ဖြစ်နိုင်ခြေအမျိုးအစားများ

ဤနေရာတွင် တည်ရှိနေသော ဖြစ်နိုင်ခြေအမျိုးအစားအားလုံးကို နှင့် ၎င်းတို့ကို တွက်ချက်ပုံတို့ကို သင်တွေ့လိမ့်မည်။ ကျွန်ုပ်တို့သည် ဖြစ်နိုင်ချေအမျိုးအစားတစ်ခုစီကို အသေးစိတ်ရှင်းပြပြီး အမျိုးအစားများကြားခြားနားချက်များကို နားလည်နိုင်စေရန်အတွက် ဥပမာများပေးပါသည်။

ဖြစ်နိုင်ခြေ အမျိုးအစားတွေက ဘာတွေလဲ။

တည်ရှိနေသော ဖြစ်နိုင်ခြေအမျိုးအစားအားလုံးမှာ-

• ရည်မှန်းချက်ဖြစ်နိုင်ခြေ
• ပုဂ္ဂလဒိဋ္ဌိဖြစ်နိုင်ခြေ
• ရှေးရိုးဖြစ်နိုင်ခြေ
• ကြိမ်နှုန်းဖြစ်နိုင်ခြေ
• အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ
• ငါးကံ
• binomial ဖြစ်နိုင်ခြေ
• Hypergeometric ဖြစ်နိုင်ခြေ
• ရိုးရှင်းသောအခွင့်အလမ်း
• ပူးတွဲဖြစ်နိုင်ခြေ

ဖြစ်နိုင်ခြေအမျိုးအစားအချို့ကို အမျိုးအစားခွဲရာတွင် သင်္ချာဖြစ်နိုင်ခြေ သို့မဟုတ် ယုတ္တိဗေဒဖြစ်နိုင်ခြေ ကဲ့သို့သော အခြားအမျိုးအစားများကို သင်တွေ့နိုင်သည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် အလွန်ကျယ်ပြန့်သော အယူအဆဖြစ်ပြီး မတူညီသောစံနှုန်းများကို အသုံးပြု၍ ခွဲခြားနိုင်သည်။ သို့သော် လက်တွေ့တွင်၊ ဤအခြားဖြစ်နိုင်ခြေအမျိုးအစားများကို ဤစာမျက်နှာရှိစာရင်းတွင် ထည့်သွင်းနိုင်သည်။

ယုတ္တိနည်းအားဖြင့်၊ ဖြစ်နိုင်ခြေအမျိုးအစားတစ်ခုစီ၏အမည်ဖြင့်သာ အမျိုးအစားတစ်ခုစီသည် မည်ကဲ့သို့ဖြစ်သည်ကို သင်မသိနိုင်သောကြောင့် ၎င်းတို့တစ်ခုစီကို အောက်တွင်အသေးစိတ်ရှင်းပြပါမည်။

ရည်မှန်းချက်ဖြစ်နိုင်ခြေ

ရည်မှန်းချက်ဖြစ်နိုင်ခြေ သည် ဖြစ်ရပ်တစ်ခု၏ဖြစ်နိုင်ခြေကို ဆုံးဖြတ်ရန် ရည်မှန်းချက်စံနှုန်းများအပေါ် အခြေခံသည်။

ဥပမာအားဖြင့် တိမ်ထူသောနေ့တွင် မိုးရွာနိုင်ခြေကို တွက်ချက်လိုပါက ကိန်းဂဏန်းလေ့လာမှုတစ်ခု ပြုလုပ်ရန် လိုအပ်ပါသည်။ လွန်ခဲ့သည့် တိမ်ထူထပ်သော ရက် 30 နှင့် မိုးရွာခဲ့သည့် 17 ရက်ကို ပိုင်းခြားစိတ်ဖြာပြီး ရည်မှန်းချက်ဖြစ်နိုင်ခြေကို အောက်ပါအတိုင်း တွက်ချက်ကြည့်ရန် စိတ်ကူးကြည့်ပါ-

သင်တွေ့မြင်ရသည့်အတိုင်း၊ ကျွန်ုပ်တို့သည် ရည်မှန်းချက်ဖြစ်နိုင်ခြေကို တွက်ချက်ရန် မည်သူတစ်ဦးတစ်ယောက်၏ ထင်မြင်ယူဆချက်ကိုမျှ အားမကိုးဘဲ လေ့လာမှုတစ်ခုနှင့် ဖြစ်နိုင်ခြေကို တွက်ချက်ထားသော ရလဒ်များမှ ၎င်းကို အခြေခံထားပါသည်။

အလားတူပင်၊ ရည်မှန်းချက်ဖြစ်နိုင်ခြေကို အခြားသော အမျိုးအစား နှစ်မျိုးဖြင့် ခွဲခြားထားသည်- သီအိုရီဆိုင်ရာ ဖြစ်နိုင်ခြေ နှင့် ပကတိဖြစ်နိုင်ခြေ . ၎င်းတို့အကြား ခြားနားချက်များကို ကြည့်ရန် ဤနေရာကို နှိပ်ပါ-

ပုဂ္ဂလဒိဋ္ဌိဖြစ်နိုင်ခြေ

Subjective probability သည် အဖြစ်အပျက်တစ်ခု ဖြစ်ပွားနိုင်ခြေကို ခန့်မှန်းရာတွင် လူတစ်ဦး၏ အတွေ့အကြုံအပေါ် အခြေခံ၍ ဆိုလိုသည်မှာ၊ ၎င်းသည် ပုဂ္ဂလဒိဋ္ဌိစံနှုန်းများအပေါ် အခြေခံထားသည်။

ဥပမာအားဖြင့်၊ ထိုဖြစ်နိုင်ခြေကို ဆုံးဖြတ်ရန် ၎င်း၏ အသိပညာနှင့် အတွေ့အကြုံကို အားကိုးမည့် မိုးလေဝသပညာရှင်ကို မေးမြန်းခြင်းဖြင့် မနက်ဖြန် မိုးရွာမည့် ဖြစ်နိုင်ခြေကို ကျွန်ုပ်တို့ ရရှိနိုင်ပါသည်။

ထို့ကြောင့် subjective probability သည် objective probability နှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။

ဤဖြစ်နိုင်ခြေအမျိုးအစား၏ နောက်ထပ်ဥပမာများကို ဤနေရာတွင် ကြည့်ရှုနိုင်သည်-

ရှေးရိုးဖြစ်နိုင်ခြေ

Classical probability ၊ priori probability ဟုလည်း ခေါ်သည် ၊ ဆိုသည်မှာ အဖြစ်အပျက်တစ်ခု၏ ဖြစ်နိုင်ခြေကို တွက်ချက်ရန် ယုတ္တိအပေါ် အခြေခံသည်၊ ဆိုလိုသည်မှာ ၎င်းသည် ဖြစ်နိုင်ခြေ၏ သီအိုရီဆိုင်ရာ တွက်ချက်မှုကို လုပ်ဆောင်သည်။

ဥပမာအားဖြင့်၊ “ သေတ္တာပေါ်တွင် နံပါတ် 4 ကို လှိမ့်ခြင်း” ဖြစ်နိုင်ခြေကို သိရန် ကျွန်ုပ်တို့သည် မည်သည့်စမ်းသပ်မှုမှ ပြုလုပ်ရန် မလိုအပ်ပါ။ အသေတစ်ခုတွင် မတူညီသောမျက်နှာခြောက်ခုပါသောကြောင့်၊ ပေးထားသောနံပါတ်တစ်ခုရနိုင်ခြေသည် 1/6 ဖြစ်လိမ့်မည်-

ဒါပေမယ့် ဒါက သီအိုရီအရ တွက်ချက်မှုတစ်ခုပဲ၊ ဒါကြောင့် ငါတို့က အသေကို ဆယ်ခါလှိမ့်ပြီး လေးမရဘူး၊ ဒါမှမဟုတ် အပြန်အလှန်အားဖြင့် ငါတို့က ဆယ်လိပ်မှာ နံပါတ်လေးရနိုင်တယ်။

သင်စိတ်ဝင်စားပါက ဤဖြစ်နိုင်ခြေအမျိုးအစားနှင့်ပတ်သက်သည့် ကျွန်ုပ်တို့၏ဆောင်းပါးကို သင့်အား ချန်ထားခဲ့သည်-

ကြိမ်နှုန်းဖြစ်နိုင်ခြေ

ကြိမ်နှုန်းဖြစ်နိုင်ခြေ ၊ မကြာခဏဖြစ်နိုင်ခြေ ဟုလည်း ခေါ်သည်၊ သည် ကျပန်းစမ်းသပ်မှုတစ်ခုတွင် မူလဖြစ်ရပ်တစ်ခုအတွက် ရေရှည်မျှော်မှန်းထားသော နှိုင်းရကြိမ်နှုန်းဖြစ်သည်။

ဖြစ်ရပ်တစ်ခု၏ ကြိမ်နှုန်းဖြစ်နိုင်ခြေကို တွက်ချက်ရန်၊ စမ်းသပ်မှုအား အကြိမ်များစွာ ပြုလုပ်ရမည်ဖြစ်ပြီး ထပ်ခါတလဲလဲ လုပ်ဆောင်ခဲ့သည့် စုစုပေါင်းအကြိမ်အရေအတွက်ဖြင့် ရရှိနိုင်သော နှစ်သက်ဖွယ်ကိစ္စများ အရေအတွက်ကို ပိုင်းခြားရမည်ဖြစ်သည်။

ဤဖြစ်နိုင်ခြေအမျိုးအစား၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်သည် ရည်မှန်းချက်ဖြစ်နိုင်ခြေနှင့် အလွန်ဆင်တူသော်လည်း ခြားနားချက်မှာ ကြိမ်နှုန်းဖြစ်နိုင်ခြေတွင် တူညီသောစမ်းသပ်မှုအား အကြိမ်ပေါင်း ထောင်နှင့်ချီ၍ ထပ်ခါတလဲလဲ ပြုလုပ်ခြင်းဖြစ်သည်။ အောက်ပါလင့်ခ်တွင် နမူနာအပြည့်အစုံကို သင်ကြည့်ရှုနိုင်သည်-

အခြေအနေအရ ဖြစ်နိုင်ခြေ

အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ ၊ အခြေအနေဆိုင်ရာဖြစ်နိုင်ခြေ ဟုလည်း ခေါ်သည်၊ အခြားဖြစ်ရပ် B ဖြစ်ပေါ်လာပါက ဖြစ်ရပ် A ဖြစ်ပေါ်လာမည့် ဖြစ်နိုင်ခြေကို ညွှန်ပြသည်။ ထို့ကြောင့် အခြေအနေအရဖြစ်နိုင်ခြေသည် အဖြစ်အပျက်ကိုယ်တိုင်သာမက ယခင်ဖြစ်ရပ်များကိုလည်း ထည့်သွင်းစဉ်းစားပါသည်။

သင်တွေ့မြင်ရသည့်အတိုင်း၊ ဤဖြစ်နိုင်ခြေအမျိုးအစားသည် နားလည်ရန် အနည်းငယ်ပိုခက်ခဲသောကြောင့် တွက်ချက်ရန်လည်း ပို၍ခက်ခဲပါသည်။ ထို့ကြောင့် ၎င်းကို တွက်ချက်ပုံ၏ အသေးစိတ်ရှင်းလင်းချက်ကို စစ်ဆေးကြည့်ရန် အကြံပြုလိုပါသည်။

ငါးကံ

Poisson ဖြစ်နိုင်ခြေသည် အချိန်အတိုင်းအတာတစ်ခုအတွင်း ပေးထားသော ဖြစ်ရပ်အရေအတွက် ဖြစ်ပေါ်လာမည့် ဖြစ်နိုင်ခြေကို ညွှန်ပြသည်။

ဖြစ်စဉ်ဖြစ်ပွားနိုင်ခြေ အလွန်နည်းသောအခါ ဤဖြစ်နိုင်ခြေအမျိုးအစားသည် အလွန်အသုံးဝင်ပါသည်။

Poisson ဖြန့်ဝေမှုသည် ဤဖြစ်နိုင်ခြေအမျိုးအစားကို သတ်မှတ်ပေးသည့် လုပ်ဆောင်ချက်ဖြစ်သည်။ အောက်ပါလင့်ခ်တွင် Poisson ဖြန့်ချီရေးဖော်မြူလာကို သင်ဆွေးနွေးနိုင်ပါသည်။

Binomial ဖြစ်နိုင်ခြေ

ဒွိကိန်းဖြစ်နိုင်ခြေကို “ အောင်မြင်မှု” နှင့် “ ကျရှုံးခြင်း” ဟုခေါ်သော ဖြစ်နိုင်ချေ ရလဒ်နှစ်ခုသာရှိသည့် အဖြစ်အပျက်များကို သင်္ချာနည်းအားဖြင့် သတ်မှတ်ရန် အသုံးပြုပါသည်။

ဥပမာအားဖြင့်၊ အကြွေစေ့ကိုပစ်သောအခါ ဖြစ်နိုင်သည့်ရလဒ်နှစ်ခု (ခေါင်း သို့မဟုတ် အမြီးများ) သာရှိသည်။ ကျွန်ုပ်တို့သည် ခေါင်းများကိုရွေးချယ်ပါက၊ ကျွန်ုပ်တို့၏အောင်မြင်မှုသည် အကြွေစေ့ပေါ်တွင် ခေါင်းများပေါ်လာသောအခါတွင်၊ ကျွန်ုပ်တို့၏ရှုံးနိမ့်မှုကိစ္စသည် အကြွေစေ့ပေါ်တွင်ခေါင်းများပေါ်လာသည့်အခါဖြစ်လိမ့်မည်။

ထို့ကြောင့် binomial distribution သည် sequence တစ်ခု၏ အောင်မြင်သော case အချို့၏ ဖြစ်နိုင်ခြေကို ပြောပြသည်။

Hypergeometric ဖြစ်နိုင်ခြေ

Hypergeometric ဖြစ်နိုင်ခြေသည် binomial ဖြစ်နိုင်ခြေနှင့် အလွန်ဆင်တူသော်လည်း ၎င်းတို့သည် အစားထိုးရာတွင် ကွဲပြားသည်။

ဟိုက်ပါဂျီအိုမက်ထရစ်ဖြစ်နိုင်ခြေသည် လူဦးရေတစ်ခုမှ n ဒြပ်စင်များကို အစားထိုးခြင်းမပြုဘဲ ကျပန်းထုတ်ယူမှုတစ်ခုတွင် အောင်မြင်သောအမှုအရေအတွက်၏ဖြစ်နိုင်ခြေကို ဖော်ပြသည်။

ထို့ကြောင့်၊ hypergeometric ဖြစ်နိုင်ခြေကို ဟိုက်ပါဂျီယိုမက်ထရစ် ဖြန့်ဖြူးမှုဖြင့် သတ်မှတ်သည်။

ရိုးရှင်းသောအခွင့်အရေး

ရိုးရှင်းသောဖြစ်နိုင်ခြေ သည် နမူနာနေရာလွတ်တွင် ရိုးရှင်းသောဖြစ်ရပ်တစ်ခု ဖြစ်ပေါ်လာနိုင်သည့် ဖြစ်နိုင်ခြေဖြစ်သည်။

ရိုးရှင်းသောဖြစ်နိုင်ခြေကို စမ်းသပ်မှုတစ်ခုတွင် ဖြစ်နိုင်ချေရှိသော အမှုအခင်းအရေအတွက်ကို စမ်းသပ်မှု၏ ဖြစ်နိုင်ချေရှိသော ရလဒ်စုစုပေါင်းကို ပိုင်းခြားခြင်းဖြင့် တွက်ချက်သည်။

ဒါကို Laplace rule လို့ခေါ်တယ်။ နမူနာနေရာရှိ ဖြစ်ရပ်များအားလုံး တူညီသော ဖြစ်ပျက်မှု ဖြစ်နိုင်ခြေ ရှိမှသာလျှင် ဤဖော်မြူလာကို အသုံးပြုနိုင်ကြောင်း မှတ်သားထားပါ။

ပူးတွဲဖြစ်နိုင်ခြေ

ပူးတွဲဖြစ်နိုင်ခြေ (သို့မဟုတ် ပေါင်းစပ်ဖြစ်နိုင်ခြေ) သည် တစ်ချိန်တည်းတွင် အဖြစ်အပျက်နှစ်ခု၏ ဖြစ်နိုင်ခြေကို ညွှန်ပြသည်။

ထို့ကြောင့် ပူးတွဲဖြစ်နိုင်ခြေနှင့် ရိုးရှင်းသောဖြစ်နိုင်ခြေသည် ဆန့်ကျင်ဘက်ဖြစ်နိုင်ခြေ နှစ်မျိုးဖြစ်သည်။

နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ဖြစ်ရပ်များ၏ ပူးတွဲဖြစ်နိုင်ခြေကို ရှာဖွေရန်၊ ဖြစ်နိုင်ခြေသီအိုရီ၏ သဘောတရားများစွာကို ကျွမ်းကျင်ရန် လိုအပ်သည်၊ ထို့ကြောင့် ဤနေရာတွင် နှိပ်ခြင်းဖြင့် ၎င်းကို တွက်ချက်ပုံ၏ အသေးစိတ်ရှင်းလင်းချက်ကို ကျွန်ုပ်အကြံပြုလိုပါသည်-