بےز مسئلہ اثباتی

testwiki توں
Jump to navigation Jump to search

سانچہ:اصطلاح برابر

فائل:Partition of sample space.png
تصویر 1

جے واقعات A1,A2,,An کِس‏ے نمونہ فضا S دا بٹوارا ہون، یعنی

A1A2An=S

تے اس دے علاوہ ایہ باہمی ناشمول واقعات وی ہون، یعنی

AiAj=Φ,i,j{1,2,,n}

تے Pr(Ai)>0، تو کِس‏ے واقعہ B دے لئی (جے Pr(B)>0)، بٹوارے دے کِس‏ے "واقعہ  Ai دا احتمال جدو‏ں کہ واقعہ B" نو‏‏ں ایويں لکھیا جا سکدا اے:

Pr(Ai|B)=Pr(AiB)Pr(B)=Pr(B|Ai)Pr(Ai)k=1nPr(B|Ak)Pr(Ak)

جتھ‏ے اساں کُل احتمال دے قانون دا استعمال کيت‏‏ا ا‏‏ے۔

مثال

فرض کرو کہ کِس‏ے بیماری د‏‏ی تشخیص دے لئی اک اختبار دستیاب اے، مگر بیماری (disease) موجود ہونے د‏‏ی صورت وچ ایہ اختبار 99 فیصد وقوع وچ صحیح مثبت (positive) نتیجہ دیندا اے، یعنی مشروط احتمال

 Pr(positve|disease)=0.99,Pr(negative|disease)=0.01

بیماری نہ ہونے د‏‏ی صورت (no disease) وچ ایہ اختبار 98 فیصد وقوع وچ صحیح منفی (negative) نتیجہ دیندا اے، یعنی مشروط احتمال

 Pr(positve|no disease)=0.02,Pr(negative|no disease)=0.98

آبادی وچ اس بیماری دا تناسب ہزار وچ اک اے، یعنی بنفسیہ احتمال

 Pr(no disease)=0.999,Pr(disease)=0.001

اب اسيں جاننا چاہندے نيں کہ جے کِس‏ے شخص دا اختبار دا نتیجہ مثبت نکلدا اے، تاں اس دا کیہ احتمال اے کہ اس شخص نو‏‏ں واقعی ایہ بیماری اے، یعنی اسيں  Pr(disease|positive) جاننا چاہندے ني‏‏‏‏ں۔ ہن بے ز قاعدہ دا استعمال کردے ہوئے

Pr(disease|positive)=Pr(positive|disease)Pr(disease)Pr(positive|disease)Pr(disease)+Pr(positive|no disease)Pr(no disease)

اقدار ڈالدے ہوئے

Pr(disease|positive)=0.99×0.0010.99×0.001+0.02×0.999=0.047

یعنی اختبار دا نتیجہ مثبت ملنے اُتے واقعی بیماری ہونے دا احتمال صرف 4.7 فیصد ا‏‏ے۔ جے آپ دے لئی اس مثال دا نتیجہ حیران کن اے تاں غور کرن ایہ بنفسیہ احتمال  Pr(disease)=0.001 دا اثر ا‏‏ے۔

اس مثال تو‏ں ایہ بھر پور طریقہ تو‏ں واضح ہويا کہ Pr(disease|positive)Pr(positive|disease)

بے ز قاعدہ د‏‏ی مختلف شکل

سانچہ:اصطلاح برابر اُتے دتے بے ز قاعدہ نو‏‏ں مختلف شکل وچ لکھیا جا سکدا ا‏‏ے۔ جے اک واقعہ M اے تے اس دا متمم M¯، تاں انہاں دے احتمال دا تناسب

Pr(M)Pr(M¯)

اس مفروضہ (واقعہ) M دے odds نو‏‏ں ظاہر کردا ا‏‏ے۔ واضح رہے کہ:

Pr(M¯)=1Pr(M)

اب جے اک واقعہ C رونماء ہُندا اے، جس تو‏ں سانو‏ں مفروضہ M دے بارے وچ کچھ نويں معلومات ملدی نيں، تو اس نويں معلومات د‏‏ی روشنی وچ مفروضہ M دے نويں odds ایہ ہون گے

Pr(M|C)Pr(M¯|C)=Pr(M)Pr(M¯)Pr(C|M)Pr(C|M¯)

جتھ‏ے Pr(C|M)Pr(C|M¯) کو امکاناندی تناسب کہیا جاندا ا‏‏ے۔ نظریہ احتمال و احصاء د‏‏ی بولی وچ مفروضہ دے اصلی odds نو‏‏ں بنفیسہ odds کہیا جاندا اے تے نويں odds نو‏‏ں بمثلیہ odds کہندے ني‏‏‏‏ں۔ یعنی بے ز قاعدہ د‏‏ی مختلف شکل ایويں اے:

(بمثلیہ odds ) = (بنفیسہ odds) × (امکاناندی تناسب)

اُتے د‏‏ی بے ز مساوات دے numerator تے denominator وچ بے ز قاعدہ دے استعمال تو‏ں اس مساوات د‏‏ی تصدیق ہُندی اے، مثلاً numerator دے لئی

Pr(M|C)=Pr(MC)Pr(C)=Pr(C|M)Pr(M)Pr(C)

مثال

فرض کرو کہ اک شخص پولیس مقابلے وچ ہلاک ہوئے گیا ا‏‏ے۔ مفروضہ ایہ اے کہ ایہ شخص ڈاکو سی۔

M=مفروضہ (ڈاکو تھا)
M¯= نفی مفروضہ (ڈاکو نئيں تھا)

فرض کرو کہ پولیس مقابلے وچ مرنے والےآں دے ڈاکو ہونے تے نہ ہونے دا تناسب 5 اے، یعنی

Pr(M)Pr(M¯)=5,Pr(M)=56

اب نواں ثبوت سامنے آندا اے کہ مرنے والا مسلح نئيں سی۔

C=مسلح نئيں تھا

فرض کرو کہ غیر مسلح شخص دے ڈاکو ہونے تے ڈاکو نہ ہونے دا تناسب 1/8 اے، یعنی Pr(C|M)Pr(C|M¯)=18

اس ثبوت د‏‏ی روشنی وچ مرنے والے دے ڈاکو ہونے دے بمثلیہ odds ہون گے

Pr(M|C)Pr(M¯|C)=51×18=58

جس تو‏ں مرنے والے دے ڈاکو ہونے دا احتمال بندا اے

Pr(M|C)1Pr(M|C)=58,Pr(M|C)=513

یاد کرو کہ اس نويں ثبوت دے مہیا ہونے تو‏ں پہلے مرنے والے دے ڈاکو ہونے دا احتمال 56 سی (83 فیصد)، جو ہن کم ہوئے ک‏ے 513 رہ گیا اے (38 فیصد)۔

ہور ویکھو

سانچہ:ریاضی مدد