लाप्लास सुधार

लाप्लास सुधार प्रायिकता सिद्धांत और सांख्यिकी में प्रयुक्त एक तकनीक है जिसका उपयोग घटनाओं की प्रायिकताओं को इस तरह समायोजित करने के लिए किया जाता है कि यह ध्यान में रखा जा सके कि कुछ घटनाएँ दूसरों की तुलना में अधिक होने की संभावना रखती हैं। इसका नाम फ्रांसीसी गणितज्ञ पियरे-साइमन लाप्लास के नाम पर रखा गया है, जिन्होंने 18वीं सदी में पहली बार इस अवधारणा का प्रस्ताव रखा था।

लाप्लास सुधार सूत्र

लाप्लास सुधार सूत्र एक विधि है जिसका उपयोग तब किया जाता है जब नमूने का आकार छोटा हो और किसी घटना के घटित होने की प्रायिकता का अनुमान लगाना हो। इसका नाम फ्रांसीसी गणितज्ञ पियरे-साइमन लाप्लास के नाम पर रखा गया है, जिन्होंने 18वीं सदी में पहली बार इसका प्रस्ताव रखा था।

लाप्लास सुधार सूत्र इस प्रकार दिया गया है:

$$P(X = x) = \frac{x + 1}{n + 1}$$

जहाँ:

$P(X = x)$ यादृच्छिक चर $X$ का मान $x$ लेने की प्रायिकता है

• $x$ नमूने में घटना $X$ के घटित होने की संख्या है
• $n$ नमूने का आकार है

लाप्लास सुधार सूत्र का उपयोग कैसे करें

लाप्लास सुधार सूत्र का उपयोग करने के लिए, बस $x$ और $n$ के मानों को सूत्र में डालें और प्रायिकता की गणना करें।

उदाहरण के लिए, मान लीजिए आप सिक्का उछालने पर चित आने की प्रायिकता का अनुमान लगाना चाहते हैं। आप सिक्के को 10 बार उछालते हैं और 5 बार चित प्राप्त करते हैं। लाप्लास स्मूदिंग सूत्र आपको निम्नलिखित प्रायिकता देगा:

$$P(X = 5) = \frac{\binom{5}{5} \cdot (0.5)^5 \cdot (0.5)^{10-5}}{\binom{10}{5}} = \frac{1 \cdot 0.5^{10}}{252} \approx 0.0009766$$

इसका अर्थ है कि सिक्का उछालने पर चित आने की प्रायिकता का अनुमान 0.5, या 50% लगाया जाता है।

लाप्लास सुधार के लाभ और हानियाँ

लाप्लास सुधार सूत्र एक सरल और उपयोग में आसान विधि है जब नमूना आकार छोटा होता है। हालाँकि, इसकी कुछ सीमाएँ भी हैं।

लाप्लास सुधार सूत्र की एक सीमा यह है कि इसका उपयोग केवल उन घटनाओं की प्रायिकता अनुमानित करने के लिए किया जा सकता है जो सीमित संख्या में घटित हो सकती हैं। उदाहरण के लिए, आप लाप्लास सुधार सूत्र का उपयोग किसी व्यक्ति के 100 वर्ष का हो जाने की प्रायिकता अनुमानित करने के लिए नहीं कर सकते, क्योंकि किसी व्यक्ति के जीवित रहने की कोई सीमा नहीं होती।

लाप्लास सुधार सूत्र की एक अन्य सीमा यह है कि यह बहुत छोटे नमूना आकार पर अशुद्ध हो सकता है। उदाहरण के लिए, यदि आपने सिक्का केवल दो बार उछाला और दोनों बार चित आया, तो लाप्लास सुधार सूत्र आपको प्रायिकता 1, या 100% देगा, जो स्पष्ट रूप से सटीक नहीं है।

लाप्लास सुधार सूत्र छोटे नमूना आकार पर प्रायिकता अनुमानित करने के लिए एक उपयोगी उपकरण है। हालाँकि, इसका उपयोग करने से पहले इसकी सीमाओं से अवगत होना महत्वपूर्ण है।

न्यूटन के सूत्र के लिए लाप्लास सुधार की व्युत्पत्ति

परिचय

बहुपद समीकरण के मूलों का सन्निकटन करने की न्यूटन विधि संख्यात्मक विश्लेषण में एक शक्तिशाली उपकरण है। हालांकि, जब मूल एक-दूसरे के बहुत निकट हों तो यह अतिशय अशुद्ध हो सकती है। न्यूटन-रैफसन विधि न्यूटन विधि का एक संशोधन है जो इन परिस्थितियों में इसकी शुद्धता में सुधार करता है।

न्यूटन का सूत्र

बहुपद समीकरण $$p(x) = 0$$ के मूलों का सन्निकटन करने के लिए न्यूटन का सूत्र इस प्रकार है:

$$x_{n+1} = x_n - \frac{p(x_n)}{p’(x_n)}$$

जहाँ $x_n$ मूल का nवाँ सन्निकटन है और $p’(x)$, $p(x)$ का अवकलज है।

लाप्लास संशोधन

न्यूटन के सूत्र में लाप्लास संशोधन इस प्रकार है:

$$x_{n+1} = x_n - \frac{p(x_n)}{p’(x_n)} \left( 1 - \frac{p(x_n)p’’(x_n)}{2p’(x_n)^2} \right)$$

जहाँ $p’’(x)$, $p(x)$ का द्वितीय अवकलज है।

लाप्लास संशोधन की व्युत्पत्ति

लाप्लास संशोधन को मूल $x=r$ के आसपास $p(x)$ की टेलर श्रेणी प्रसार का उपयोग करके व्युत्पन्न किया जा सकता है। हमारे पास है:

$$p(x) = p(r) + p’(r)(x - r) + \frac{p’’(r)}{2!}(x - r)^2 + \cdots$$

इसे न्यूटन के सूत्र में रखने पर हमें मिलता है:

$$x_{n+1} = r - \frac{p(r) + p’(r)(x_n - r) + \frac{p’’(r)}{2!}(x_n - r)^2 + \cdots}{p’(r)}$$

सरल करने पर हम प्राप्त करते हैं:

$$x_{n+1} = r - \left( x_n - r \right) - \frac{p’’(r)}{2p’(r)}(x_n - r)^2 + \cdots$

पुनः व्यवस्थित करने पर हमें मिलता है:

$$x_{n+1} = x_n - \frac{p(x_n)}{p’(x_n)} \left( 1 - \frac{p’’(x_n)}{2p’(x_n)} (x_n - r) + \cdots \right)$$

चूँकि $x_n$ मूल $r$ का एक सन्निकट मान है, हम यह मान सकते हैं कि $(x_n - r)$ बहुत छोटा है। इसलिए हम टेलर श्रेणी के उच्च कोटि के पदों को नज़रअंदाज़ कर सकते हैं और प्राप्त करते हैं:

$$x_{n+1} = x_n - \frac{p(x_n)}{p’(x_n)} \left( 1 - \frac{p’’(x_n)}{2p’(x_n)^2} \right)$$

यह न्यूटन के सूत्र में लाप्लास संशोधन है।

लाप्लास संशोधन न्यूटन के सूत्र की शुद्धता को बेहतर बनाता है जब किसी बहुपद समीकरण के मूल आपस में निकट हों। यह एक सरल संशोधन है जिसे संख्यात्मक विश्लेषण सॉफ़्टवेयर में आसानी से लागू किया जा सकता है।

ध्वनि की चाल के लिए लाप्लास संशोधन

लाप्लास संशोधन एक विधि है जिसका उपयोग किसी गैस में ध्वनि की चाल को तापीय प्रसार के प्रभावों के लिए सही करने के लिए किया जाता है। इसका नाम फ्रांसीसी गणितज्ञ पियरे-साइमन लाप्लास के नाम पर रखा गया है, जिन्होंने इसे सर्वप्रथम 1816 में व्युत्पन्न किया था।

पृष्ठभूमि

किसी द्रव में ध्वनि की चाल निम्न समीकरण द्वारा दी जाती है:

$$c = \sqrt{\frac{K}{\rho}}$$

जहाँ:

• $c$ ध्वनि की चाल मीटर प्रति सेकंड (m/s) में है
• $K$ द्रव का आयतनी प्रत्यास्थता गुणांक पास्कल (Pa) में है
• $\rho$ द्रव का घनत्व किलोग्राम प्रति घन मीटर (kg/m³) में है

आयतनी प्रत्यास्थता गुणांक द्रव के संपीड़न के प्रतिरोध की माप है। घनत्व इकाई आयतन में द्रव के द्रव्यमान की माप है।

लाप्लास संशोधन

लाप्लास संशोधन उपरोक्त समीकरण को संपीड्यता और तापीय प्रसार के प्रभावों को ध्यान में रखते हुए संशोधित करता है। संशोधित समीकरण है:

$$c = \sqrt{\frac{K}{\rho}\left(1 + \frac{4}{3}\frac{\mu}{\rho c}\right)}$$

जहाँ:

$\mu$ द्रव की गतिशील श्यानता है पास्कल-सेकंड (Pa·s) में

पद $\frac{4}{3}\frac{\mu}{\rho c}$ श्यानता और ऊष्मा चालन के प्रभावों के लिए सुधार को दर्शाता है। यह पद आमतौर पर छोटा होता है, लेकिन यह उच्च-वेग वाले प्रवाहों या उन मामलों में महत्वपूर्ण हो सकता है जहाँ ऊष्मीय और श्यान प्रभाव नगण्य नहीं होते हैं।

लाप्लास सुधार द्रवों में ध्वनि की गति को समझने और भविष्यवाणी करने के लिए एक मूल्यवान उपकरण है। यह एक सरल सुधार है जिसे ध्वनि की गति के मूलभूत समीकरण पर आसानी से लागू किया जा सकता है।

लाप्लास सुधार का अनुप्रयोग

लाप्लास सुधार प्रायिकता सिद्धांत और सांख्यिकी में उपयोग की जाने वाली एक तकनीक है जिसका उपयोग घटनाओं की प्रायिकताओं को समायोजित करने के लिए किया जाता है ताकि यह ध्यान में रखा जा सके कि कुछ घटनाएँ अन्य की तुलना में अधिक होने की संभावना रखती हैं। इसका नाम फ्रेंच गणितज्ञ पियरे-साइमन लाप्लास के नाम पर रखा गया है, जिन्होंने 18वीं सदी में पहली बार इस अवधारणा का प्रस्ताव रखा था।

लाप्लास का उत्तराधिकार नियम

लाप्लास सुधार के सबसे सामान्य अनुप्रयोगों में से एक लाप्लास के उत्तराधिकार नियम के संदर्भ में है। यह नियम कहता है कि भविष्य में किसी घटना के घटित होने की प्रायिकता बराबर होती है अतीत में घटना के घटित होने की संख्या को कुल परीक्षणों की संख्या में एक जोड़कर विभाजित करने पर।

उदाहरण के लिए, यदि एक सिक्के को 10 बार उछाला गया है और 5 बार चित आया है, तो अगली बार चित आने की प्रायिकता अभी भी 0.5 है।

छोटी प्रायिकता अनुमानों के लिए लाप्लास संशोधन

लाप्लास संशोधन विशेष रूप से उपयोगी होता है जब नमूना आकार छोटा हो। ऐसा इसलिए है क्योंकि उत्तराधिकार का नियम भ्रामक हो सकता है जब नमूना आकार छोटा हो, क्योंकि यह इस तथ्य को ध्यान में नहीं रखता कि कुछ घटनाएं दूसरों की तुलना में अधिक होने की संभावना रखती हैं।

उदाहरण के लिए, यदि एक सिक्के को केवल दो बार उछाला गया है और दोनों बार चित आया है, तो अगली बार चित आने की प्रायिकता 2/2 = 1 नहीं है। हालांकि, यह प्रायिकता सटीक नहीं है, क्योंकि यह इस तथ्य को ध्यान में नहीं रखती कि सिक्के के पट आने की भी समान संभावना है।

लाप्लास संशोधन भविष्य में किसी घटना के होने की प्रायिकता को इस प्रकार समायोजित करता है कि अतीत में घटना के होने की संख्या में 1 जोड़ दिया जाता है और कुल परीक्षणों की संख्या में भी 1 जोड़ दिया जाता है। यह समायोजन प्रायिकता को अधिक सटीक बनाता है, क्योंकि यह इस तथ्य को ध्यान में रखता है कि कुछ घटनाएं दूसरों की तुलना में अधिक होने की संभावना रखती हैं।

उदाहरण के लिए, यदि एक सिक्के को दो बार उछाला गया है और दोनों बार चित आया है, तो लाप्लास संशोधन अगली बार चित आने की प्रायिकता को (2 + 1)/(2 + 2) = 3/4 के रूप में समायोजित करेगा। यह प्रायिकता 1 की तुलना में अधिक सटीक है, क्योंकि यह इस तथ्य को ध्यान में रखती है कि सिक्का जरूरी नहीं कि निष्पक्ष हो।

लाप्लास संशोधन के अन्य अनुप्रयोग

लाप्लास संशोधन का उपयोग अन्य अनुप्रयोगों में भी किया जा सकता है, जैसे कि:

• बेज़ियन सांख्यिकी: लाप्लास संशोधन का उपयोग बेज़ियन सांख्यिकी में घटनाओं की प्राथमिक प्रायिकताओं को समायोजित करने के लिए किया जा सकता है। यह उपयोगी हो सकता है जब प्राथमिक प्रायिकताएं निश्चित रूप से नहीं जानी जाती हैं।
• मशीन लर्निंग: लाप्लास संशोधन का उपयोग मशीन लर्निंग मॉडलों को नियमित करने के लिए किया जा सकता है। यह मॉडलों को डेटा पर अति-अनुकूलन से रोकने में मदद कर सकता है।
• निर्णय सिद्धांत: लाप्लास संशोधन का उपयोग अनिश्चितता के तहत निर्णय लेने के लिए किया जा सकता है। यह उपयोगी हो सकता है जब घटनाओं की प्रायिकताएं निश्चित रूप से नहीं जानी जाती हैं।

लाप्लास संशोधन एक शक्तिशाली तकनीक है जिसका उपयोग घटनाओं की प्रायिकताओं को समायोजित करने के लिए किया जा सकता है ताकि यह ध्यान में रखा जा सके कि कुछ घटनाएं दूसरों की तुलना में कम होने की संभावना रखती हैं। यह प्रायिकता सिद्धांत, सांख्यिकी और अन्य क्षेत्रों के लिए एक मूल्यवान उपकरण है।

लाप्लास संशोधन पर हल किए गए उदाहरण

लाप्लास संशोधन एक तकनीक है जिसका उपयोग द्विपद वितरण के सामान्य सन्निकटन की सटीकता में सुधार करने के लिए किया जाता है जब नमूना आकार छोटा होता है। यह सामान्य सन्निकटन में एक सांतत्य संशोधन कारक जोड़ने के विचार पर आधारित है।

उदाहरण 1

मान लीजिए कि हमारे पास एक द्विपद वितरण है जिसमें पैरामीटर $n = 10$ और $p = 0.5$ हैं। हमें ठीक 5 सफलताएं प्राप्त करने की प्रायिकता ज्ञात करनी है।

द्विपद वितरण के सामान्य सन्निकटन को सूत्र द्वारा दिया गया है:

$$P(X = x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/2\sigma^2}$$

जहाँ $X$ यादृच्छिक चर है जो सफलताओं की संख्या गिनता है, $\mu = np$ वितरण का माध्य है, और $\sigma = \sqrt{np(1-p)}$ मानक विचलन है।

इस स्थिति में, हमारे पास $\mu = 10(0.5) = 5$ और $\sigma = \sqrt{10(0.5)(0.5)} = 1.5811$ है। इसलिए, ठीक 5 सफलताएँ पाने की प्रायिकता के लिए सामान्य सन्निकटन है:

$$P(X = 5) = \frac{1}{\sqrt{2\pi}(1.5811)} e^{-(5-5)^2/(2(1.5811)^2)} = 0.3829$$

हालाँकि, ठीक 5 सफलताएँ पाने की वास्तविक प्रायिकता है:

$$P(X = 5) = \binom{10}{5}(0.5)^5(0.5)^5 = 0.2461$$

जैसा कि आप देख सकते हैं, इस स्थिति में सामान्य सन्निकटन बहुत सटीक नहीं है। ऐसा इसलिए है क्योंकि नमूना आकार छोटा है और द्विपद वितरण सामान्य वितरण के बहुत निकट नहीं है।

उदाहरण 2

अब, आइए एक द्विपद वितरण पर विचार करें जिसमें प्राचल $n = 100$ और $p = 0.5$ हैं। हम 45 से 55 सफलताओं के बीच पाने की प्रायिकता ज्ञात करना चाहते हैं।

द्विपद वितरण के लिए सामान्य सन्निकटन सूत्र द्वारा दिया जाता है:

$$P(a < X < b) = \int_a^b \frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/2\sigma^2} dx$$

जहाँ $X$ यादृच्छिक चर है जो सफलताओं की संख्या गिनता है, $\mu = np$ वितरण का माध्य है, और $\sigma = \sqrt{np(1-p)}$ मानक विचलन है।

इस स्थिति में, हमारे पास $\mu = 100(0.5) = 50$ और $\sigma = \sqrt{100(0.5)(0.5)} = 5$ है। इसलिए, 45 से 55 सफलताओं के बीच पाने की प्रायिकता के लिए सामान्य सन्निकटन है:

$$P(45 < X < 55) = \int_{45}^{55} \frac{1}{5\sqrt{2\pi}} e^{-(x-50)^2/2(5)^2} dx = 0.6826$$

45 से 55 सफलताओं के बीच आने की सटीक प्रायिकता है:

$$P(45 < X < 55) = \sum_{x=46}^{54} \binom{100}{x}(0.5)^x(0.5)^{100-x} = 0.6915$$

जैसा कि आप देख सकते हैं, इस मामले में सामान्य सन्निकटन पिछले उदाहरण की तुलना में कहीं अधिक सटीक है। ऐसा इसलिए है क्योंकि नमूना आकार बड़ा है और द्विपद बंटन सामान्य बंटन के अधिक निकट है।

लाप्लास संशोधन एक उपयोगी तकनीक है जो नमूना आकार छोटा होने पर द्विपद बंटन के सामान्य सन्निकटन की सटीकता बेहतर बनाने के लिए प्रयोग की जाती है। हालांकि, यह ध्यान रखना महत्वपूर्ण है कि सामान्य सन्निकटन केवल एक सन्निकटन है, और यह कुछ उद्देश्यों के लिए पर्याप्त रूप से सटीक नहीं हो सकता है।

लाप्लास संशोधन अक्सर पूछे जाने वाले प्रश्न

लाप्लास संशोधन क्या है?

लाप्लास संशोधन एक विधि है जिसका उपयोग जनसंख्या के वास्तविक माध्यक का आकलन करने के लिए किया जाता है जब नमूना माध्यक पक्षपाती हो। इसका नाम फ्रांसीसी गणितज्ञ पियरे-साइमन लाप्लास के नाम पर रखा गया है, जिन्होंने 18वीं सदी में पहली बार इस विधि का प्रस्ताव रखा था।

लाप्लास संशोधन कब प्रयोग किया जाता है?

लाप्लास संशोधन का उपयोग आउटलायरों के कारण उत्पन्न नमूना माध्यक पक्षपात को सुधारने के लिए नहीं किया जाता है। आउटलायर वे डेटा बिंदु होते हैं जो शेष डेटा से काफी भिन्न होते हैं, और वे नमूना माध्यक को विकृत कर सकते हैं। लाप्लास संशोधन इस संदर्भ में लागू नहीं होता है।

लाप्लास का संशोधन कैसे काम करता है?

लाप्लास सुधार डेटा में थोड़ी मात्रा में शोर जोड़कर काम करता है। यह शोर डेटा को चिकना बनाने और विचलित मानों के प्रभाव को कम करने में मदद करता है। जोड़े जाने वाले शोर की मात्रा पूर्व वितरण और वांछित सटीकता स्तर द्वारा निर्धारित होती है।

लाप्लास सुधार के क्या लाभ हैं?

लाप्लास सुधार के पास पूर्वागत सुधार के अन्य तरीकों की तुलना में कई लाभ हैं। इन लाभों में शामिल हैं:

• इसे लागू करना सरल है।
• यह संगणनात्मक रूप से कुशल है।
• यह विचलित मानों के खिलाफ मजबूत है।
• इसका उपयोग किसी भी प्रकार के डेटा के साथ किया जा सकता है।

लाप्लास सुधार के क्या नुकसान हैं?

लाप्लास सुधार के कुछ नुकसान भी हैं, जिनमें शामिल हैं:

• यह डेटा में कुछ पूर्वागत ला सकता है।
• यह शोर स्तर के चयन के प्रति संवेदनशील हो सकता है।
• इसके परिणामों की व्याख्या करना कठिन हो सकता है।

निष्कर्ष

लाप्लास सुधार एक उपयोगी विधि है जब विचलित मानों की उपस्थिति के कारण नमूना माध्य पूर्वाग्रस्त हो जाता है। यह लागू करने में सरल, संगणनात्मक रूप से कुशल और विचलित मानों के प्रति मजबूत है। हालांकि, यह अनुमानों में कुछ पूर्वागत ला सकता है और यह शोर स्तर के चयन के प्रति संवेदनशील हो सकता है।