जब हम मापे गए मानों के साथ गणनाएँ करते हैं, तो हम अनिश्चितताओं के साथ काम कर रहे होते हैं। हर माप में कुछ न कुछ अनिश्चितता होती है, जिसे अक्सर पराश्रित (absolute) या सापेक्ष (relative) त्रुटि के रूप में व्यक्त किया जाता है। ये अनिश्चितताएँ गणनाओं में उपयोग करने पर गायब नहीं होतीं; बल्कि वे एक-दूसरे के साथ मिलती हैं और प्रयुक्त गणितीय क्रियाओं पर निर्भर करते हुए बढ़ भी सकती हैं।
त्रुटि प्रसार (propagation of uncertainty) वह प्रक्रिया है जिसके माध्यम से यह निर्धारित किया जाता है कि मापे गए चरों की अनिश्चितताएँ किसी गणितीय परिणाम की अनिश्चितता को कैसे प्रभावित करती हैं।
इस ट्यूटोरियल में, हम वे गणितीय नियम सीखेंगे जो यह बताते हैं कि अनिश्चितताएँ विभिन्न क्रियाओं के माध्यम से कैसे फैलती हैं, और अनिश्चितता को मापने की विधियाँ समझेंगे। हम व्यावहारिक उदाहरणों पर काम करेंगे जो दर्शाते हैं कि वास्तविक दुनिया के परिदृश्यों में, साधारण अंकगणित से लेकर सहसंबंध और उन्नत सिमुलेशन तकनीकों वाली जटिल फलनों तक, अनिश्चितताओं की गणना कैसे की जाती है।
त्रुटि प्रसार में प्रमुख अवधारणाएँ
गणितीय नियमों में उतरने से पहले, आइए त्रुटि प्रसार के पीछे की कुछ अवधारणाएँ समझें:
पराश्रित त्रुटि (Absolute error) वास्तविक मान से वास्तविक विचलन को दर्शाती है और माप की उसी इकाई में अभिव्यक्त होती है। यदि हम लंबाई को 10.0 ± 0.2 सेमी मापते हैं, तो पराश्रित त्रुटि 0.2 सेमी है।
सापेक्ष त्रुटि (Relative error) अनिश्चितता को मापे गए मान के एक अंश या प्रतिशत के रूप में व्यक्त करती है। हमारी लंबाई के माप के लिए सापेक्ष त्रुटि 0.2/10.0 = 0.02 या 2% होगी।
मानक विचलन (Standard deviation) वैज्ञानिक संदर्भों में अनिश्चितता का हमारा प्रमुख मापक है, जो औसत के आसपास मानों के फैलाव का प्रतिनिधित्व करता है। जब हम किसी माप को x ± σ के रूप में व्यक्त करते हैं, तो σ एक मानक विचलन को दर्शाता है।
विचरण (Variance) मानक विचलन का वर्ग होता है। स्वतंत्र यादृच्छिक चरों के विचरण सीधे जोड़ते हैं, जो कई गणनाओं को सरल बनाता है।
कोवेरिएंस (Covariance) यह मापता है कि दो चर एक-दूसरे के संबंध में कैसे बदलते हैं। जब अनिश्चितताएँ सहसंबद्ध होती हैं, तो सटीक परिणाम पाने के लिए हमें अपने प्रसार सूत्रों में कोवेरिएंस पद शामिल करने चाहिए।
स्वतंत्र और सहसंबद्ध अनिश्चितताओं के बीच का अंतर समझना भी महत्वपूर्ण है। स्वतंत्र अनिश्चितताएँ अलग, असंबद्ध स्रोतों से आती हैं, जैसे विभिन्न उपकरणों से पढ़ने की त्रुटियाँ। सहसंबद्ध अनिश्चितताएँ एक सामान्य स्रोत साझा करती हैं, जैसे कई मापों के लिए एक ही अंशांकन मानक का उपयोग।
हालाँकि इस ट्यूटोरियल में हमारा ध्यान सांख्यिकीय पैटर्न का पालन करने वाली यादृच्छिक त्रुटियों पर है, यह ध्यान देने योग्य है कि प्रणालीगत त्रुटियाँ (सतत पक्षपात) अलग प्रकार के उपचार की मांग करती हैं।
त्रुटि प्रसार के गणितीय नियम
अनिश्चितता का प्रसार, प्रयुक्त गणितीय क्रिया पर निर्भर विशिष्ट नियमों का पालन करता है। आइए प्रत्येक क्रिया को समझें:
जोड़ और घटाव
जब अनिश्चितताओं सहित मापों को जोड़ते या घटाते हैं, तो मानक विचलन के लिए हम पराश्रित अनिश्चितताओं को क्वाड्रेचर में जोड़ते हैं (वर्गों के योग का वर्गमूल)।
z = x ± y के लिए, जहाँ x की अनिश्चितता σₓ और y की अनिश्चितता σᵧ है:
गुणा और भाग के लिए, हम सापेक्ष अनिश्चितताओं के साथ काम करते हैं। परिणाम की सापेक्ष अनिश्चितता, इनपुट की सापेक्ष अनिश्चितताओं के क्वाड्रेचर योग के बराबर होती है।
मान लें हम x = 10.0 ± 0.3 मापते हैं और y = ln(x) निकालते हैं।
y = ln(10.0) = 2.303
Uncertainty in y = 0.3/10.0 = 0.03संचालित द्वारा
अतः ln(10.0) = 2.303 ± 0.030।
अब जब हमने विभिन्न क्रियाओं के लिए विशिष्ट नियम देख लिए हैं, तो आइए वह एकीकृत गणितीय नींव समझें जो इन सभी के अधीन है।
कलन (Calculus) का उपयोग कर व्युत्पत्ति
बोध बनाने के लिए, आंशिक अवकलजों को इस प्रश्न का उत्तर मानें: “यदि मैं इस इनपुट को थोड़ा सा बदलूँ, तो मेरा आउटपुट कितना बदलता है?”
परिवर्तन के प्रति यही संवेदनशीलता हमें समझने में मदद करती है कि अनिश्चितताएँ कैसे प्रसारित होती हैं। बड़ा आंशिक अवकलज इंगित करता है कि इनपुट आउटपुट को प्रबल रूप से प्रभावित करता है, इसलिए उसकी अनिश्चितता अंतिम अनिश्चितता में अधिक योगदान देती है।
आइए गणितीय नींव से शुरू करें। फलन z = f(x, y) के लिए, कुल अवकल (total differential) बताता है:
जब हम dx और dy को छोटी अनिश्चितताओं के रूप में समझते हैं और विचरण (σz²) खोजना चाहते हैं, तो हम दोनों पक्षों का वर्ग करते हैं और अपेक्षित मान लेते हैं।
यह हमें सामान्य त्रुटि प्रसार सूत्र तक ले जाता है:
σz² = (∂f/∂x)² σₓ² + (∂f/∂y)² σᵧ² + 2(∂f/∂x)(∂f/∂y)σₓᵧसंचालित द्वारा
यहाँ, σₓᵧ x और y के बीच कोवेरिएंस को दर्शाता है। स्वतंत्र चरों के लिए, यह पद शून्य हो जाता है, जिससे हमें सरल रूप मिलता है जिसका हम सामान्यतः उपयोग करते हैं।
आइए अपने गुणा नियम को व्युत्पन्न करके इस सूत्र की पुष्टि करें।
z = xy के लिए:
x के संबंध में आंशिक अवकलज: ∂z/∂x = y
y के संबंध में आंशिक अवकलज: ∂z/∂y = x
अपने सामान्य सूत्र में प्रतिस्थापित करते हुए (मानते हुए x और y स्वतंत्र हैं):
जो ठीक वही गुणा नियम है जिसमें सापेक्ष अनिश्चितताएँ क्वाड्रेचर में जोड़ी जाती हैं।
यह सामान्य दृष्टिकोण तब उपयोगी होता है जब जटिल फलनों से निपटना हो जहाँ याद किए गए नियम लागू नहीं पड़ते।
उदाहरण के लिए, यदि हमें z = x²sin(y) + exy में अनिश्चितता निकालनी हो, तो हम कई नियमों को जोड़ने की कोशिश करने के बजाय व्यवस्थित रूप से आंशिक अवकलज लागू कर सकते हैं। यह सूत्र किसी भी अवकलनीय फलन को संभालता है, जिससे यह जटिल गणनाओं में अनिश्चितता विश्लेषण का हमारा सबसे उपयोगी उपकरण बन जाता है।
त्रुटि प्रसार में सहसंबंध और कोवेरिएंस
अब तक के हमारे त्रुटि प्रसार सूत्र मानते हैं कि अनिश्चितताएँ स्वतंत्र हैं, लेकिन जब वे स्वतंत्र न हों तो क्या होता है?
सहसंबंध (Correlation) हमारी अपेक्षा से अधिक सामान्य है और परिणामों को महत्वपूर्ण रूप से प्रभावित कर सकता है। सहसंबंध तब उत्पन्न होता है जब माप एक सामान्य अनिश्चितता स्रोत साझा करते हैं।
मान लें हम एक धातु ब्लॉक की लंबाई और चौड़ाई को एक ही स्केल से मापते हैं। यदि वह स्केल वास्तव में 1% छोटा है, तो दोनों माप एक ही तरह से व्यवस्थित रूप से प्रभावित होंगे, और वे धनात्मक सहसंबद्ध होंगे। इसी तरह, यदि तापमान किसी प्रयोग में कई सेंसरों को प्रभावित करता है, तो एक ही समय पर ली गई सभी रीडिंग इस पर्यावरणीय प्रभाव को साझा करेंगी।
जब एक माप उच्च होने की प्रवृत्ति रखता है और दूसरा भी उच्च होने की प्रवृत्ति रखता है (धनात्मक सहसंबंध), या एक उच्च होने की प्रवृत्ति रखता है जबकि दूसरा निम्न (ऋणात्मक सहसंबंध), तो हमें अपनी अनिश्चितता गणनाओं में इस संबंध का हिसाब रखना चाहिए।
जब चर सहसंबद्ध होते हैं, तो हम अपने प्रसार सूत्र में कोवेरिएंस पद σₓᵧ को शामिल करते हैं। दो सहसंबद्ध चरों के लिए, जिनका सहसंबंध गुणांक ρ है:
मान लें हम उच्च तापमान पर एक आयताकार धातु प्लेट की परिधि मापते हैं। हम लंबाई L = 10.0 ± 0.1 सेमी और चौड़ाई W = 5.0 ± 0.05 सेमी मापते हैं। परिधि P = 2L + 2W है।
सहसंबंध पर विचार किए बिना:
P = 2(10.0) + 2(5.0) = 30.0 cm
σₚ = √[(2 × 0.1)² + (2 × 0.05)²] = √[0.04 + 0.01] = 0.22 cmसंचालित द्वारा
हालाँकि, ऊष्मीय प्रसार दोनों आयामों को समान रूप से प्रभावित करता है। यदि हम निर्धारित करें कि सहसंबंध गुणांक ρ = 0.7 (मजबूत धनात्मक सहसंबंध) है:
सहसंबंध की अनदेखी करने से हमारी अनिश्चितता लगभग 25% कम आंकी गई, जो एक महत्वपूर्ण अंतर है और हमारे निष्कर्षों को प्रभावित कर सकता है।
हमें कोवेरिएंस शामिल करनी चाहिए जब:
कई माप एक ही उपकरण या अंशांकन मानक का उपयोग करते हैं।
पर्यावरणीय स्थितियाँ (तापमान, दाब, आर्द्रता) सभी मापों को एक साथ प्रभावित करती हैं।
चरों के ज्ञात भौतिक संबंध हों (जैसे आयामों का साथ में फैलना)।
हम कोवेरिएंस को तब छोड़ सकते हैं जब माप वास्तव में स्वतंत्र हों—अलग उपकरणों से, अलग समयों पर लिए गए हों—या जब अन्य अनिश्चितता स्रोतों की तुलना में सहसंबंध नगण्य हो। संदेह होने पर, यदि बदलती परिस्थितियाँ दोनों मापों को एक ही दिशा में प्रभावित करती हैं, तो वे संभवतः सहसंबद्ध हैं, और इसे हमारे विश्लेषण में शामिल किया जाना चाहिए।
अनिश्चितता को संभालने की उन्नत विधियाँ
जब फलनों में शर्तीय लॉजिक, आवर्तनशील गणनाएँ, या जटिल गैर-रेखीय संबंध हों, तो Monte Carlo सिमुलेशन एक अच्छा विकल्प है।
Monte Carlo सिमुलेशन
Monte Carlo सिमुलेशन सीधा तरीका अपनाता है: अनिश्चितताओं को सूत्रों से प्रसारित करने के बजाय, हम हजारों संभावित परिदृश्यों का अनुकरण करते हैं और परिणामों के वितरण का अवलोकन करते हैं।
प्रक्रिया यह है:
प्रत्येक इनपुट चर के वितरण से यादृच्छिक नमूने उत्पन्न करें।
प्रत्येक नमूना-समूह के लिए परिणाम की गणना करें।
आउटपुट वितरण का विश्लेषण करें और अनिश्चितता निर्धारित करें।
आप Excel में मोंटे-कार्लो सिमुलेशन करना सीख सकते हैं through our in-depth guide. However, इस ट्यूटोरियल की पूर्णता के लिए, आइए एक ऐसे परिदृश्य पर लौटें जहाँ विश्लेषणात्मक विधियाँ जटिल हो जाती हैं।
z = x²/y पर विचार करें जहाँ x = 10.0 ± 0.5 और y = 2.0 ± 0.2। यद्यपि हम आंशिक अवकलजों का उपयोग कर सकते हैं, आइए देखें कि Monte Carlo इसे वैचारिक रूप से कैसे संभालता है:
for each of 10,000 iterations:
x_sample = random value from normal(mean=10.0, std=0.5)
y_sample = random value from normal(mean=2.0, std=0.2)
z_sample = x_sample² / y_sample
result = mean of all z_samples = 50.2
uncertainty = standard deviation of z_samples = 5.3संचालित द्वारा
इस पद्धति की खूबी यह है कि यह:
किसी भी वितरण प्रकार को सँभालती है: हमारे इनपुट का सामान्य वितरण होना आवश्यक नहीं है।
सहज सहसंबंध प्रबंधन: हमारी सहसंबद्ध परिधि-माप को याद है? Monte Carlo सीधे सहसंबद्ध यादृच्छिक नमूने जनरेट कर सकता है।
पूर्ण आउटपुट तस्वीर: हमें परिणामों का पूरा वितरण मिलता है, जो तिरछापन (skewness) या कई शिखरों को उजागर करता है जिन्हें केवल मानक विचलन से नहीं पकड़ा जा सकता।
जटिल लॉजिक के साथ काम करता है: if/then शर्तों या min/max क्रियाओं वाले फलनों को भी सँभाल सकता है।
तो, हमें कब विश्लेषणात्मक विधियों पर Monte Carlo चुनना चाहिए? हम इसे तब मान सकते हैं जब:
हमारे फलन में शर्तीय कथन या आवर्तनशील गणनाएँ शामिल हों।
चर गैर-सामान्य वितरणों का पालन करें (समान, घातीय, इत्यादि)
हमें केवल मानक विचलन नहीं, बल्कि पूरा आउटपुट वितरण चाहिए।
विश्लेषणात्मक तरीका जटिल अवकलजों की माँग करता हो जिन्हें निकालने में हमें आत्मविश्वास न हो।
व्यावहारिक क्रियान्वयन के लिए, 10,000 नमूने प्रायः अधिकांश अनुप्रयोगों के लिए अच्छे अनुमान देते हैं, जबकि 100,000 नमूने उच्च परिशुद्धता प्रदान करते हैं। साधारण फलनों के लिए आधुनिक कंप्यूटर ये सिमुलेशन सेकंडों में चला सकते हैं।
संगणकीय विचार
अत्यधिक संगणकीय-गहन मॉडलों, जैसे सीमित अवयव (finite element) सिमुलेशन या जलवायु मॉडलों में, जहाँ एक एकल गणना में घंटे लग सकते हैं, सरोगेट मॉडल उपयुक्त होते हैं।
सरोगेट मॉडल सरल गणितीय फलन होते हैं जो जटिल मॉडलों के व्यवहार का सन्निकटन करते हैं—एक तेज़ विकल्प जो मूल मॉडल के इनपुट-आउटपुट संबंधों को पकड़ता है।
हालाँकि, अधिकांश डेटा विश्लेषण कार्यों के लिए, प्रत्यक्ष Monte Carlo सिमुलेशन शुद्धता और सरलता के बीच आदर्श संतुलन प्रदान करता है।
निष्कर्ष
इस लेख में त्रुटि प्रसार का परिचय दिया गया—वह गणितीय ढाँचा जो यह समझने में मदद करता है कि मापों में अनिश्चितताएँ गणना किए गए परिणामों को कैसे प्रभावित करती हैं। हमने विभिन्न गणितीय क्रियाओं के माध्यम से अनिश्चितताओं को प्रसारित करने के मौलिक नियम सीखे, यह समझा कि चरों के बीच सहसंबंध अनिश्चितता गणनाओं को कैसे प्रभावित करता है, और जटिल परिदृश्यों के लिए एक संगणकीय विकल्प के रूप में Monte Carlo सिमुलेशन की पड़ताल की।
वास्तविक दुनिया के अनुप्रयोगों में अनिश्चितता और सांख्यिकीय विश्लेषण को संभालने में अपनी दक्षता को और गहरा करने के लिए, consider exploring our Machine Learning Scientist with Python track. This track covers supervised and unsupervised learning, feature engineering, time series analysis, and deep learning, where understanding uncertainty and error analysis becomes important for evaluating model performance, confidence intervals, and making reliable predictions in data science projects.
एक वरिष्ठ डेटा वैज्ञानिक के रूप में, मैं बड़े पैमाने पर मशीन‑लर्निंग समाधान डिज़ाइन, विकसित और परिनियोजित करता/करती हूँ ताकि व्यवसाय बेहतर डेटा‑आधारित निर्णय ले सकें। डेटा साइंस लेखक के रूप में, मैं अपने सीख, करियर सलाह, और गहन व्यावहारिक ट्यूटोरियल साझा करता/करती हूँ।
FAQs
जब अनिश्चितताओं के साथ मापों को जोड़ा जाता है, तो क्या मैं अनिश्चितताओं को सीधे जोड़ दूँ?⌄
नहीं, आपको उन्हें क्वाड्रेचर में जोड़ना होता है (वर्गों के योग का वर्गमूल)। z = x + y के लिए अनिश्चितता है σz = √(σₓ² + σᵧ²), न कि σₓ + σᵧ।
कौन-सी गणितीय क्रिया अनिश्चितताओं को सबसे अधिक बढ़ाती है?⌄
घात और मूल अनिश्चितताओं को उल्लेखनीय रूप से बढ़ा सकते हैं। z = xⁿ के लिए, सापेक्ष अनिश्चितता |n| से गुणा हो जाती है, इसलिए किसी मान का घन करने से उसकी सापेक्ष अनिश्चितता तीन गुना हो जाती है।
मुझे विश्लेषणात्मक सूत्रों के बजाय Monte Carlo सिमुलेशन कब उपयोग करना चाहिए?⌄
जब आप शर्तीय लॉजिक, गैर-सामान्य वितरणों, या जटिल गैर-रेखीय फलनों से निपट रहे हों, तो Monte Carlo का उपयोग करें। जब आपको पूरे आउटपुट वितरण की ज़रूरत हो, तब भी यह आदर्श है।
मैं मापों के बीच सहसंबंध को कब अनदेखा कर सकता/सकती हूँ?⌄
आप सहसंबंध को तब अनदेखा कर सकते हैं जब माप अलग-अलग उपकरणों से, अलग समयों पर लिए गए हों, या जब अन्य अनिश्चितता स्रोतों की तुलना में सहसंबंध नगण्य हो।
क्या सहसंबंध हमेशा अनिश्चितता बढ़ाता है?⌄
नहीं, धनात्मक सहसंबंध अनिश्चितता बढ़ाता है, लेकिन ऋणात्मक सहसंबंध वास्तव में इसे कम भी कर सकता है। प्रभाव सहसंबंध गुणांक के चिह्न और परिमाण पर निर्भर करता है।
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
जब हम मापे गए मानों के साथ गणनाएँ करते हैं, तो हम अनिश्चितताओं के साथ काम कर रहे होते हैं। हर माप में कुछ न कुछ अनिश्चितता होती है, जिसे अक्सर पराश्रित (absolute) या सापेक्ष (relative) त्रुटि के रूप में व्यक्त किया जाता है। ये अनिश्चितताएँ गणनाओं में उपयोग करने पर गायब नहीं होतीं; बल्कि वे एक-दूसरे के साथ मिलती हैं और प्रयुक्त गणितीय क्रियाओं पर निर्भर करते हुए बढ़ भी सकती हैं।
त्रुटि प्रसार (propagation of uncertainty) वह प्रक्रिया है जिसके माध्यम से यह निर्धारित किया जाता है कि मापे गए चरों की अनिश्चितताएँ किसी गणितीय परिणाम की अनिश्चितता को कैसे प्रभावित करती हैं।
इस ट्यूटोरियल में, हम वे गणितीय नियम सीखेंगे जो यह बताते हैं कि अनिश्चितताएँ विभिन्न क्रियाओं के माध्यम से कैसे फैलती हैं, और अनिश्चितता को मापने की विधियाँ समझेंगे। हम व्यावहारिक उदाहरणों पर काम करेंगे जो दर्शाते हैं कि वास्तविक दुनिया के परिदृश्यों में, साधारण अंकगणित से लेकर सहसंबंध और उन्नत सिमुलेशन तकनीकों वाली जटिल फलनों तक, अनिश्चितताओं की गणना कैसे की जाती है।
त्रुटि प्रसार में प्रमुख अवधारणाएँ
गणितीय नियमों में उतरने से पहले, आइए त्रुटि प्रसार के पीछे की कुछ अवधारणाएँ समझें:
स्वतंत्र और सहसंबद्ध अनिश्चितताओं के बीच का अंतर समझना भी महत्वपूर्ण है। स्वतंत्र अनिश्चितताएँ अलग, असंबद्ध स्रोतों से आती हैं, जैसे विभिन्न उपकरणों से पढ़ने की त्रुटियाँ। सहसंबद्ध अनिश्चितताएँ एक सामान्य स्रोत साझा करती हैं, जैसे कई मापों के लिए एक ही अंशांकन मानक का उपयोग।
हालाँकि इस ट्यूटोरियल में हमारा ध्यान सांख्यिकीय पैटर्न का पालन करने वाली यादृच्छिक त्रुटियों पर है, यह ध्यान देने योग्य है कि प्रणालीगत त्रुटियाँ (सतत पक्षपात) अलग प्रकार के उपचार की मांग करती हैं।
त्रुटि प्रसार के गणितीय नियम
अनिश्चितता का प्रसार, प्रयुक्त गणितीय क्रिया पर निर्भर विशिष्ट नियमों का पालन करता है। आइए प्रत्येक क्रिया को समझें:
जोड़ और घटाव
जब अनिश्चितताओं सहित मापों को जोड़ते या घटाते हैं, तो मानक विचलन के लिए हम पराश्रित अनिश्चितताओं को क्वाड्रेचर में जोड़ते हैं (वर्गों के योग का वर्गमूल)।
z = x ± y के लिए, जहाँ x की अनिश्चितता σₓ और y की अनिश्चितता σᵧ है:
एक उदाहरण पर विचार करें जिसमें हम दो छड़ों की कुल लंबाई मापते हैं। छड़ A की लंबाई 15.3 ± 0.2 सेमी है, और छड़ B की 8.7 ± 0.1 सेमी। कुल लंबाई होगी:
अतः कुल लंबाई 24.0 ± 0.22 सेमी है।
गुणा और भाग
गुणा और भाग के लिए, हम सापेक्ष अनिश्चितताओं के साथ काम करते हैं। परिणाम की सापेक्ष अनिश्चितता, इनपुट की सापेक्ष अनिश्चितताओं के क्वाड्रेचर योग के बराबर होती है।
z = xy या z = x/y के लिए:
मान लें हमें आयत का क्षेत्रफल निकालना है, जिसकी लंबाई 5.0 ± 0.1 मीटर और चौड़ाई 3.0 ± 0.05 मीटर है।
अतः क्षेत्रफल 15.0 ± 0.39 m² है।
घात और मूल
किसी माप को घात n तक उठाने पर, सापेक्ष अनिश्चितता, घात के परिमूल्य से गुणा हो जाती है।
z = xⁿ के लिए:
एक परिदृश्य पर विचार करें जहाँ हम किसी गोले का त्रिज्या 2.5 ± 0.05 सेमी मापते हैं और उसका आयतन V = (4/3)πr³ से निकालना चाहते हैं।
अतः आयतन 65.5 ± 3.9 cm³ है।
लघुगणकीय और घातांक फलन
प्राकृतिक लघुगणक के लिए:
घातांक के लिए:
मान लें हम x = 10.0 ± 0.3 मापते हैं और y = ln(x) निकालते हैं।
अतः ln(10.0) = 2.303 ± 0.030।
अब जब हमने विभिन्न क्रियाओं के लिए विशिष्ट नियम देख लिए हैं, तो आइए वह एकीकृत गणितीय नींव समझें जो इन सभी के अधीन है।
कलन (Calculus) का उपयोग कर व्युत्पत्ति
बोध बनाने के लिए, आंशिक अवकलजों को इस प्रश्न का उत्तर मानें: “यदि मैं इस इनपुट को थोड़ा सा बदलूँ, तो मेरा आउटपुट कितना बदलता है?”
परिवर्तन के प्रति यही संवेदनशीलता हमें समझने में मदद करती है कि अनिश्चितताएँ कैसे प्रसारित होती हैं। बड़ा आंशिक अवकलज इंगित करता है कि इनपुट आउटपुट को प्रबल रूप से प्रभावित करता है, इसलिए उसकी अनिश्चितता अंतिम अनिश्चितता में अधिक योगदान देती है।
आइए गणितीय नींव से शुरू करें। फलन z = f(x, y) के लिए, कुल अवकल (total differential) बताता है:
जब हम dx और dy को छोटी अनिश्चितताओं के रूप में समझते हैं और विचरण (σz²) खोजना चाहते हैं, तो हम दोनों पक्षों का वर्ग करते हैं और अपेक्षित मान लेते हैं।
यह हमें सामान्य त्रुटि प्रसार सूत्र तक ले जाता है:
यहाँ, σₓᵧ x और y के बीच कोवेरिएंस को दर्शाता है। स्वतंत्र चरों के लिए, यह पद शून्य हो जाता है, जिससे हमें सरल रूप मिलता है जिसका हम सामान्यतः उपयोग करते हैं।
आइए अपने गुणा नियम को व्युत्पन्न करके इस सूत्र की पुष्टि करें।
z = xy के लिए:
अपने सामान्य सूत्र में प्रतिस्थापित करते हुए (मानते हुए x और y स्वतंत्र हैं):
दोनों पक्षों को z² = (xy)² से भाग देने पर:
वर्गमूल लेने पर हमें मिलता है:
जो ठीक वही गुणा नियम है जिसमें सापेक्ष अनिश्चितताएँ क्वाड्रेचर में जोड़ी जाती हैं।
यह सामान्य दृष्टिकोण तब उपयोगी होता है जब जटिल फलनों से निपटना हो जहाँ याद किए गए नियम लागू नहीं पड़ते।
उदाहरण के लिए, यदि हमें z = x²sin(y) + exy में अनिश्चितता निकालनी हो, तो हम कई नियमों को जोड़ने की कोशिश करने के बजाय व्यवस्थित रूप से आंशिक अवकलज लागू कर सकते हैं। यह सूत्र किसी भी अवकलनीय फलन को संभालता है, जिससे यह जटिल गणनाओं में अनिश्चितता विश्लेषण का हमारा सबसे उपयोगी उपकरण बन जाता है।
त्रुटि प्रसार में सहसंबंध और कोवेरिएंस
अब तक के हमारे त्रुटि प्रसार सूत्र मानते हैं कि अनिश्चितताएँ स्वतंत्र हैं, लेकिन जब वे स्वतंत्र न हों तो क्या होता है?
सहसंबंध (Correlation) हमारी अपेक्षा से अधिक सामान्य है और परिणामों को महत्वपूर्ण रूप से प्रभावित कर सकता है। सहसंबंध तब उत्पन्न होता है जब माप एक सामान्य अनिश्चितता स्रोत साझा करते हैं।
मान लें हम एक धातु ब्लॉक की लंबाई और चौड़ाई को एक ही स्केल से मापते हैं। यदि वह स्केल वास्तव में 1% छोटा है, तो दोनों माप एक ही तरह से व्यवस्थित रूप से प्रभावित होंगे, और वे धनात्मक सहसंबद्ध होंगे। इसी तरह, यदि तापमान किसी प्रयोग में कई सेंसरों को प्रभावित करता है, तो एक ही समय पर ली गई सभी रीडिंग इस पर्यावरणीय प्रभाव को साझा करेंगी।
जब एक माप उच्च होने की प्रवृत्ति रखता है और दूसरा भी उच्च होने की प्रवृत्ति रखता है (धनात्मक सहसंबंध), या एक उच्च होने की प्रवृत्ति रखता है जबकि दूसरा निम्न (ऋणात्मक सहसंबंध), तो हमें अपनी अनिश्चितता गणनाओं में इस संबंध का हिसाब रखना चाहिए।
जब चर सहसंबद्ध होते हैं, तो हम अपने प्रसार सूत्र में कोवेरिएंस पद σₓᵧ को शामिल करते हैं। दो सहसंबद्ध चरों के लिए, जिनका सहसंबंध गुणांक ρ है:
जोड़ के लिए पूर्ण सूत्र बनता है:
हम इसे एक उदाहरण से बेहतर समझेंगे।
मान लें हम उच्च तापमान पर एक आयताकार धातु प्लेट की परिधि मापते हैं। हम लंबाई L = 10.0 ± 0.1 सेमी और चौड़ाई W = 5.0 ± 0.05 सेमी मापते हैं। परिधि P = 2L + 2W है।
सहसंबंध पर विचार किए बिना:
हालाँकि, ऊष्मीय प्रसार दोनों आयामों को समान रूप से प्रभावित करता है। यदि हम निर्धारित करें कि सहसंबंध गुणांक ρ = 0.7 (मजबूत धनात्मक सहसंबंध) है:
सहसंबंध की अनदेखी करने से हमारी अनिश्चितता लगभग 25% कम आंकी गई, जो एक महत्वपूर्ण अंतर है और हमारे निष्कर्षों को प्रभावित कर सकता है।
हमें कोवेरिएंस शामिल करनी चाहिए जब:
हम कोवेरिएंस को तब छोड़ सकते हैं जब माप वास्तव में स्वतंत्र हों—अलग उपकरणों से, अलग समयों पर लिए गए हों—या जब अन्य अनिश्चितता स्रोतों की तुलना में सहसंबंध नगण्य हो। संदेह होने पर, यदि बदलती परिस्थितियाँ दोनों मापों को एक ही दिशा में प्रभावित करती हैं, तो वे संभवतः सहसंबद्ध हैं, और इसे हमारे विश्लेषण में शामिल किया जाना चाहिए।
अनिश्चितता को संभालने की उन्नत विधियाँ
जब फलनों में शर्तीय लॉजिक, आवर्तनशील गणनाएँ, या जटिल गैर-रेखीय संबंध हों, तो Monte Carlo सिमुलेशन एक अच्छा विकल्प है।
Monte Carlo सिमुलेशन
Monte Carlo सिमुलेशन सीधा तरीका अपनाता है: अनिश्चितताओं को सूत्रों से प्रसारित करने के बजाय, हम हजारों संभावित परिदृश्यों का अनुकरण करते हैं और परिणामों के वितरण का अवलोकन करते हैं।
प्रक्रिया यह है:
आप Excel में मोंटे-कार्लो सिमुलेशन करना सीख सकते हैं through our in-depth guide. However, इस ट्यूटोरियल की पूर्णता के लिए, आइए एक ऐसे परिदृश्य पर लौटें जहाँ विश्लेषणात्मक विधियाँ जटिल हो जाती हैं।
z = x²/y पर विचार करें जहाँ x = 10.0 ± 0.5 और y = 2.0 ± 0.2। यद्यपि हम आंशिक अवकलजों का उपयोग कर सकते हैं, आइए देखें कि Monte Carlo इसे वैचारिक रूप से कैसे संभालता है:
इस पद्धति की खूबी यह है कि यह:
तो, हमें कब विश्लेषणात्मक विधियों पर Monte Carlo चुनना चाहिए? हम इसे तब मान सकते हैं जब:
व्यावहारिक क्रियान्वयन के लिए, 10,000 नमूने प्रायः अधिकांश अनुप्रयोगों के लिए अच्छे अनुमान देते हैं, जबकि 100,000 नमूने उच्च परिशुद्धता प्रदान करते हैं। साधारण फलनों के लिए आधुनिक कंप्यूटर ये सिमुलेशन सेकंडों में चला सकते हैं।
संगणकीय विचार
अत्यधिक संगणकीय-गहन मॉडलों, जैसे सीमित अवयव (finite element) सिमुलेशन या जलवायु मॉडलों में, जहाँ एक एकल गणना में घंटे लग सकते हैं, सरोगेट मॉडल उपयुक्त होते हैं।
सरोगेट मॉडल सरल गणितीय फलन होते हैं जो जटिल मॉडलों के व्यवहार का सन्निकटन करते हैं—एक तेज़ विकल्प जो मूल मॉडल के इनपुट-आउटपुट संबंधों को पकड़ता है।
हालाँकि, अधिकांश डेटा विश्लेषण कार्यों के लिए, प्रत्यक्ष Monte Carlo सिमुलेशन शुद्धता और सरलता के बीच आदर्श संतुलन प्रदान करता है।
निष्कर्ष
इस लेख में त्रुटि प्रसार का परिचय दिया गया—वह गणितीय ढाँचा जो यह समझने में मदद करता है कि मापों में अनिश्चितताएँ गणना किए गए परिणामों को कैसे प्रभावित करती हैं। हमने विभिन्न गणितीय क्रियाओं के माध्यम से अनिश्चितताओं को प्रसारित करने के मौलिक नियम सीखे, यह समझा कि चरों के बीच सहसंबंध अनिश्चितता गणनाओं को कैसे प्रभावित करता है, और जटिल परिदृश्यों के लिए एक संगणकीय विकल्प के रूप में Monte Carlo सिमुलेशन की पड़ताल की।
वास्तविक दुनिया के अनुप्रयोगों में अनिश्चितता और सांख्यिकीय विश्लेषण को संभालने में अपनी दक्षता को और गहरा करने के लिए, consider exploring our Machine Learning Scientist with Python track. This track covers supervised and unsupervised learning, feature engineering, time series analysis, and deep learning, where understanding uncertainty and error analysis becomes important for evaluating model performance, confidence intervals, and making reliable predictions in data science projects.