நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவு

நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவு

புள்ளியியல் மற்றும் நிகழ்தகவு உலகில், வணிகம் முதல் மருத்துவம், அறிவியல் வரை பல்வேறு நிஜ உலகப் பயன்பாடுகளுக்கு ஒரு நிகழ்வின் நிகழ்தகவைப் புரிந்துகொள்வது இன்றியமையாதது. நிகழ்தகவில் அடிக்கடி எதிர்கொள்ளப்படும் ஒரு கருத்து, கூட்டு நிகழ்வுகளின் நிகழ்தகவு ஆகும். இருப்பினும், இன்னும் குறிப்பாக, நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவைப் பற்றி நாம் விவாதிப்போம். இந்தக் கட்டுரை இந்தக் கருத்தை ஆழமாக விளக்கி, பயன்பாட்டு எடுத்துக்காட்டுகளை வழங்கி, முடிவெடுப்பதில் கூட்டு நிகழ்தகவுகளின் தாக்கங்களை ஆராயும்.

நிகழ்தகவின் அடிப்படைக் கருத்துக்கள்

நிகழ்தகவு அல்லது வாய்ப்பு என்பது ஒரு நிகழ்வு நடப்பதற்கான சாத்தியக்கூறின் அளவீடு ஆகும். ஒரு நிகழ்வின் (A) நிகழ்தகவு, 0 மற்றும் 1-க்கு இடையில் ஒரு மதிப்பைக் கொண்ட (P(A)) என வெளிப்படுத்தப்படுகிறது. நிகழ்தகவு 0 என்றால் அந்த நிகழ்வு நடக்கவே சாத்தியமில்லை என்றும், நிகழ்தகவு 1 என்றால் அந்த நிகழ்வு நிச்சயமாக நடக்கும் என்றும் பொருள்.

நாம் ஒன்றுக்கு மேற்பட்ட நிகழ்வுகளைப் பற்றிப் பேசும்போது, ​​கூட்டு நிகழ்வுகளின் எல்லைக்குள் நுழைகிறோம். எடுத்துக்காட்டாக, நம்மிடம் \( A \) மற்றும் \( B \) ஆகிய நிகழ்வுகள் இருக்கலாம், மேலும் இவ்விரு நிகழ்வுகளும் ஒன்றாக நிகழும் நிகழ்தகவை அறிந்துகொள்ள நாம் விரும்பலாம், இது \( P(A \cap B) \) என வெளிப்படுத்தப்படுகிறது.

பரஸ்பர சார்பற்ற நிகழ்வுகள்

ஒரு நிகழ்வின் நிகழ்வு மற்றொரு நிகழ்வின் நிகழ்வைப் பாதிக்காத பட்சத்தில், அந்த இரண்டு நிகழ்வுகளும் சார்பற்றவை எனப்படும். கணிதரீதியாக, \( A \) மற்றும் \( B \) ஆகிய நிகழ்வுகள் சார்பற்றவையாகக் கருதப்படும், எனில்:

\[ P(A \cap B) = P(A) \times P(B) \]

அதாவது, இரண்டு சார்பற்ற நிகழ்வுகள் ஒரே நேரத்தில் நிகழ்வதற்கான நிகழ்தகவு என்பது, ஒவ்வொரு நிகழ்வின் நிகழ்தகவுகளின் பெருக்கற்பலன் ஆகும்.

நிபந்தனை நிகழ்வு

நிபந்தனை நிகழ்தகவு என்பது, மற்றொரு நிகழ்வு \( B \) நிகழ்ந்திருக்கும் நிலையில், ஒரு நிகழ்வு \( A \) நிகழ்வதற்கான நிகழ்தகவைக் குறிக்கிறது. இது \( P(A|B) \) என வெளிப்படுத்தப்படுகிறது, இதை “B கொடுக்கப்பட்ட நிலையில் A-இன் நிகழ்தகவு” என்று படிக்கலாம். இந்த நிபந்தனை நிகழ்தகவு பின்வருமாறு வரையறுக்கப்படுகிறது:

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

\( P(B) \neq 0 \) ஆக இருக்கும் வரை.

நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் கருத்து

நிகழ்தகவின் அடிப்படைகளையும், சார்பற்ற மற்றும் நிபந்தனை நிகழ்வுகளின் அடிப்படைக் கருத்துக்களையும் புரிந்துகொண்ட பிறகு, நாம் இன்னும் சிக்கலான ஒரு கருத்தைக் குறிப்பிடலாம்: நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவு. பின்வரும் நிபந்தனைகள் பூர்த்தி செய்யப்பட்டால், \( A \) மற்றும் \( B \) ஆகிய இரண்டு நிகழ்வுகள், \( C \) என்ற நிகழ்வைப் பொறுத்து நிபந்தனைக்குட்பட்ட சார்பற்றவை என்று கூறப்படுகின்றன:

\[ P(A \cap B | C) = P(A | C) \times P(B | C) \]

இதன் பொருள், \( C \) நிகழ்ந்துவிட்டது என்று நமக்குத் தெரிந்தால், \( A \) மற்றும் \( B \) ஆகிய நிகழ்வுகள் சார்பற்றவை என்பதாகும். இந்த நிபந்தனை, மேலும் சிக்கலான தரவுப் பகுப்பாய்வு மற்றும் முடிவெடுத்தலில் பல்வேறு தாக்கங்களை ஏற்படுத்தக்கூடும்.

பயன்பாட்டு எடுத்துக்காட்டுகள்

நிபந்தனை சார்பற்ற கூட்டு நிகழ்வுகள் என்ற கருத்தை மேலும் தெளிவுபடுத்த, அன்றாட வாழ்க்கைச் சூழலில் இருந்து ஒரு உதாரணத்தைப் பயன்படுத்துவோம்.

எடுத்துக்காட்டு 1: தொடர்புடைய நிகழ்வு பகுப்பாய்வு

உதாரணமாக, ஒரு நகரம் தழுவிய சுகாதாரக் கணக்கெடுப்பில், புகைப்பிடிக்கும் பழக்கம், உடற்பயிற்சி மற்றும் இதய நோயின் பாதிப்பு விகிதம் குறித்த தரவுகள் நம்மிடம் உள்ளன. பாதிப்பு விகிதத்தை வரையறுப்போம்:
– \( A \) = யாரோ ஒருவர் புகைபிடிக்கிறார்
– \( B \) = ஒரு நபர் தவறாமல் உடற்பயிற்சி செய்கிறார்
– \( C \) = ஒரு நபர் இதய நோயால் பாதிக்கப்பட்டுள்ளார்

இதய நோய் உள்ள ஒருவரிடம், புகைப்பிடித்தலும் உடற்பயிற்சியும் ஒன்றுக்கொன்று நிபந்தனைக்குட்பட்டு சார்பற்றவையா என்பதை நாம் தீர்மானிக்க விரும்பினால், பின்வரும் நிகழ்தகவுகளை நாம் கணக்கிட வேண்டும்:

1. \( P(A \cap B | C) \) – ஒருவருக்கு இதய நோய் இருக்கும் பட்சத்தில், அவர் புகைப்பிடிப்பதற்கும் உடற்பயிற்சி செய்வதற்கும் உள்ள நிகழ்தகவு.
2. \( P(A | C) \) – ஒருவருக்கு இதய நோய் இருக்கும் பட்சத்தில், அவர் புகைப்பிடிப்பதற்கான நிகழ்தகவு.
3. \( P(B | C) \) – ஒருவருக்கு இதய நோய் இருக்கும் பட்சத்தில், அவர் உடற்பயிற்சி செய்வதற்கான நிகழ்தகவு.

தேவையான தரவுகள் கிடைத்தவுடன், நாம் மேற்கண்ட மதிப்புகளைக் கணக்கிட்டு, \( P(A \cap B | C) = P(A | C) \times P(B | C) \) என்ற சமன்பாடு பூர்த்தி செய்யப்படுகிறதா என்று சரிபார்க்கலாம். அது உண்மையாக இருந்தால், இதய நோயைப் பொறுத்தவரை புகைப்பிடித்தலும் உடற்பயிற்சியும் நிபந்தனைக்குட்பட்ட சார்பற்ற நிகழ்வுகள் என்பதை நாம் உறுதிப்படுத்தலாம்.

எடுத்துக்காட்டு 2: வணிக முடிவு

உதாரணமாக, ஒரு தொலைத்தொடர்பு நிறுவனத்தில், வாடிக்கையாளர் விலகல் மற்றும் புதிய செயலி பதிவிறக்கங்கள் ஆகிய நிகழ்வுகள், ஒரு செயல்திறன் மிக்க விளம்பரப் பிரச்சாரம் நடைபெறுவதைப் பொருட்படுத்தாமல் நிபந்தனைக்குட்பட்டுச் சார்பற்றவையா என்பதை நாம் கண்டறிய விரும்புகிறோம். அந்த நிகழ்வுகளை வரையறுப்போம்:

– \( A \) = வாடிக்கையாளர்கள் நிறுவனத்தை விட்டு வெளியேறுகிறார்கள்
– \( B \) = வாடிக்கையாளர்கள் புதிய செயலிகளைப் பதிவிறக்குகிறார்கள்
– \( C \) = செயலில் உள்ள விளம்பரப் பிரச்சாரம்

\( P(A \cap B | C) = P(A | C) \times P(B | C) \) என்பது உண்மையாக இருந்தால், பிரச்சாரம் செயலில் உள்ளது என்ற அறிவே \( A \) மற்றும் \( B \) நிகழ்வுகளை சார்பற்றதாக ஆக்குவதற்குப் போதுமானது.

முடிவெடுப்பதில் உள்ள தாக்கங்கள்

நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவைப் புரிந்துகொள்வது பல்வேறு துறைகளில் இன்றியமையாதது. தரவுப் பகுப்பாய்வு மற்றும் புள்ளியியலில், இது மிகவும் துல்லியமான கணிப்புகளைச் செய்யவும், கிடைக்கப்பெற்ற தரவுகளின் அடிப்படையில் முடிவுகளை எடுக்கவும் நமக்கு உதவுகிறது. எடுத்துக்காட்டாக, வணிகத்தில், நிறுவனங்கள் மிகவும் பயனுள்ள சந்தைப்படுத்தல் உத்திகளைக் கண்டறிய நிபந்தனை நிகழ்தகவுப் பகுப்பாய்வைப் பயன்படுத்தலாம். மருத்துவத்தில், நிபந்தனை நிகழ்தகவு நோய் கண்டறிதலுக்கும், மேலும் பயனுள்ள சிகிச்சைத் திட்டமிடலுக்கும் உதவுகிறது.

இரண்டு நிகழ்வுகள் ஒன்றுக்கொன்று நிபந்தனைக்குட்பட்ட சார்பற்றவை என்பதை நாம் புரிந்துகொள்ளும்போது, ​​நமது நிகழ்தகவு மாதிரிகளை கணிசமாக எளிமைப்படுத்த முடியும். இது பெரும்பாலும் பகுப்பாய்வின் சிக்கலைக் குறைக்கவும், மேலும் பயனுள்ள தலையீடுகளுக்கு வளங்களைச் செலுத்தவும் நமக்கு உதவுகிறது.

முடிவுரை

நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவு என்பது, நிகழ்தகவுப் பகுப்பாய்வில் ஒரு சிக்கலான ஆனால் மிகவும் பயனுள்ள கருத்தாகும். நிகழ்தகவு, சார்பற்ற நிகழ்வுகள் மற்றும் நிபந்தனைக்குட்பட்ட நிகழ்தகவு ஆகியவற்றின் அடிப்படைகளைப் புரிந்துகொள்வதன் மூலம், மற்ற நிகழ்வுகளின் பின்னணியில் இரண்டு நிகழ்வுகள் எவ்வாறு சார்பற்றவையாக இருக்க முடியும் என்பதை நாம் புரிந்துகொள்ள முடியும். இது ஆழமான பகுப்பாய்விற்கும், தரவுகளின் அடிப்படையில் சிறந்த முடிவுகளை எடுப்பதற்கும் வழி திறக்கிறது.

சுகாதாரக் கணக்கெடுப்புகளைப் பகுப்பாய்வு செய்வதிலிருந்து வணிக முடிவுகள் வரை, இந்தக் கருத்து அன்றாட வாழ்வில் எவ்வாறு பொருந்துகிறது என்பதை நடைமுறை எடுத்துக்காட்டுகள் மூலம் நாம் காணலாம். எனவே, நிபந்தனைக்குட்பட்ட சார்பற்ற கூட்டு நிகழ்வுகளின் நிகழ்தகவு பற்றிய ஆழமான புரிதல், தரவுகளுடன் பணிபுரிபவர்களுக்கும் தரவு சார்ந்த முடிவுகளை எடுப்பவர்களுக்கும் விலைமதிப்பற்றதாக இருக்கும்.