لاپلاس تصحیح

لاپلاس تصحیح#

لاپلاس تصحیح احتمال کے نظریہ اور شماریات میں استعمال ہونے والی ایک تکنیک ہے جس کا مقصد واقعات کے احتمالات کو اس حقیقت کے پیش نظر ایڈجسٹ کرنا ہے کہ کچھ واقعات دوسروں کے مقابلے میں زیادہ امکان رکھتے ہیں۔ اس کا نام فرانسیسی ریاضی دان پیئر-سائمن لاپلاس کے نام پر رکھا گیا ہے، جنہوں نے اٹھارویں صدی میں پہلی بار اس تصور کو پیش کیا تھا۔

لاپلاس تصحیح کا فارمولا#

لاپلاس تصحیح کا فارمولا کسی واقعہ کے وقوع پذیر ہونے کے احتمال کا تخمینہ لگانے کا ایک طریقہ ہے جب نمونے کا سائز چھوٹا ہو۔ اس کا نام فرانسیسی ریاضی دان پیئر-سائمن لاپلاس کے نام پر رکھا گیا ہے، جنہوں نے اٹھارویں صدی میں پہلی بار اسے پیش کیا تھا۔

لاپلاس تصحیح کا فارمولا درج ذیل ہے:

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

جہاں:

$P(X = x)$ تصادفی متغیر $X$ کے قدر $x$ لینے کا احتمال ہے۔

• $x$ نمونے میں واقعہ $X$ کے وقوع پذیر ہونے کی تعداد ہے۔
• $n$ نمونے کا سائز ہے۔

لاپلاس تصحیح کے فارمولے کو کیسے استعمال کریں#

لاپلاس تصحیح کے فارمولے کو استعمال کرنے کے لیے، صرف $x$ اور $n$ کی اقدار کو فارمولے میں ڈالیں اور احتمال کا حساب لگائیں۔

مثال کے طور پر، فرض کریں آپ سکے کو اچھالنے پر سر آنے کے احتمال کا تخمینہ لگانا چاہتے ہیں۔ آپ سکے کو 10 بار اچھالتے ہیں اور 5 بار سر آتا ہے۔ لاپلاس ہموار سازی کا فارمولا آپ کو درج ذیل احتمال دے گا:

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

اس کا مطلب ہے کہ سکے کو اچھالنے پر سر آنے کا تخمینہ 0.5، یا 50% ہے۔

لاپلاس تصحیح کے فوائد اور نقصانات#

لاپلاس تصحیح کا فارمولا چھوٹے نمونے کے سائز پر احتمالات کا تخمینہ لگانے کا ایک سادہ اور آسان طریقہ ہے۔ تاہم، اس کی کچھ حدود بھی ہیں۔

لاپلاس تصحیح کے فارمولے کی ایک حد یہ ہے کہ اسے صرف ان واقعات کے احتمالات کا تخمینہ لگانے کے لیے استعمال کیا جا سکتا ہے جو محدود تعداد میں وقوع پذیر ہو سکتے ہیں۔ مثال کے طور پر، آپ لاپلاس تصحیح کے فارمولے کو کسی شخص کے 100 سال تک زندہ رہنے کے احتمال کا تخمینہ لگانے کے لیے استعمال نہیں کر سکتے، کیونکہ ایک شخص کتنے عرصے تک زندہ رہ سکتا ہے اس کی کوئی حد نہیں ہے۔

لاپلاس تصحیح کے فارمولے کی ایک اور حد یہ ہے کہ یہ اس وقت غیر درست ہو سکتا ہے جب نمونے کا سائز بہت چھوٹا ہو۔ مثال کے طور پر، اگر آپ سکے کو صرف دو بار اچھالیں اور دو بار سر آئے، تو لاپلاس تصحیح کا فارمولا آپ کو 1، یا 100% کا احتمال دے گا، جو واضح طور پر درست نہیں ہے۔

لاپلاس تصحیح کا فارمولا چھوٹے نمونے کے سائز پر احتمالات کا تخمینہ لگانے کے لیے ایک مفید آلہ ہے۔ تاہم، اسے استعمال کرنے سے پہلے اس کی حدود سے آگاہ ہونا ضروری ہے۔

نیوٹن کے فارمولے کے لیے لاپلاس تصحیح کی اخذ کاری#

تعارف

کسی کثیر رقمی مساوات کی جڑوں کو تقریباً معلوم کرنے کے لیے نیوٹن کا طریقہ عددی تجزیہ میں ایک طاقتور آلہ ہے۔ تاہم، یہ اس وقت غیر درست ہو سکتا ہے جب جڑیں ایک دوسرے کے قریب ہوں۔ نیوٹن-رافسن کا طریقہ نیوٹن کے طریقے میں ایک ترمیم ہے جو ایسے حالات میں اس کی درستگی کو بہتر بناتی ہے۔

نیوٹن کا فارمولا

کثیر رقمی مساوات $$p(x) = 0$$ کی جڑوں کو تقریباً معلوم کرنے کے لیے نیوٹن کا فارمولا درج ذیل ہے:

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

جہاں $x_n$ جڑ کی n-ویں تقریب ہے اور $p’(x)$، $p(x)$ کا مشتق ہے۔

لاپلاس تصحیح

نیوٹن کے فارمولے میں لاپلاس تصحیح درج ذیل ہے:

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

جہاں $p’’(x)$، $p(x)$ کا دوسرا مشتق ہے۔

لاپلاس تصحیح کی اخذ کاری

لاپلاس تصحیح کو جڑ $x=r$ کے اردول $p(x)$ کی ٹیلر سیریز پھیلاؤ کا استعمال کرتے ہوئے اخذ کیا جا سکتا ہے۔ ہمارے پاس ہے:

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

اسے نیوٹن کے فارمولے میں ڈالنے سے، ہمیں ملتا ہے:

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

سادہ کرنے پر، ہم حاصل کرتے ہیں:

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

ترتیب دینے پر، ہم حاصل کرتے ہیں:

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

چونکہ $x_n$ جڑ $r$ کا ایک تقریب ہے، ہم فرض کر سکتے ہیں کہ $(x_n - r)$ چھوٹا ہے۔ لہٰذا، ہم ٹیلر سیریز پھیلاؤ میں اعلیٰ ترتیب کی اصطلاحات کو نظر انداز کر سکتے ہیں اور حاصل کرتے ہیں:

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

یہ نیوٹن کے فارمولے میں لاپلاس تصحیح ہے۔

لاپلاس تصحیح نیوٹن کے فارمولے کی درستگی کو بہتر بناتی ہے جب کسی کثیر رقمی مساوات کی جڑیں ایک دوسرے کے قریب ہوں۔ یہ ایک سادہ ترمیم ہے جسے عددی تجزیہ سافٹ ویئر میں آسانی سے نافذ کیا جا سکتا ہے۔

آواز کی رفتار کے لیے لاپلاس تصحیح#

لاپلاس تصحیح ایک ایسا طریقہ ہے جو کسی گیس میں آواز کی رفتار کو حرارتی پھیلاؤ کے اثرات کے لیے درست کرنے کے لیے استعمال ہوتا ہے۔ اس کا نام فرانسیسی ریاضی دان پیئر-سائمن لاپلاس کے نام پر رکھا گیا ہے، جنہوں نے پہلی بار 1816 میں اسے اخذ کیا تھا۔

پس منظر#

کسی سیال میں آواز کی رفتار درج ذیل مساوات سے دی جاتی ہے:

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

جہاں:

• $c$ میٹر فی سیکنڈ (m/s) میں آواز کی رفتار ہے۔
• $K$ پاسکلز (Pa) میں سیال کا حجمی مسلسل (بلک ماڈیولس) ہے۔
• $\rho$ کلوگرام فی کیوبک میٹر (kg/m³) میں سیال کی کثافت ہے۔

حجمی مسلسل سیال کے دباؤ کے خلاف مزاحمت کا پیمانہ ہے۔ کثافت اکائی حجم میں سیال کے کمیت کا پیمانہ ہے۔

لاپلاس تصحیح#

لاپلاس تصحیح مذکورہ مساوات کو سکڑاؤ اور حرارتی پھیلاؤ کے اثرات کو مدنظر رکھتے ہوئے ترمیم کرتی ہے۔ درست شدہ مساوات یہ ہے:

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

جہاں:

$\mu$ پاسکل-سیکنڈز (Pa·s) میں سیال کی متحرک لزوجت ہے۔

اصطلاح $\frac{4}{3}\frac{\mu}{\rho c}$ لزوجت اور حرارت کی ترسیل کے اثرات کے لیے تصحیح کی نمائندگی کرتی ہے۔ یہ اصطلاح عام طور پر چھوٹی ہوتی ہے، لیکن یہ اعلیٰ رفتار کے بہاؤ کے معاملات میں یا جہاں حرارتی اور لزوجتی اثرات قابل نظر انداز نہ ہوں، اہم ہو سکتی ہے۔

لاپلاس تصحیح سیالوں میں آواز کی رفتار کو سمجھنے اور پیش گوئی کرنے کے لیے ایک قیمتی آلہ ہے۔ یہ ایک سادہ تصحیح ہے جسے آواز کی رفتار کے بنیادی مساوات پر آسانی سے لاگو کیا جا سکتا ہے۔

لاپلاس تصحیح کا اطلاق#

لاپلاس تصحیح احتمال کے نظریہ اور شماریات میں استعمال ہونے والی ایک تکنیک ہے جس کا مقصد واقعات کے احتمالات کو اس حقیقت کے پیش نظر ایڈجسٹ کرنا ہے کہ کچھ واقعات دوسروں کے مقابلے میں زیادہ امکان رکھتے ہیں۔ اس کا نام فرانسیسی ریاضی دان پیئر-سائمن لاپلاس کے نام پر رکھا گیا ہے، جنہوں نے اٹھارویں صدی میں پہلی بار اس تصور کو پیش کیا تھا۔

لاپلاس کا تسلسل کا قاعدہ#

لاپلاس تصحیح کے سب سے عام اطلاقات میں سے ایک لاپلاس کے تسلسل کے قاعدے کے تناظر میں ہے۔ یہ قاعدہ کہتا ہے کہ مستقبل میں کسی واقعہ کے وقوع پذیر ہونے کا احتمال ماضی میں واقعہ کے وقوع پذیر ہونے کی تعداد کو کل آزمائشوں کی تعداد جمع ایک سے تقسیم کرنے کے برابر ہوتا ہے۔

مثال کے طور پر، اگر ایک سکے کو 10 بار اچھالا گیا ہے اور 5 بار سر آیا ہے، تو اگلی بار سکے کے سر آنے کا احتمال پھر بھی 0.5 ہے۔

چھوٹے احتمال کے تخمینوں کے لیے لاپلاس تصحیح#

لاپلاس تصحیح خاص طور پر اس وقت مفید ہے جب نمونے کا سائز چھوٹا ہو۔ یہ اس لیے ہے کہ تسلسل کا قاعدہ اس وقت گمراہ کن ہو سکتا ہے جب نمونے کا سائز چھوٹا ہو، کیونکہ یہ اس حقیقت کو مدنظر نہیں رکھتا کہ کچھ واقعات دوسروں کے مقابلے میں زیادہ امکان رکھتے ہیں۔

مثال کے طور پر، اگر ایک سکے کو صرف دو بار اچھالا گیا ہے اور دونوں بار سر آیا ہے، تو اگلی بار سکے کے سر آنے کا احتمال 2/2 = 1 نہیں ہے۔ تاہم، یہ احتمال درست نہیں ہے، کیونکہ یہ اس حقیقت کو مدنظر نہیں رکھتا کہ سکے کے دم آنے کا امکان بھی برابر ہے۔

لاپلاس تصحیح مستقبل میں کسی واقعہ کے وقوع پذیر ہونے کے احتمال کو ماضی میں واقعہ کے وقوع پذیر ہونے کی تعداد میں 1 جمع کرکے اور کل آزمائشوں کی تعداد میں 1 جمع کرکے ایڈجسٹ کرتی ہے۔ یہ ایڈجسٹمنٹ احتمال کو زیادہ درست بناتی ہے، کیونکہ یہ اس حقیقت کو مدنظر رکھتی ہے کہ کچھ واقعات دوسروں کے مقابلے میں زیادہ امکان رکھتے ہیں۔

مثال کے طور پر، اگر ایک سکے کو دو بار اچھالا گیا ہے اور دونوں بار سر آیا ہے، تو لاپلاس تصحیح اگلی بار سکے کے سر آنے کے احتمال کو (2 + 1)/(2 + 2) = 3/4 پر ایڈجسٹ کرے گی۔ یہ احتمال 1 کے احتمال سے زیادہ درست ہے، کیونکہ یہ اس حقیقت کو مدنظر رکھتی ہے کہ سکہ ضروری طور پر منصفانہ نہیں ہے۔

لاپلاس تصحیح کے دیگر اطلاقات#

لاپلاس تصحیح کو دیگر اطلاقات میں بھی استعمال کیا جا سکتا ہے، جیسے کہ:

• بایسیائی شماریات: لاپلاس تصحیح کو بایسیائی شماریات میں واقعات کے قبل ازیں احتمالات کو ایڈجسٹ کرنے کے لیے استعمال کیا جا سکتا ہے۔ یہ اس وقت مفید ہو سکتا ہے جب قبل ازیں احتمالات یقینی طور پر معلوم نہ ہوں۔
• مشین لرننگ: لاپلاس تصحیح کو مشین لرننگ ماڈلز کو باقاعدہ بنانے (ریگولرائز) کے لیے استعمال کیا جا سکتا ہے۔ یہ ماڈلز کو ڈیٹا پر زیادہ فٹ ہونے (اوور فٹنگ) سے روکنے میں مدد کر سکتا ہے۔
• فیصلہ سازی کا نظریہ: لاپلاس تصحیح کو غیر یقینی حالات میں فیصلے کرنے کے لیے استعمال کیا جا سکتا ہے۔ یہ اس وقت مفید ہو سکتا ہے جب واقعات کے احتمالات یقینی طور پر معلوم نہ ہوں۔

لاپلاس تصحیح ایک طاقتور تکنیک ہے جسے واقعات کے احتمالات کو اس حقیقت کے پیش نظر ایڈجسٹ کرنے کے لیے استعمال کیا جا سکتا ہے کہ کچھ واقعات دوسروں کے مقابلے میں کم امکان رکھتے ہیں۔ یہ احتمال کے نظریہ، شماریات اور دیگر شعبوں کے لیے ایک قیمتی آلہ ہے۔

لاپلاس تصحیح پر حل شدہ مثالیں#

لاپلاس تصحیح ایک ایسی تکنیک ہے جو چھوٹے نمونے کے سائز پر دو رقمی تقسیم کے معمول تقریب (نارمل اپروکسیمیشن) کی درستگی کو بہتر بنانے کے لیے استعمال ہوتی ہے۔ یہ تسلسل کی تصحیح کے عنصر کو معمول تقریب میں شامل کرنے کے خیال پر مبنی ہے۔

مثال 1#

فرض کریں ہمارے پاس پیرامیٹرز $n = 10$ اور $p = 0.5$ کے ساتھ ایک دو رقمی تقسیم ہے۔ ہم بالکل 5 کامیابیوں کے حصول کا احتمال معلوم کرنا چاہتے ہیں۔

دو رقمی تقسیم کے لیے معمول تقریب درج ذیل فارمولے سے دی جاتی ہے:

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

جہاں $X$ کامیابیوں کی تعداد گننے والا تصادفی متغیر ہے، $\mu = np$ تقسیم کا اوسط ہے، اور $\sigma = \sqrt{np(1-p)}$ معیاری انحراف ہے۔

اس معاملے میں، ہمارے پاس $\mu = 10(0.5) = 5$ اور $\sigma = \sqrt{10(0.5)(0.5)} = 1.5811$ ہے۔ لہٰذا، بالکل 5 کامیابیوں کے حصول کا معمول تقریب یہ ہے:

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

تاہم، بالکل 5 کامیابیوں کے حصول کا قطعی احتمال یہ ہے:

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

جیسا کہ آپ دیکھ سکتے ہیں، اس معاملے میں معمول تقریب زیادہ درست نہیں ہے۔ یہ اس لیے ہے کہ نمونے کا سائز چھوٹا ہے اور دو رقمی تقسیم معمول تقسیم کے بہت قریب نہیں ہے۔

مثال 2#

اب، ایک دو رقمی تقسیم پر غور کریں جس کے پیرامیٹرز $n = 100$ اور $p = 0.5$ ہیں۔ ہم 45 اور 55 کامیابیوں کے درمیان حاصل کرنے کا احتمال معلوم کرنا چاہتے ہیں۔

دو رقمی تقسیم کے لیے معمول تقریب درج ذیل فارمولے سے دی جاتی ہے:

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

جہاں $X$ کامیابیوں کی تعداد گننے والا تصادفی متغیر ہے، $\mu = np$ تقسیم کا اوسط ہے، اور $\sigma = \sqrt{np(1-p)}$ معیاری انحراف ہے۔

اس معاملے میں، ہمارے پاس $\mu = 100(0.5) = 50$ اور $\sigma = \sqrt{100(0.5)(0.5)} = 5$ ہے۔ لہٰذا، 45 اور 55 کامیابیوں کے درمیان حاصل کرنے کا معمول تقریب یہ ہے:

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

45 اور 55 کامیابیوں کے درمیان حاصل کرنے کا قطعی احتمال یہ ہے:

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

جیسا کہ آپ دیکھ سکتے ہیں، اس معاملے میں معمول تقریب پچھلی مثال کے مقابلے میں کہیں زیادہ درست ہے۔ یہ اس لیے ہے کہ نمونے کا سائز بڑا ہے اور دو رقمی تقسیم معمول تقسیم کے قریب ہے۔

لاپلاس تصحیح چھوٹے نمونے کے سائز پر دو رقمی تقسیم کے معمول تقریب کی درستگی کو بہتر بنانے کے لیے ایک مفید تکنیک ہے۔ تاہم، یہ نوٹ کرنا ضروری ہے کہ معمول تقریب صرف ایک تقریب ہے، اور یہ کچھ مقاصد کے لیے کافی درست نہیں ہو سکتی۔

لاپلاس تصحیح کے عمومی سوالات#

لاپلاس تصحیح کیا ہے؟#

لاپلاس تصحیح ایک ایسا طریقہ ہے جو آبادی کے حقیقی اوسط کا تخمینہ لگانے کے لیے استعمال ہوتا ہے جب نمونے کا اوسط جانبدار (بایسڈ) ہو۔ اس کا نام فرانسیسی ریاضی دان پیئر-سائمن لاپلاس کے نام پر رکھا گیا ہے، جنہوں نے اٹھارویں صدی میں پہلی بار اس طریقے کو پیش کیا تھا۔

لاپلاس تصحیح کب استعمال ہوتی ہے؟#

لاپلاس تصحیح نمونے کے اوسط میں جانب داری کو درست کرنے کے لیے استعمال نہیں ہوتی جو غیر معمولی اقدار (آؤٹ لائرز) کی وجہ سے ہوتی ہے۔ غیر معمولی اقدار وہ ڈیٹا پوائنٹس ہیں جو باقی ڈیٹا سے نمایاں طور پر مختلف ہوتے ہیں، اور وہ نمونے کے اوسط کو مسخ کر سکتے ہیں۔ لاپلاس تصحیح اس تناظر میں قابل اطلاق نہیں ہے۔

لاپلاس کی تصحیح کیسے کام کرتی ہے؟#

لاپلاس تصحیح ڈیٹا میں تھوڑی سی شور (نویز) شامل کرکے کام کرتی ہے۔ یہ شور ڈیٹا کو ہموار کرنے اور غیر معمولی اقدار کے اثر کو کم کرنے میں مدد کرتی ہے۔ شامل کی جانے والی شور کی مقدار قبل ازیں تقسیم (پریئر ڈسٹری بیوشن) اور مطلوبہ درستگی کی سطح سے طے ہوتی ہے۔

لاپلاس تصحیح کے کیا فوائد ہیں؟#

لاپلاس تصحیح کے جانب داری کی درستگی کے دیگر طریقوں پر کئی فوائد ہیں۔ ان فوائد میں شامل ہیں:

• یہ نافذ کرنا آسان ہے۔
• یہ حساباتی طور پر موثر ہے۔
• یہ غیر معمولی اقدار کے خلاف مضبوط ہے۔
• اسے کسی بھی قسم کے ڈیٹا کے ساتھ استعمال کیا جا سکتا ہے۔

لاپلاس کی تصحیح کے کیا نقصانات ہیں؟#

لاپلاس تصحیح کے کچھ نقصانات بھی ہیں، جن میں شامل ہیں:

• یہ ڈیٹا میں کچھ جانب داری متعارف کروا سکتی ہے۔
• یہ شور کی سطح کے انتخاب کے حوالے سے حساس ہو سکتی ہے۔
• نتائج کی تشریح کرنا مشکل ہو سکتا ہے۔

نتیجہ#

لاپلاس تصحیح جانب داری کی درستگی کا ایک مفید طریقہ ہے جب نمونے کا اوسط غیر معمولی اقدار کی موجودگی کی وجہ سے جانبدار ہو۔ یہ نافذ کرنا آسان ہے، حساباتی طور پر موثر ہے، اور غیر معمولی اقدار کے خلاف مضبوط ہے۔ تاہم، یہ تخمینوں میں کچھ جانب داری متعارف کروا سکتی ہے، اور یہ شور کی سطح کے انتخاب کے حوالے سے حساس ہو سکتی ہے۔