डेटिंग थ्योरी (ऑप्टिमल स्टॉपिंग) कैलकुलेटर क्या है?
यह टूल मशहूर "सेक्रेटरी प्रॉब्लम" — जिसे ऑप्टिमल स्टॉपिंग या 37% रूल भी कहते हैं — को डेटिंग पर लागू करता है। मान लीजिए आप तय संख्या में संभावित पार्टनर्स से मिलने वाले हैं और हर एक के बारे में आगे बढ़ने से पहले ही फैसला लेना है। ऐसे में गणित आपको वह रणनीति बताता है जिससे सबसे बेहतरीन व्यक्ति को चुनने की संभावना सबसे ज़्यादा हो जाती है: पूल के शुरुआती हिस्से में सिर्फ़ निरीक्षण करें, और फिर उस पहले व्यक्ति के लिए हाँ कर दें जो अब तक देखे गए सभी लोगों से बेहतर हो।
इसे कैसे इस्तेमाल करें
उन लोगों की संख्या डालें जिनसे आप वास्तव में डेट करने की उम्मीद रखते हैं (यानी आपका पूल साइज़, \(n\))। कैलकुलेटर बताएगा कि शुरुआत में कितने लोगों को रिजेक्ट करना है। इस शुरुआती ग्रुप का इस्तेमाल सिर्फ़ अपने मानक तय करने के लिए करें — चाहे कोई कितना भी अच्छा क्यों न लगे, उससे कमिट न करें। कटऑफ के बाद, उस पहले व्यक्ति को हाँ कह दें जो आपके निरीक्षण वाले चरण के सभी लोगों से बेहतर हो।
फॉर्मूला समझें
सही कटऑफ है \(n \div e\), जहाँ \(e \approx 2.71828\) ऑयलर संख्या (Euler's number) है। चूँकि \(1/e \approx 0.3679\) होता है, इसलिए आप शुरुआती करीब 37% उम्मीदवारों का निरीक्षण करते हैं और उसके बाद चुनना शुरू करते हैं। यह नियम सबसे बेहतरीन विकल्प चुनने की संभावना लगभग 37% तक बना देता है — जैसे-जैसे पूल बड़ा होता है, यह अंदाज़े से चुनने की तुलना में कहीं ज़्यादा कारगर साबित होता है।
$$\text{Reject Count} = \operatorname{round}\!\left(\frac{\text{Pool Size}}{e}\right)$$
हल किया हुआ उदाहरण
मान लीजिए आप 10 लोगों के साथ डेट करने की योजना बनाते हैं। तब कटऑफ होगा \(10 \div 2.71828 \approx 3.68\), जो राउंड होकर बनता है 4। यानी आप शुरुआती 4 लोगों के साथ डेट करते हैं और विनम्रता से आगे बढ़ जाते हैं, पर उनमें से सबसे अच्छे को याद रखते हैं। पाँचवें व्यक्ति से आगे, आप उस पहले व्यक्ति से कमिट कर लेते हैं जो उन शुरुआती 4 लोगों से बेहतर निकले।
विभिन्न पूल आकारों के लिए अस्वीकार गणना
37% नियम कहता है कि लगभग \(n/e\) उम्मीदवारों को अस्वीकार करें (केवल देखें), जहाँ \(1/e \approx 0.3679\) है, और फिर उसके बाद आने वाले पहले ऐसे उम्मीदवार को चुनें जो अब तक देखे गए सभी से बेहतर हो। तालिका \(n/e\) को निकटतम पूर्ण संख्या तक गोल करती है।
| पूल आकार (n) | n / e | अस्वीकार गणना (देखना) | चुनने के लिए बचे उम्मीदवार | अवलोकन हिस्सा |
|---|---|---|---|---|
| 5 | 1.84 | 2 | 3 | 40% |
| 10 | 3.68 | 4 | 6 | 40% |
| 20 | 7.36 | 7 | 13 | 35% |
| 30 | 11.04 | 11 | 19 | 36.7% |
| 50 | 18.39 | 18 | 32 | 36% |
| 100 | 36.79 | 37 | 63 | 37% |
गोलाई के कारण, छोटे पूलों के लिए अवलोकन हिस्सा ठीक 36.8% नहीं है, लेकिन पूल बड़ा होने के साथ यह और करीब आता है।
छोटे पूलों के लिए सटीक सफलता संभावनाएँ
\(n\) उम्मीदवारों के पूल के लिए, यदि आप पहले \(r\) को अस्वीकार करते हैं और फिर पहले ऐसे उम्मीदवार को लेते हैं जो पहले के सभी से बेहतर हो, तो सबसे अच्छे एकल उम्मीदवार को पाने की संभावना है
$$P(n,r) = \frac{r}{n}\sum_{k=r+1}^{n}\frac{1}{k-1}$$
तालिका प्रत्येक \(n\) के लिए सर्वोत्तम \(r\) और परिणामी सटीक संभावना (गोल की हुई) दिखाती है।
| पूल आकार (n) | इष्टतम अस्वीकार गणना r | सफलता संभावना P |
|---|---|---|
| 2 | 1 (0 बराबरी) | 50.0% |
| 3 | 1 | 50.0% |
| 4 | 1 | 45.8% |
| 5 | 2 | 43.3% |
| 10 | 3 | 39.9% |
| 20 | 7 | 38.4% |
| 100 | 37 | 37.1% |
उदाहरण \(n=4,\ r=1\) के लिए: \(P = \frac{1}{4}\left(1 + \frac{1}{2} + \frac{1}{3}\right) = \frac{1}{4}\cdot 1.8333 \approx 0.458\)।
जैसे-जैसे \(n\) बढ़ता है, इष्टतम \(r/n\) \(1/e \approx 0.368\) की ओर पहुँचता है और प्राप्त होने वाली सर्वोत्तम सफलता संभावना भी ऊपर से \(1/e \approx 36.8\%\) की ओर अभिसरित होती है।
आपके परिणाम की व्याख्या
अस्वीकार गणना अवलोकन चरण की लंबाई है। इसके दौरान आप उम्मीदवारों को केवल यह समझने के लिए देखते हैं कि एक मज़बूत विकल्प कैसा दिखता है, और आप इनमें से किसी के लिए भी प्रतिबद्ध नहीं होते। इसके समाप्त होने के बाद, आप पहले ऐसे उम्मीदवार को चुनते हैं जो आपके देखे गए सभी उम्मीदवारों में सर्वश्रेष्ठ से बेहतर हो।
सर्वोत्तम चुनाव बनाम पर्याप्त रूप से अच्छा चुनाव। 37% नियम पूल में सबसे अच्छे एकल उम्मीदवार को चुनने की संभावना को अधिकतम करता है। यह संभावना लगभग 37% पर सीमित है, इसलिए यह रणनीति लगभग 63% समय में सर्वश्रेष्ठ को चुनने में विफल रहती है। कभी-कभी आपको कोई भी उम्मीदवार नहीं मिलता, यदि सर्वश्रेष्ठ उम्मीदवार अवलोकन चरण के दौरान ही आ गया हो। यदि आपका लक्ष्य एक पर्याप्त रूप से अच्छा चुनाव है, जैसे शीर्ष कुछ में से कोई, तो अन्य रोकने के नियम या सीमाएँ उपयोग की जाती हैं, और ये आमतौर पर स्वीकार्य परिणाम की कहीं अधिक संभावना देती हैं।
क्लासिक मॉडल की धारणाएँ:
- कुल पूल आकार \(n\) निश्चित और पहले से ज्ञात है।
- उम्मीदवारों को यादृच्छिक क्रम में, एक-एक करके देखा जाता है।
- आप प्रत्येक उम्मीदवार की तुलना पहले से देखे गए उम्मीदवारों से कर सकते हैं, बिना किसी बराबरी के।
- प्रत्येक निर्णय अंतिम है: आप किसी अस्वीकृत उम्मीदवार के पास वापस नहीं जा सकते, और स्वीकृत उम्मीदवार से खोज समाप्त हो जाती है।
- केवल सर्वश्रेष्ठ को पाना ही सफलता मानी जाती है।
वास्तविक स्थितियाँ शायद ही इन सभी को पूरा करती हैं, इसलिए परिणाम को एक गणितीय मॉडल (सचिव समस्या) का उदाहरण समझें, न कि संबंध संबंधी सलाह।
अक्सर पूछे जाने वाले सवाल
क्या इससे मुझे "मेरा सही जीवनसाथी" ज़रूर मिल जाएगा? नहीं। यह सबसे बेहतरीन उपलब्ध उम्मीदवार चुनने की संभावना को अधिकतम करता है, लेकिन वह संभावना करीब 37% ही रहती है — यह एक रणनीति है, गारंटी नहीं।
अगर निरीक्षण वाले चरण में ही कोई शानदार व्यक्ति मिल जाए तो? सख्त मॉडल कहता है कि उसे रिजेक्ट कर दें; वह सिर्फ़ आपका मापदंड तय करने का काम करता है। असल ज़िंदगी में इस नियम को एक सख्त कानून के बजाय मार्गदर्शन की तरह लें।
क्या जवाब हमेशा 37% ही होता है? सैंपलिंग का अनुपात (\(1/e \approx 37\%\)) तो स्थिर रहता है, लेकिन असल में कितने लोगों को रिजेक्ट करना है यह आपके पूल साइज़ \(n\) पर निर्भर करता है।