශ්රිතය (PDF) :
\[
f(x) \geq 0 \quad \text{සහ} \quad \int_{-\infty}^{\infty} f(x) \, dx = 1
\]
බහුලව භාවිතා වන සම්භාවිතා ව්යාප්ති කිහිපයක් නම්:
– ද්විපද ව්යාප්තිය: කාසි විසි කිරීම වැනි සාර්ථක හෝ අසාර්ථක බර්නූලි අත්හදා බැලීම් නැවත නැවතත් ආකෘතිකරණය කිරීමට භාවිතා කරයි.
– සාමාන්ය හෝ ගවුසියානු ව්යාප්තිය: සමමිතික සහ සීනුව හැඩැති දත්ත සඳහා භාවිතා වේ, උදාහරණයක් ලෙස නිශ්චිත ජනගහනයක උස.
සංඛ්යාලේඛනවල සම්භාවිතා න්යායේ යෙදීම්
සංඛ්යාලේඛනවල සම්භාවිතා න්යාය ඉතා වැදගත් වේ, විශේෂයෙන් පරාමිති ඇස්තමේන්තු කිරීම, උපකල්පිත පරීක්ෂාව සහ පුරෝකථනය කිරීම ඇතුළත් සංඛ්යානමය අනුමාන සන්දර්භය තුළ. මෙන්න වැදගත් යෙදුම් කිහිපයක්:
1. සංඛ්යානමය අනුමානය:
සංඛ්යානමය අනුමානයේදී, දත්ත නියැදියක් මත පදනම්ව ජනගහනයක් පිළිබඳ නිගමනවලට එළඹීමට සම්භාවිතා න්යාය භාවිතා කරයි. මෙයට ලක්ෂ්ය සහ කාල පරතරය ඇස්තමේන්තු භාවිතය මෙන්ම උපකල්පිත පරීක්ෂාවද ඇතුළත් වේ.
2. ප්රතිගමන ආකෘතිය:
ප්රතිගමනය යනු යැපෙන සහ ස්වාධීන විචල්යයන් අතර සම්බන්ධතාවය විස්තර කිරීමට භාවිතා කරන ක්රමයකි. ආකෘතිය දත්ත වලට කොතරම් හොඳින් ගැලපෙනවාද යන්න තීරණය කිරීමට සහ අනාවැකි පළ කිරීමට සම්භාවිතාව භාවිතා කරයි.
3. විචලතාව විශ්ලේෂණය (ANOVA):
මෙම තාක්ෂණය භාවිතා කරනුයේ කණ්ඩායම් කිහිපයක මධ්යන්යයන් සංසන්දනය කිරීමට සහ වෙනස්කම් සංඛ්යානමය වශයෙන් වැදගත් දැයි තීරණය කිරීමට ය. තීරණ ගැනීමේදී උපකාරී වන p-අගය ගණනය කිරීමට සම්භාවිතාව භාවිතා කරයි.
එදිනෙදා ජීවිතයේ සම්භාවිතාව
සම්භාවිතා න්යාය අධ්යයන ක්ෂේත්රවල පමණක් නොව, එදිනෙදා ජීවිතයේදී ද බොහෝ ප්රායෝගික යෙදුම් භාවිතා කරයි:
– රක්ෂණය: රක්ෂණ සමාගම් වාරික ගණනය කිරීමට සහ රක්ෂණ ඔප්පු වල අවදානම් කළමනාකරණය කිරීමට සම්භාවිතාව භාවිතා කරයි.
– ක්රීඩා සහ ඔට්ටු: විවිධ ක්රීඩා සහ ඔට්ටු ඇල්ලීමේ ජයග්රහණය කිරීමේ අවස්ථා තේරුම් ගැනීමට සම්භාවිතාව භාවිතා කරයි.
- අවදානම් තක්සේරුව: ව්යාපාර සහ මහජන සෞඛ්ය ක්ෂේත්රය තුළ, අවදානම තක්සේරු කිරීමට සහ වඩා හොඳ තීරණ ගැනීමට සම්භාවිතාව භාවිතා කරයි.
- කාලගුණ ආකෘති නිර්මාණය: සම්භාවිතාව කාලගුණ විද්යාඥයින්ට විවිධ කාලගුණික තත්ත්වයන් ඇතිවීමේ සම්භාවිතාව පුරෝකථනය කිරීමට උපකාරී වේ.
නිගමනය
සම්භාවිතා න්යාය සංඛ්යාලේඛනවල න්යායාත්මකව සහ ප්රායෝගිකව තීරණාත්මක කාර්යභාරයක් ඉටු කරයි. සම්භාවිතා න්යායේ මූලික සංකල්ප සහ ප්රධාන මූලධර්ම අවබෝධ කර ගැනීමෙන්, අපට වඩාත් ඵලදායී ලෙස දත්ත විශ්ලේෂණය කිරීමට, අනාවැකි පළ කිරීමට සහ දැනුවත් තීරණ ගැනීමට හැකිය. සම්භාවිතා න්යායේ යෙදීම් ශාස්ත්රීය හෝ පර්යේෂණවලට පමණක් සීමා නොවේ; ඒවා අපගේ දෛනික ජීවිතයේ සෑම අංශයක්ම පාහේ විනිවිද යයි. ඇත්ත වශයෙන්ම, සම්භාවිතා න්යාය නොමැතිව, විද්යාවේ සහ කර්මාන්තයේ බොහෝ ක්ෂේත්ර ඔවුන් දියුණු වී ඇති ප්රමාණයට දියුණු නොවනු ඇත.
