షరతులతో కూడిన సంభావ్యత యొక్క ప్రాథమిక అంశాలు

షరతులతో కూడిన సంభావ్యత యొక్క ప్రాథమిక అంశాలు

సంభావ్యత అనేది ఒక సంఘటన జరగడానికి ఎంత అవకాశం ఉందో కొలిచే ఒక అధికారిక పద్ధతి. అనేక వాస్తవ ప్రపంచ పరిస్థితులలో, ఒక సంఘటన యొక్క సంభావ్యత స్వతంత్రంగా ఉండదు, కానీ మనకు ఇప్పటికే తెలిసిన ఇతర సమాచారం ద్వారా ప్రభావితమవుతుంది. ఇక్కడే షరతులతో కూడిన సంభావ్యత అనే భావన ప్రాముఖ్యతను సంతరించుకుంటుంది. అదనపు సమాచారం పొందిన తర్వాత ఒక నిర్దిష్ట సంఘటన గురించి మన నమ్మకాలను నవీకరించుకోవడానికి షరతులతో కూడిన సంభావ్యత మనకు సహాయపడుతుంది. ఈ వ్యాసం దాని నిర్వచనం, ప్రాథమిక సూత్రం, ఉదాహరణలు, మరియు ఉత్పత్తి నియమం మరియు బేయస్ సిద్ధాంతంతో దాని సంబంధాన్ని చర్చిస్తుంది.

1. షరతులతో కూడిన సంభావ్యతను అర్థం చేసుకోవడం

సహజంగా, షరతులతో కూడిన సంభావ్యత అంటే సంఘటన B జరిగినప్పుడు సంఘటన A జరగడానికి గల అవకాశం. దీనిని ఈ విధంగా వ్రాస్తారు:

\[
P(A \mid B)
\]

"B ఇచ్చినప్పుడు A యొక్క సంభావ్యత" అని చదవండి.

ఉదాహరణకు, ఈ రోజు వర్షం పడుతోంది (B) అని తెలిసినప్పుడు, ఎవరైనా గొడుగు పట్టుకుని ఉండే సంభావ్యతను (A) మనం తెలుసుకోవాలనుకుంటున్నాము. స్పష్టంగా, వర్షం పడుతోందని మనకు తెలిస్తే గొడుగు పట్టుకుని ఉండే సంభావ్యత ఎక్కువగా ఉంటుంది. "వర్షం పడుతోంది" అనే సమాచారం మన పరిశీలన పరిధిని మారుస్తుంది—మనం ఇకపై అన్ని వాతావరణ పరిస్థితులను పరిగణనలోకి తీసుకోము, కేవలం వర్షం పడుతున్నప్పుడు ఉన్న పరిస్థితులను మాత్రమే పరిగణనలోకి తీసుకుంటాము.

2. షరతులతో కూడిన సంభావ్యత సూత్రం

షరతులతో కూడిన సంభావ్యత యొక్క గణిత నిర్వచనం:

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

\(P(B) > 0\) అనే షరతుకు లోబడి.

Keterangan:
– \(P(A \mid B)\): B సంభవించినప్పుడు A సంభవించే సంభావ్యత.
– \(P(A \cap B)\): A మరియు B ఏకకాలంలో సంభవించే సంభావ్యత (A మరియు B యొక్క ఖండన).
– \(P(B)\): B సంభవించే సంభావ్యత.

ఈ సూత్రం యొక్క అర్థం: మనం మన దృష్టిని సంఘటన B కి పరిమితం చేసి, ఆ తర్వాత B లో A కూడా ఎంత పెద్ద భాగాన్ని కలిగి ఉందో లెక్కిస్తాము.

3. సరళమైన ఉదాహరణ: పేకాట కార్డులు

ప్రామాణిక పేకాట కార్డుల కట్ట (52 కార్డులు) నుండి ఒక కార్డును తీసుకోండి. ఉదాహరణకు:
– A: తీసిన కార్డు ఏస్
– బి: తీసిన కార్డు స్పేడ్స్

కార్డు స్పేడ్ అయినప్పుడు ఏస్ తీసే సంభావ్యత అయిన \(P(A \mid B)\)ను మనం గణించాలనుకుంటున్నాము.

దశ:
– స్పేడ్స్‌లో 13 కార్డులు ఉంటాయి, కాబట్టి \(P(B) = 13/52\).
– స్లైస్‌లు A మరియు B అనేవి “ఏస్ ఆఫ్ స్పేడ్స్”, దీని మొత్తం 1 కార్డు, కాబట్టి \(P(A \cap B) = 1/52\).

కాబట్టి:

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

దీని అర్థం ఏమిటంటే, ఒకవేళ ఆ కార్డు స్పేడ్ అని మనకు ముందే తెలిస్తే, ఆ కార్డు ఏస్ అయ్యే సంభావ్యత 13లో 1 ఉంటుంది.

4. ఖండన (A ∩ B) మరియు సమాచారం యొక్క పాత్రను అర్థం చేసుకోవడం

సంభావ్యతను అధ్యయనం చేసేటప్పుడు \(P(A)\) ను \(P(A|B)\) తో గందరగోళపడటం ఒక సాధారణ పొరపాటు. కార్డు ఉదాహరణలో:
– \(P(A) = 4/52 = 1/13\) (అదనపు సమాచారం లేకుండా ఏస్ వచ్చే సంభావ్యత)
– \(P(A|B) = 1/13\) (యాదృచ్ఛికంగా ఈ సందర్భంలో కూడా అదే)

అయితే, చాలా సందర్భాలలో ఈ రెండు విలువలు భిన్నంగా ఉంటాయి. అదనపు సమాచారం ఈ విధంగా ఉండవచ్చు:
– అవకాశాలను పెంచడం (ఉదాహరణకు, ఎవరైనా చదువుతున్నారని తెలిస్తే పరీక్షలో ఉత్తీర్ణత సాధించే అవకాశం పెరగడం),
– అవకాశాలను తగ్గించడం (పని నుండి ఇంటికి వెళ్ళే సమయం అయిందని మీకు తెలిస్తే, సురక్షితమైన రహదారులు ఉండే అవకాశాలు),
– లేదా సంఘటనలు స్వతంత్రమైనవి అయితే సంభావ్యతను మార్చదు.

5. పరస్పర స్వతంత్ర సంఘటనలు (స్వాతంత్ర్యం)

సంఘటన B, A యొక్క సంభావ్యతను ప్రభావితం చేయకపోతే, మరియు దీనికి విరుద్ధంగా కూడా, A మరియు B అనే రెండు సంఘటనలు స్వతంత్రమైనవి అని అంటారు. లాంఛనప్రాయంగా:

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

లేదా దీనికి సమానమైనది:

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

ఉదాహరణ: నాణెం ఎగరవేయడం మరియు పాచికను దొర్లించడం. నాణెం యొక్క ఫలితం (సంఖ్య/చిత్రం) పాచిక యొక్క ఫలితం (1–6) ద్వారా ప్రభావితం కాదు, కాబట్టి రెండూ స్వతంత్రమైనవి. ఒకవేళ A అనేది “నాణెం ఒక సంఖ్యను చూపిస్తుంది” మరియు B అనేది “పాచిక 6 ను చూపిస్తుంది” అయితే, అప్పుడు:

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

మరియు \(1/12 = (1/2)(1/6)\) అనేది నిజం.

6. గుణకార నియమం

షరతులతో కూడిన సంభావ్యత యొక్క నిర్వచనం నుండి, మనం గుణకార నియమాన్ని రాబట్టవచ్చు:

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

లేదా కూడా:

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

రెండు సంఘటనలు ఏకకాలంలో జరిగే సంభావ్యతను లెక్కించాలనుకున్నప్పుడు ఈ నియమం చాలా ఉపయోగకరంగా ఉంటుంది, కానీ వాటిలో ఒకదాని సంభావ్యతను తెలుసుకున్న తర్వాత అంచనా వేయడం సులభం.

ఉదాహరణ: ఒక వ్యక్తి ఇంటర్వ్యూలో ఉత్తీర్ణత సాధించే సంభావ్యత (B) 0,4 అనుకుందాం. వారు ఇంటర్వ్యూలో ఉత్తీర్ణత సాధిస్తే ఉద్యోగానికి ఎంపికయ్యే సంభావ్యత (A) 0,6. అయితే “ఇంటర్వ్యూలో ఉత్తీర్ణత సాధించి, ఉద్యోగానికి ఎంపికయ్యే” సంభావ్యత:

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

7. బేయెస్ సిద్ధాంతం: షరతులను తిరగవేయడం

తరచుగా మనకు \(P(A|B)\) తెలుసు, కానీ మనకు నిజంగా కావలసింది \(P(B|A)\). బేయెస్ సిద్ధాంతం షరతులతో కూడిన సంభావ్యతను "తిరగవేయడానికి" ఒక మార్గాన్ని అందిస్తుంది:

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

ఈ సిద్ధాంతం వైద్య నిర్ధారణ, మెషిన్ లెర్నింగ్, స్పామ్ గుర్తింపు మరియు డేటా ఆధారిత నిర్ణయాలు తీసుకోవడం వంటి రంగాలలో చాలా ప్రసిద్ధి చెందింది.

చిన్న ఉదాహరణ (ఆరోగ్యం)
ఉదాహరణకు:
– B: ఎవరో ఒకరు నిజంగా అనారోగ్యంతో ఉన్నారు (వ్యాప్తి) \(P(B)=0{,}01\)
– ఎ: పాజిటివ్ పరీక్ష ఫలితం
– పరీక్ష సున్నితత్వం: \(P(A|B)=0{,}95\)
– తప్పుడు పాజిటివ్: \(P(A|\text{అనారోగ్యంగా లేదు})=0{,}05\)

ప్రశ్న: పరీక్ష ఫలితం పాజిటివ్ అయితే, ఆ వ్యక్తి నిజంగా అనారోగ్యంతో ఉండే సంభావ్యత ఎంత, అనగా \(P(B|A)\)?

మనకు \(P(A)\) కావాలి:

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

కాబట్టి:

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

ఫలితం సుమారు 16,1%గా ఉంది. వ్యాధి ప్రాబల్యం చాలా తక్కువగా ఉన్నప్పుడు, పాజిటివ్ పరీక్ష ఫలితం వచ్చినంత మాత్రాన ఒక వ్యక్తి ఖచ్చితంగా అనారోగ్యంతో ఉన్నట్లు కాదు అని ఇది చూపిస్తుంది.

8. మొత్తం సంభావ్యత (మొత్తం సంభావ్యత నియమం)

అనేక పరిస్థితులుగా విభజించబడిన ఒక సందర్భంలో \(P(A)\)ను గణించడానికి, మనం సంపూర్ణ సంభావ్యత నియమాన్ని ఉపయోగించవచ్చు. ఒకవేళ \(B_1, B_2, …, B_n\) నమూనా స్థలాన్ని (పరస్పరం వివిక్తంగా మరియు అన్ని అవకాశాలను కలిగి ఉన్న) విభజనగా ఏర్పరిస్తే, అప్పుడు:

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

బహుళ వర్గాలు లేదా మూలాల నుండి సమాచారాన్ని ప్రాసెస్ చేయడానికి దీనిని తరచుగా బేయెస్ సిద్ధాంతంతో కలిపి ఉపయోగిస్తారు.

9. షరతులతో కూడిన సంభావ్యతలో సాధారణ తప్పులు

కొన్ని సాధారణ తప్పులు:
1. \(P(A|B)\) అనేది \(P(B|A)\) కి సమానం అని అనుకుందాం. ఇది సాధారణంగా నిజం కాదు.
2. బేస్ రేట్లను విస్మరించడం, ఉదాహరణకు బేయెస్ ఉదాహరణలో వ్యాధి ప్రాబల్యం.
3. షరతు B అంటే మనం “ప్రాంతం B” లో మాత్రమే లెక్కిస్తామని అర్థం అయినప్పటికీ, షరతు ఇచ్చిన తర్వాత నమూనా స్థలాన్ని తప్పుగా నిర్ణయించడం.

10. ముగింపు

షరతులతో కూడిన సంభావ్యత అనేది గణాంకాలు మరియు అనిశ్చితి నమూనాలో ఒక ముఖ్యమైన పునాది. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) అనే నిర్వచనాన్ని అర్థం చేసుకోవడం ద్వారా, మనం అదనపు సమాచారాన్ని పరిగణనలోకి తీసుకుని సంభావ్యతలను అంచనా వేయవచ్చు. ఈ భావన ఉత్పత్తి నియమం, స్వతంత్ర సంఘటనలు, మొత్తం సంభావ్యత నియమం మరియు బేయెస్ సిద్ధాంతంతో నేరుగా సంబంధం కలిగి ఉంటుంది, ఇది అనేక వాస్తవ-ప్రపంచ అనువర్తనాలలో చాలా ఉపయోగకరంగా ఉంటుంది. మీరు కార్డులు, పాచికలు, సర్వేలు మరియు వైద్య కేసుల వంటి నిర్దిష్ట ఉదాహరణలతో ఎంత ఎక్కువగా సాధన చేస్తే, కొత్త సమాచారం వచ్చినప్పుడు సంభావ్యతలు ఎలా మారుతాయనే దానిపై మీ అంతర్ దృష్టి అంత బలంగా మారుతుంది.