ရှေးရိုးဖြစ်နိုင်ခြေ

အားဖြင့် Benjamin Anderson ဩဂုတ် 6, 2023 ဖြစ်နိုင်ခြေ 0 မှတ်ချက်များ

ဤနေရာတွင် ဂန္တဝင်ဖြစ်နိုင်ခြေသည် မည်ကဲ့သို့ဖြစ်နိုင်သည်၊ ဂန္တဝင်ဖြစ်နိုင်ခြေကို တွက်ချက်နည်းနှင့် ခိုင်မာသောဥပမာတစ်ခုတို့ကို ဤနေရာတွင် သင်တွေ့လိမ့်မည်။ ထို့အပြင်၊ ဂန္ထဝင်ဖြစ်နိုင်ခြေနှင့် အခြားဖြစ်နိုင်ခြေအမျိုးအစားများကြား ခြားနားချက်များကို သင်တွေ့မြင်နိုင်မည်ဖြစ်ပါသည်။

ရှေးရိုးဖြစ်နိုင်ခြေဆိုတာ ဘာလဲ။

ရှေးရိုးဖြစ်နိုင်ခြေ သည် ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားနိုင်ခြေကို ညွှန်ပြသည့် ကိန်းဂဏန်းဆိုင်ရာ တိုင်းတာမှုတစ်ခုဖြစ်သည်။ ရှေးရိုးဖြစ်နိုင်ခြေသည် ဖြစ်နိုင်ချေရှိသော အမှုပေါင်းစုစုပေါင်းဖြင့် ပိုင်းခြားထားသော ဤဖြစ်ရပ်၏ အခွင့်သာသော အမှုအရေအတွက်နှင့် ညီမျှသည်။

ရှေးရိုးဖြစ်နိုင်ခြေကို သီအိုရီဆိုင်ရာဖြစ်နိုင်ခြေ သို့မဟုတ် ဦးစားပေးဖြစ်နိုင်ခြေ ဟုလည်း ခေါ်သည်။

ဂန္ထဝင်ဖြစ်နိုင်ခြေသည် 0 နှင့် 1 အကြား ဂဏန်းတစ်ခုဖြစ်သည်။ ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားရန် အလားအလာ ပိုများလေ၊ ဂန္တဝင်ဖြစ်နိုင်ခြေ ပိုများလေဖြစ်သည်။ ဆန့်ကျင်ဘက်အားဖြင့် ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားရန် အလားအလာနည်းလေ၊ တန်ဖိုး နိမ့်လေဖြစ်သည်။ classical probability ၏ ဖြစ်လိမ့်မည်။

အခြားဖြစ်နိုင်ခြေအမျိုးအစားများနှင့်မတူဘဲ ဖြစ်ရပ်တစ်ခု၏ ရှေးရိုးဖြစ်နိုင်ခြေကို ရှာဖွေရန် စမ်းသပ်မှုမလိုအပ်ပါ။ ဒါက သီအိုရီ တွက်ချက်မှုပါ။ အောက်တွင် ကျွန်ုပ်တို့သည် ဤသဘောတရားကို ပိုမိုနက်ရှိုင်းစွာ စေ့စေ့စပ်စပ်ကြည့်ပါမည်။

ဂန္တဝင်ဖြစ်နိုင်ခြေ ဖော်မြူလာ

ဂန္တဝင်ဖြစ်နိုင်ခြေဖော်မြူလာ သည် စမ်းသပ်မှုတွင် အမှုတွဲစုစုပေါင်းအရေအတွက်ဖြင့် ပိုင်းခြားထားသော ဖြစ်ရပ်တစ်ခု၏ နှစ်သက်ဖွယ်ကိစ္စရပ်အရေအတွက်ဖြစ်သည်။

$P(A)=\cfrac{\text{n\'umero de casos favorables al evento A}}{\text{n\'umero total de casos}}$

ဤဖော်မြူလာကို Laplace’s rule (သို့မဟုတ် Laplace’s law) ဟုလည်း လူသိများပြီး ၎င်းကို 1812 ခုနှစ်တွင် The Analytical Theory of Probabilities ထုတ်ဝေမှုတွင် ထင်ရှားကျော်ကြားသော ပြင်သစ်သင်္ချာပညာရှင်မှ စတင်အဆိုပြုခဲ့သောကြောင့် ဖြစ်သည်။

ဤဖော်မြူလာကို အသုံးပြုနိုင်ရန်၊ နမူနာနေရာရှိ ဖြစ်ရပ်များအားလုံးသည် ညီမျှမှုရှိရမည်၊ ဆိုလိုသည်မှာ ၎င်းသည် ညီမျှသောနမူနာနေရာ ဖြစ်ရမည်ဟု ထည့်သွင်းစဉ်းစားရပါမည်။ ဤအသုံးအနှုန်းက ဘာကိုဆိုလိုသည်ကို မသိပါက၊ ဆက်မလုပ်မီ အောက်ပါလင့်ခ်ကို ကြည့်ရှုရန် အကြံပြုလိုပါသည်။

➤ ကြည့်ပါ- နမူနာနေရာဟူသည် အဘယ်နည်း။

ဂန္ထဝင်ဖြစ်နိုင်ခြေ ဥပမာ

ရှေးရိုးဖြစ်နိုင်ခြေ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်ကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ အောက်တွင် ဤဖြစ်နိုင်ခြေအမျိုးအစားကို တွက်ချက်ပုံဥပမာတစ်ခုကို ရှင်းပြပါမည်။ ဤနည်းဖြင့် သင်သည် ရှေးရိုးဖြစ်နိုင်ခြေ၏ အဓိပ္ပါယ်ကို ကောင်းစွာနားလည်နိုင်မည်ဖြစ်သည်။

သေတ္တာကို လှိမ့်လိုက်သောအခါ ဖြစ်ပေါ်သည့် “နံပါတ် 5” ဖြစ်ရပ်၏ ဖြစ်နိုင်ခြေကို တွက်ချက်ပါ။ ထို့နောက် “ 4 ထက်နည်းသော ဂဏန်းတစ်ခုရယူခြင်း” ၏ ဖြစ်နိုင်ခြေကိုလည်း ဆုံးဖြတ်ပါ။

ဤကိစ္စတွင်၊ ဖြစ်နိုင်သောရလဒ်ခြောက်ခု (1၊ 2၊ 3၊ 4၊ 5 နှင့် 6) ရှိသည့် သေတ္တာကို လှိမ့်ကာ ကျပန်းစမ်းသပ်ချက်ကို ခွဲခြမ်းစိတ်ဖြာလိုပါသည်။ အသေခံသည် အကြံအဖန်မရှိသည့်အပြင် အခြေအနေကောင်းမွန်သည်ဟု ကျွန်ုပ်တို့ယူဆသောကြောင့် စမ်းသပ်မှု၏ အခြေခံဖြစ်ရပ်များအားလုံးသည် အညီအမျှဖြစ်နိုင်ချေရှိသည်ဟု ကျွန်ုပ်တို့ယူဆနိုင်ပါသည်။ ထို့ကြောင့်၊ ရှေးရိုးဖြစ်နိုင်ခြေများရရှိရန် Laplace ၏စည်းမျဉ်းကို ကျွန်ုပ်တို့အသုံးပြုနိုင်ပါသည်။

“ နံပါတ် 5 ကိုရယူခြင်း” ဖြစ်ရပ်တွင် ကောင်းသောကိစ္စတစ်ခုသာ ရှိသည်၊ ကျွန်ုပ်တို့သည် နံပါတ် 5 ဖြင့် မျက်နှာကိုရရှိသော သေခြင်း၏ကံကောင်းမှုတစ်ခုသာ ရှိပါသည်။ သို့သော်၊ ဖြစ်နိုင်ခြေရလဒ် ခြောက်ခုရှိသည်၊ ထို့ကြောင့် ဖြစ်ရပ်၏ မူလဖြစ်နိုင်ခြေမှာ-

$\begin{aligned}P(\text{n\'umero 5})&=\cfrac{\text{n\'umero de casos favorables}}{\text{n\'umero total de casos}}\\[2ex] &= \cfrac{1}{6}\\[2ex] &=0,167\end{aligned}$

အခြားတစ်ဖက်တွင်၊ ကျွန်ုပ်တို့သည် “ 4 ထက်နည်းသောဂဏန်းကိုရယူခြင်း” ဂန္ထဝင်ဖြစ်နိုင်ခြေကိုလည်း ရှာဖွေလိုပါသည်။ ဤကိစ္စသည် ပေါင်းစပ်ဖြစ်ရပ်တစ်ခုဖြစ်ပြီး နံပါတ် 1၊ 2 သို့မဟုတ် 3 ပေါ်လာပါက ဖြစ်ရပ်ဖြစ်နိုင်သောကြောင့် ဖြစ်နိုင်ချေရှိသော ကိစ္စသုံးမျိုးရှိသည်။ ထို့ကြောင့် ပွဲ၏ ရှေးရိုးဖြစ်နိုင်ခြေမှာ-

$\begin{aligned}P(\text{n\'umero menor que 4})&=\cfrac{\text{n\'umero de casos favorables}}{\text{n\'umero total de casos}}\\[2ex] &= \cfrac{3}{6}\\[2ex] &=0,5\end{aligned}$

ရှေးရိုးဖြစ်နိုင်ခြေနှင့် ကြိမ်နှုန်းဖြစ်နိုင်ခြေ

ရှေးရိုးဖြစ်နိုင်ခြေနှင့် ကြိမ်နှုန်းဖြစ်နိုင်ခြေ (သို့မဟုတ် empirical probability) အကြား ခြားနားချက် မှာ မည်သည့်စမ်းသပ်မှုမှ မလုပ်ဆောင်ဘဲ ဂန္တဝင်ဖြစ်နိုင်ခြေကို တွက်ချက်ထားခြင်းဖြစ်သည်၊ ဆိုလိုသည်မှာ ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားနိုင်ခြေကို ရှာဖွေရန် ယုတ္တိဗေဒကို အသုံးပြုပါသည်။ စမ်းသပ်မှုကို လုပ်ဆောင်ပြီး ရလဒ်များမှ ဖြစ်ပွားနိုင်ခြေကို တွက်ချက်သည်။

သို့သော်၊ ဖြစ်ရပ်တစ်ခု၏ ကြိမ်နှုန်းဖြစ်နိုင်ခြေကို ရှာဖွေရန်၊ စမ်းသပ်ချက်တစ်ခုတည်းကို ပြုလုပ်ရန် မလုံလောက်သော်လည်း တူညီသောစမ်းသပ်မှုကို အကြိမ်များစွာ ထပ်လုပ်ရမည်ဖြစ်သည်။ စမ်းသပ်မှုကို ထပ်ခါထပ်ခါ ပြုလုပ်လေလေ၊ ကြိမ်နှုန်းဖြစ်နိုင်ခြေ ပိုတိကျလေလေဖြစ်သည်။ ထို့ကြောင့် ထောင်ပေါင်းများစွာသော ကွန်ပြူတာ ပရိုဂရမ်များကို ပုံမှန်အားဖြင့် စမ်းသပ်မှုများကို လျင်မြန်စွာ အတုယူရန် အသုံးပြုကြသည်။

သင်မြင်သည့်အတိုင်း၊ ကြိမ်နှုန်းဖြစ်နိုင်ခြေကို တွက်ချက်ခြင်းသည် မရိုးရှင်းပါ။ ၎င်းကို ဤနေရာတွင် လုပ်ဆောင်ပုံအဆင့်ဆင့်ကို နမူနာကြည့်ရှုနိုင်သည်-

➤ ကြိမ်နှုန်းဖြစ်နိုင်ခြေ ဥပမာကို ကြည့်ပါ။

ရှေးရိုးဖြစ်နိုင်ခြေနှင့် အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ

အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ (သို့မဟုတ် အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ) သည် ရှေးရိုးဖြစ်နိုင်ခြေနှင့် လုံးဝကွဲပြားသော ဖြစ်နိုင်ခြေအမျိုးအစားဖြစ်သည်။ ရှေးရိုးဖြစ်နိုင်ခြေတွင် ဖြစ်ပေါ်နိုင်ခြေကို တွက်ချက်ရမည့် ဖြစ်ရပ်ကိုသာ ထည့်သွင်းစဉ်းစားသော်လည်း အခြေအနေအရ ဖြစ်နိုင်ခြေအရ ယခင်ဖြစ်ရပ်များကို ထည့်သွင်းတွက်ချက်ပါသည်။

ဆိုလိုသည်မှာ၊ ဖြစ်ရပ်တစ်ခု၏ အခြေအနေအရ ဖြစ်နိုင်ခြေသည် ယခင်ဖြစ်ပျက်ခဲ့သည့် အဖြစ်အပျက်များပေါ်တွင် မူတည်သည်။ ဥပမာအားဖြင့်၊ စပိန်ကုန်းပတ်မှ နှလုံးကတ်တစ်ကတ်ကို ရေးဆွဲနိုင်ခြေသည် နှလုံးကတ်ကို ရေးဆွဲပြီးခြင်းရှိမရှိ သို့မဟုတ် အခြားကတ်အမျိုးအစားကို ရေးဆွဲပြီးဖြစ်သည်ဆိုခြင်းအပေါ် မူတည်၍ ဖြစ်နိုင်ခြေ နည်းပါးမည်ဖြစ်သည်။

အခြေအနေအရ ဖြစ်နိုင်ခြေ တွက်ချက်မှုသည် ရှေးရိုးဖြစ်နိုင်ခြေ တွက်ချက်မှုထက် ပိုခက်ခဲပြီး ၎င်းအပြင် အခြားသော သဘောတရားများကို လက်မမီမီ သိထားရမည်ဖြစ်သည်။ ဤနေရာတွင် နှိပ်ခြင်းဖြင့် ဖြစ်ရပ်တစ်ခု၏ အခြေအနေအရ ဖြစ်နိုင်ခြေကို မည်သို့ တွက်ချက်သည်ကို သင်ကြည့်ရှုနိုင်သည်-

➤- အခြေအနေအရ ဖြစ်နိုင်ခြေဖော်မြူလာကို ကြည့်ပါ ။

စာရေးသူအကြောင်း

Benjamin Anderson

မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။