मिथ्या धनात्मक विरोधाभास (चिकित्सा परीक्षण)
एक रोगी किसी बीमारी का परीक्षण करवाता है और परीक्षण धनात्मक परिणाम देता है, अर्थात् परीक्षण बताता है कि रोगी को बीमारी है। पर वास्तव में रोगी को सचमुच बीमारी होने की प्रायिकता, बीमारी न होने की प्रायिकता से बहुत कम हो सकती है।
कहानी
एक बार दिल्ली में स्वाइन फ़्लू फैल गया। गणित का एक विद्यार्थी डॉक्टर के पास जाता है, जो उसका परीक्षण करते हैं कि उसे यह फ़्लू है या नहीं। इस परीक्षण की सफलता दर 99.95% है। एक सप्ताह बाद विद्यार्थी को पता चलता है कि परीक्षण का परिणाम धनात्मक आया। कुछ देर वह इससे उदास रहता है: आख़िर परीक्षण की सफलता दर 99.95% है, तो उसके ग़लत होने का अवसर केवल 0.05% है। पर फिर वह गणना करने लगता है और ख़ुशी से उछल पड़ता है। उसे पता चलता है कि उसे सचमुच स्वाइन फ़्लू होने की प्रायिकता केवल लगभग 17% है। यह कैसे संभव है?
आइए, पूरी बात को चरणबद्ध देखें। सरलता के लिए कल्पना कीजिए कि हमारा काल्पनिक परीक्षण इस प्रकार काम करता है। (व्यवहार में शायद ही किसी परीक्षण की सफलता दर 100% हो, पर सरलता के लिए यही मान लेते हैं।)
- यदि आपको बीमारी है, तो परीक्षण 100% स्थितियों में बताता है कि आप बीमार हैं।
- यदि आपको बीमारी नहीं है, तो परीक्षण 99.95% स्थितियों में सही होता है। अर्थात् बीमारी न होने पर भी 0.05% स्थितियों में परीक्षण कहता है कि आपको बीमारी है।
- यदि परीक्षण बताता है कि आपको बीमारी नहीं है, तो आप निश्चित रूप से बीमार नहीं हैं।
- यदि परीक्षण बताता है कि आपको बीमारी है, तो यह सच भी हो सकता है और भूल भी।
पर हमें बस इतना ही नहीं जानना है। हमें यह भी जानना होगा कि उस जनसंख्या में कितने लोग बीमार हैं।
बहुत-से बीमार
अब देखते हैं कि अलग-अलग परिस्थितियों में परीक्षण का परिणाम क्या होता है। इस स्थिति में परिणाम अपेक्षा के अनुसार आता है। कल्पना कीजिए कि जनसंख्या A में 10,000 में से 200 लोगों को सचमुच स्वाइन फ़्लू है, अर्थात् 2% लोग संक्रमित हैं। हम दस लाख लोगों का परीक्षण करते हैं। इसका अर्थ है कि 20,000 लोगों को फ़्लू है, बाकी को नहीं।
बीमारी होने पर परीक्षण हमेशा सही होता है, इसलिए वह 20,000 लोगों को बीमार बताएगा। 9,80,000 लोग बचते हैं, जिन्हें बीमारी नहीं है। यहाँ परीक्षण की सफलता दर 99.95% है, अर्थात् असफलता दर 0.05%, इसलिए वह 9,80,000 · 0.0005 = 490 लोगों को बीमार बताएगा, जबकि वे बीमार नहीं हैं।
कुल मिलाकर परीक्षण 20,490 लोगों को बीमार बताएगा। पर इनमें से केवल 20,000 लोग बीमार हैं। इसलिए आपको सचमुच बीमारी होने की प्रायिकता 20,000 / 20,490 = 0.9760858956 है, जो लगभग 97.6% है।
थोड़े-से बीमार
अब जनसंख्या B को देखते हैं, जहाँ 10,000 में से केवल 1 व्यक्ति बीमार है, अर्थात् 0.01% निवासियों को बीमारी है। हम दस लाख लोगों पर वही परीक्षण करते हैं।
दस लाख लोगों में से केवल 100 लोग बीमार हैं, और परीक्षण इन्हें सही-सही बीमार बताता है। 9,99,900 लोग बचते हैं, जो स्वस्थ हैं। अपनी त्रुटि के कारण परीक्षण इनमें से 0.05% को बीमार बताता है। इस प्रकार परीक्षण 9,99,900 · 0.0005 ≈ 500 स्वस्थ लोगों को बीमार बताता है। बाकी लोगों को सही-सही स्वस्थ बताया जाता है।
कुल मिलाकर 100 + 500 = 600 लोगों को बीमार बताया जाता है। पर इनमें से सचमुच बीमार केवल सौ हैं, इसलिए आपको सचमुच बीमारी होने की प्रायिकता केवल 100/600 = 1/6 है, लगभग 17%। परीक्षण ने आपको बीमार बताया, फिर भी इसका अवसर कहीं अधिक है कि आपको बीमारी नहीं है।
एक बीमार
पिछला परिणाम, कि परीक्षण के बीमार बताने पर भी वास्तव में बीमार होने का अवसर केवल लगभग 17% है, कुछ लोगों को आश्चर्यजनक लग सकता है। पर यदि उदाहरण को चरम सीमा तक ले जाएँ, तो यह और अच्छी तरह दिखता है।
मान लीजिए दस लाख लोगों की जनसंख्या है, जिसमें केवल एक ही व्यक्ति बीमार है। जिस परीक्षण से हम जाँच करते हैं, उसकी स्वस्थ लोगों पर सफलता दर 90% है। इसका क्या अर्थ है? परीक्षण 9,99,999 स्वस्थ लोगों में से 10% को बीमार बताएगा, अर्थात् लगभग एक लाख लोगों को बीमार बताएगा। पर सचमुच बीमार केवल एक व्यक्ति है। परीक्षण के बीमार बताने पर भी आपको सचमुच बीमारी होने का अवसर केवल 1/1,00,000 है, अर्थात् लगभग 0.001%।
विषय-सूची: तीन दरवाज़ों की समस्या (मॉन्टी हॉल समस्या), जन्मदिन विरोधाभास, बेनफ़ोर्ड का नियम, प्रायिकता में झूठे का विरोधाभास, टाई विरोधाभास, सिम्पसन विरोधाभास, मिथ्या धनात्मक विरोधाभास (चिकित्सा परीक्षण), सेंट पीटर्सबर्ग विरोधाभास, असंक्रामक पासे