நிபந்தனை நிகழ்தகவின் அடிப்படைகள்

நிபந்தனை நிகழ்தகவின் அடிப்படைகள்

நிகழ்தகவு என்பது ஒரு நிகழ்வு நடப்பதற்கான சாத்தியக்கூறை அளவிடுவதற்கான ஒரு முறையான வழியாகும். பல நிஜ உலகச் சூழ்நிலைகளில், ஒரு நிகழ்வின் நிகழ்தகவு தனித்து இருப்பதில்லை, மாறாக நாம் ஏற்கனவே அறிந்த பிற தகவல்களால் அது பாதிக்கப்படுகிறது. இங்குதான் நிபந்தனை நிகழ்தகவு என்ற கருத்து முக்கியத்துவம் பெறுகிறது. கூடுதல் தகவல்களைப் பெற்ற பிறகு, ஒரு குறிப்பிட்ட நிகழ்வைப் பற்றிய நமது நம்பிக்கைகளைப் புதுப்பிக்க நிபந்தனை நிகழ்தகவு நமக்கு உதவுகிறது. இந்தக் கட்டுரை அதன் வரையறை, அடிப்படை சூத்திரம், எடுத்துக்காட்டுகள் மற்றும் பெருக்கல் விதி மற்றும் பேயஸ் தேற்றத்துடனான அதன் தொடர்பு ஆகியவற்றை விவாதிக்கிறது.

1. நிபந்தனை நிகழ்தகவைப் புரிந்துகொள்ளுதல்

உள்ளுணர்வின்படி, நிபந்தனை நிகழ்தகவு என்பது நிகழ்வு B நிகழ்ந்த நிலையில், நிகழ்வு A நிகழ்வதற்கான வாய்ப்பு ஆகும். அது பின்வருமாறு எழுதப்படுகிறது:

\[
P(A \mid B)
\]

"B கொடுக்கப்பட்ட நிலையில் A-யின் நிகழ்தகவு" என்பதைப் படிக்கவும்.

உதாரணமாக, இன்று மழை பெய்கிறது (B) என்ற நிலையில், ஒருவர் குடை வைத்திருப்பதற்கான (A) நிகழ்தகவை நாம் அறிய விரும்புகிறோம். தெளிவாக, மழை பெய்கிறது என்று நமக்குத் தெரிந்தால், குடை வைத்திருப்பதற்கான நிகழ்தகவு அதிகமாக இருக்கும். "மழை பெய்கிறது" என்ற தகவல் நமது பரிசீலனை வெளியை மாற்றுகிறது—நாம் இனி எல்லா வானிலை நிலைகளையும் கருத்தில் கொள்வதில்லை, மாறாக மழை பெய்யும் போது உள்ள நிலைகளை மட்டுமே கருத்தில் கொள்கிறோம்.

2. நிபந்தனை நிகழ்தகவு சூத்திரம்

நிபந்தனை நிகழ்தகவின் கணித வரையறை பின்வருமாறு:

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

\(P(B) > 0\) என்ற நிபந்தனையின் பேரில்.

தகவல்:
– \(P(A \mid B)\): B நிகழும் பட்சத்தில் A நிகழ்வதற்கான நிகழ்தகவு.
– \(P(A \cap B)\): A மற்றும் B ஒரே நேரத்தில் நிகழ்வதற்கான நிகழ்தகவு (A மற்றும் B-யின் வெட்டு).
– \(P(B)\): B நிகழ்வதற்கான நிகழ்தகவு.

இந்த சூத்திரத்தின் பொருள்: நாம் நிகழ்வு B-இல் மட்டும் கவனம் செலுத்தி, பின்னர் B-இன் எவ்வளவு பெரிய பகுதி A-ஐயும் உள்ளடக்கியுள்ளது என்பதைக் கணக்கிடுகிறோம்.

3. எளிய உதாரணம்: சீட்டுக்கட்டுகள்

ஒரு சீட்டுக்கட்டிலிருந்து (52 சீட்டுகள்) ஒரு சீட்டை எடுங்கள். உதாரணமாக:
– அ: எடுக்கப்பட்ட சீட்டு ஏஸ் ஆகும்
– B: எடுக்கப்பட்ட சீட்டு ஸ்பேட்ஸ்

எடுக்கப்பட்ட சீட்டு ஸ்பேட் எனில், ஏஸ் சீட்டை எடுப்பதற்கான நிகழ்தகவான \(P(A \mid B)\)-ஐ நாம் கணக்கிட விரும்புகிறோம்.

லங்கா:
ஸ்பேட் சீட்டில் 13 அட்டைகள் உள்ளன, எனவே \(P(B) = 13/52\).
– A மற்றும் B ஆகிய துண்டுகள் “ஸ்பேட்ஸ் ஏஸ்” ஆகும், இதன் கூட்டுத்தொகை 1 அட்டை, எனவே \(P(A \cap B) = 1/52\).

ஆகவே:

\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]

இதன் பொருள் என்னவென்றால், அந்தச் சீட்டு ஸ்பேட் என்று நமக்கு ஏற்கனவே தெரிந்திருந்தால், அது ஏஸ் ஆக இருப்பதற்கான நிகழ்தகவு 13-ல் 1 ஆகும்.

4. வெட்டு (A ∩ B) மற்றும் தகவலின் பங்கு ஆகியவற்றைப் புரிந்துகொள்ளுதல்

நிகழ்தகவைப் படிக்கும்போது செய்யப்படும் ஒரு பொதுவான தவறு, \(P(A)\) என்பதை \(P(A|B)\) உடன் குழப்பிக் கொள்வதாகும். இந்த அட்டை எடுத்துக்காட்டில்:
– \(P(A) = 4/52 = 1/13\) (கூடுதல் தகவல் இல்லாத நிலையில் ஏஸின் நிகழ்தகவு)
– \(P(A|B) = 1/13\) (தற்செயலாக இந்த விஷயத்திலும் அதேதான்)

இருப்பினும், பல சந்தர்ப்பங்களில் இரு மதிப்புகளும் வேறுபடுகின்றன. கூடுதல் தகவல்கள் பின்வருமாறு இருக்கலாம்:
– வாய்ப்புகளை அதிகரித்தல் (உதாரணமாக, ஒருவர் வேறொருவர் படித்துக் கொண்டிருக்கிறார் என்று தெரிந்தால், தேர்வில் தேர்ச்சி பெறுவதற்கான வாய்ப்பு அதிகரித்தல்),
– வாய்ப்புகளைக் குறைக்கிறது (வேலையிலிருந்து வீட்டிற்குச் செல்லும் நேரம் வந்துவிட்டது என்று தெரிந்தால், சாலைகள் சுமுகமாக இருப்பதற்கான வாய்ப்புகள் குறையும்),
– அல்லது நிகழ்வுகள் சார்பற்றவையாக இருந்தால் நிகழ்தகவை மாற்றுவதில்லை.

5. ஒன்றையொன்று சாராத நிகழ்வுகள் (சார்பின்மை)

நிகழ்வு B, A-இன் நிகழ்தகவைப் பாதிக்காத வரையிலும், மற்றும் நேர்மாறாகவும், இரண்டு நிகழ்வுகள் A மற்றும் B சார்பற்றவை எனப்படும். முறையாக:

\[
P(A \mid B) = P(A)
\]

அல்லது இதற்குச் சமமானது:

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

உதாரணம்: ஒரு நாணயத்தைச் சுண்டுவதும், ஒரு பகடையை உருட்டுவதும். நாணயத்தின் முடிவு (எண்/படம்) பகடையின் முடிவால் (1–6) பாதிக்கப்படுவதில்லை, எனவே இரண்டும் சார்பற்றவை. A என்பது “நாணயம் ஒரு எண்ணைக் காட்டுகிறது” மற்றும் B என்பது “பகடை 6-ஐக் காட்டுகிறது” எனில்:

\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]

மேலும் \(1/12 = (1/2)(1/6)\) என்பது உண்மையாகும்.

6. பெருக்கல் விதி

நிபந்தனை நிகழ்தகவின் வரையறையிலிருந்து, நாம் பெருக்கல் விதியை வருவிக்கலாம்:

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

அல்லது மேலும்:

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

இரண்டு நிகழ்வுகள் ஒரே நேரத்தில் நிகழ்வதற்கான நிகழ்தகவைக் கணக்கிட நாம் விரும்பும்போது இந்த விதி மிகவும் பயனுள்ளதாக இருக்கும், ஆனால் அவற்றுள் ஒன்றின் நிகழ்தகவை மற்றொன்றை அறிந்த பிறகு மதிப்பிடுவது எளிதாக இருக்கும்.

எடுத்துக்காட்டு: ஒருவர் நேர்காணலில் தேர்ச்சி பெறுவதற்கான (B) நிகழ்தகவு 0,4 என்றும், அவர் நேர்காணலில் தேர்ச்சி பெற்றால் வேலைக்கு ஏற்றுக்கொள்ளப்படுவதற்கான (A) நிகழ்தகவு 0,6 என்றும் வைத்துக்கொள்வோம். எனில், “நேர்காணலில் தேர்ச்சி பெற்று, வேலைக்கும் ஏற்றுக்கொள்ளப்படுவதற்கான” நிகழ்தகவு:

\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]

7. பேயஸ் தேற்றம்: நிபந்தனைகளை மாற்றுதல்

பெரும்பாலும் நமக்கு \(P(A|B)\) தெரியும், ஆனால் நமக்கு உண்மையில் தேவையானது \(P(B|A)\) ஆகும். பேயஸ் தேற்றம் நிபந்தனை நிகழ்தகவை “மாற்றுவதற்கு” ஒரு வழியை வழங்குகிறது:

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

இந்தத் தேற்றம் மருத்துவ நோயறிதல், இயந்திரக் கற்றல், ஸ்பேம் கண்டறிதல் மற்றும் தரவு சார்ந்த முடிவெடுத்தல் ஆகிய துறைகளில் மிகவும் நன்கு அறியப்பட்டதாகும்.

சுருக்கமான உதாரணம் (சுகாதாரம்)
உதாரணமாக:
– B: ஒருவர் மிகவும் நோய்வாய்ப்பட்டுள்ளார் (பரவல்) \(P(B)=0{,}01\)
– அ: நேர்மறையான பரிசோதனை முடிவு
– சோதனை உணர்திறன்: \(P(A|B)=0{,}95\)
– தவறான நேர்மறை: \(P(A|\text{நோய்வாய்ப்படவில்லை})=0{,}05\)

கேள்வி: பரிசோதனை முடிவு நேர்மறையாக இருந்தால், அந்த நபர் உண்மையில் நோய்வாய்ப்பட்டிருப்பதற்கான நிகழ்தகவு என்ன, அதாவது \(P(B|A)\)?

நமக்கு \(P(A)\) தேவை:

\[
P(A)=P(A|B)P(B) + P(A|≤B)P(≤B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]

ஆகவே:

\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]

இதன் முடிவு சுமார் 16,1% ஆக இருந்தது. குறிப்பாக, நோயின் பரவல் மிகவும் குறைவாக இருக்கும் பட்சத்தில், ஒருவருக்குப் பரிசோதனையில் நேர்மறை முடிவு வந்தால் அவர் நிச்சயமாக நோய்வாய்ப்பட்டிருக்கிறார் என்று அர்த்தமல்ல என்பதை இது காட்டுகிறது.

8. மொத்த நிகழ்தகவு (மொத்த நிகழ்தகவு விதி)

பல நிபந்தனைகளாகப் பிரிக்கப்பட்ட ஒரு சூழ்நிலையில் \(P(A)\)-ஐக் கணக்கிட, நாம் மொத்த நிகழ்தகவு விதியைப் பயன்படுத்தலாம். \(B_1, B_2, …, B_n\) என்பது மாதிரி வெளியின் ஒரு பிரிவினையை (ஒன்றையொன்று சாராத மற்றும் அனைத்து சாத்தியக்கூறுகளையும் உள்ளடக்கியது) உருவாக்கினால், அப்போது:

\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]

பல்வேறு பிரிவுகள் அல்லது மூலங்களிலிருந்து வரும் தகவல்களைச் செயலாக்குவதற்கு, இது பெரும்பாலும் பேயஸ் தேற்றத்துடன் இணைக்கப்படுகிறது.

9. நிபந்தனை நிகழ்தகவில் ஏற்படும் பொதுவான தவறுகள்

சில பொதுவான தவறுகள்:
1. \(P(A|B)\) என்பது \(P(B|A)\) க்குச் சமம் எனக் கொள்வோம். இது பொதுவாக உண்மையல்ல.
2. அடிப்படை விகிதங்களைப் புறக்கணித்தல், எடுத்துக்காட்டாக பேயஸ் எடுத்துக்காட்டில் நோய்ப் பரவல்.
3. நிபந்தனை B என்பது நாம் “பகுதி B”-இல் மட்டுமே கணக்கிடுகிறோம் என்று பொருள்பட்டாலும், நிபந்தனை கொடுக்கப்பட்ட பிறகு மாதிரி வெளியைத் தவறாகத் தீர்மானித்தல்.

10. முடிவுரை

நிபந்தனை நிகழ்தகவு என்பது புள்ளியியல் மற்றும் நிச்சயமற்ற தன்மை மாதிரியாக்கத்தில் ஒரு முக்கியமான அடித்தளமாகும். \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) என்பதன் வரையறையைப் புரிந்துகொள்வதன் மூலம், கூடுதல் தகவல்களைக் கருத்தில் கொண்டு நிகழ்தகவுகளை நம்மால் மதிப்பிட முடியும். இந்தக் கருத்து, பெருக்கல் விதி, சார்பற்ற நிகழ்வுகள், மொத்த நிகழ்தகவு விதி மற்றும் பேயஸ் தேற்றம் ஆகியவற்றுடன் நேரடியாகத் தொடர்புடையது; இவை பல நிஜ உலகப் பயன்பாடுகளில் மிகவும் பயனுள்ளதாக இருக்கின்றன. சீட்டுக்கட்டுகள், பகடைகள், கணக்கெடுப்புகள் மற்றும் மருத்துவ நிகழ்வுகள் போன்ற உறுதியான எடுத்துக்காட்டுகளுடன் நீங்கள் எவ்வளவு அதிகமாகப் பயிற்சி செய்கிறீர்களோ, அவ்வளவு அதிகமாகப் புதிய தகவல்கள் வரும்போது நிகழ்தகவுகள் எவ்வாறு மாறுகின்றன என்பது குறித்த உங்கள் உள்ளுணர்வு வலுப்பெறும்.