వెన్ రేఖాచిత్రం అంటే ఏమిటి?
వెన్ రేఖాచిత్రం అనేది ఒక దృష్టాంతం, ఇది విషయాల మధ్య సంబంధాలను లేదా విషయాల యొక్క పరిమిత సమూహాలను చూపించడానికి వృత్తాలను ఉపయోగిస్తుంది. అతివ్యాప్తి చెందుతున్న సర్కిల్‌లు ఒక సాధారణతను కలిగి ఉంటాయి, అయితే అతివ్యాప్తి చెందని సర్కిల్‌లు ఆ లక్షణాలను పంచుకోవు.
రెండు భావనల మధ్య సారూప్యతలు మరియు తేడాలను దృశ్యపరంగా సూచించడానికి వెన్ రేఖాచిత్రాలు సహాయపడతాయి. విద్యా సాధనంగా వారి ఉపయోగం కోసం వారు చాలాకాలంగా గుర్తించబడ్డారు. 20 వ శతాబ్దం మధ్యకాలం నుండి, వెన్ రేఖాచిత్రాలు పరిచయ తర్కం పాఠ్యాంశాల్లో భాగంగా మరియు ప్రపంచవ్యాప్తంగా ప్రాథమిక స్థాయి విద్యా ప్రణాళికలలో ఉపయోగించబడ్డాయి.
కీ టేకావేస్
- ఒక వెన్ రేఖాచిత్రం విషయాలు లేదా సమూహాల మధ్య ఉన్న సామాన్యతలను మరియు తేడాలను చూపించడానికి అతివ్యాప్తి చెందుతున్న లేదా అతివ్యాప్తి చెందని వృత్తాలను ఉపయోగిస్తుంది. సాధారణమైనవి ఉన్నవి అతివ్యాప్తి చెందుతున్న వృత్తాలుగా చూపించబడతాయి, అయితే విభిన్నమైనవి ఒంటరిగా ఉంటాయి. వెన్ రేఖాచిత్రాలు ఇప్పుడు దృష్టాంతాలుగా ఉపయోగించబడతాయి వ్యాపారం మరియు అనేక విద్యా రంగాలలో.
వెన్ రేఖాచిత్రాన్ని అర్థం చేసుకోవడం
ఆంగ్ల తర్క శాస్త్రవేత్త జాన్ వెన్ 1880 లలో రేఖాచిత్రాన్ని ప్రాచుర్యం పొందాడు. 1700 లలో ఇలాంటి రేఖాచిత్రాలను సృష్టించిన స్విస్ గణిత శాస్త్రజ్ఞుడు లియోనార్డ్ ఐలర్ తరువాత అతను వారిని యులేరియన్ సర్కిల్స్ అని పిలిచాడు.
అమెరికన్ అకాడెమిక్ తత్వవేత్త మరియు సంభావిత వ్యావహారికసత్తావాదం యొక్క స్థాపకుడు క్లారెన్స్ లూయిస్ తన వృత్తాకార వర్ణనను వెన్ రేఖాచిత్రంగా తన పుస్తకం ఎ సర్వే ఆఫ్ సింబాలిక్ లాజిక్లో ప్రస్తావించే వరకు వెన్ రేఖాచిత్రం అనే పదం 1918 వరకు కనిపించలేదు .
20 వ శతాబ్దం మధ్యకాలం నుండి ప్రాథమిక పాఠశాల స్థాయి నుండి పరిచయ తర్కం వరకు తరగతి గదులలో వెన్ రేఖాచిత్రాలు ఉపయోగించబడ్డాయి.
కేంబ్రిడ్జ్ విశ్వవిద్యాలయంలో వెన్ తర్కం మరియు సంభావ్యత సిద్ధాంతాన్ని అధ్యయనం చేశాడు మరియు బోధించాడు, అక్కడ అతను సెట్ థియరీ అని పిలువబడే గణితశాస్త్ర విభాగాన్ని వివరించడానికి రేఖాచిత్రాలను ఉపయోగించే పద్ధతిని అభివృద్ధి చేశాడు.
వెన్ ఒక పూర్వ-సెట్టింగ్ పనిని ప్రచురించాడు, ది లాజిక్ ఆఫ్ ఛాన్స్ , ఇది సంభావ్యత యొక్క ఫ్రీక్వెన్సీ సిద్ధాంతాన్ని వివరించింది. అందులో, జనాదరణ పొందిన umption హకు విరుద్ధంగా సంభావ్యత, ఏదైనా సంభవిస్తుందని is హించిన క్రమబద్ధత ఆధారంగా స్థాపించబడాలని ఆయన వాదించారు.
మరొక పుస్తకంలో, సింబాలిక్ లాజిక్, అతను బీజగణితంపై గణిత శాస్త్రజ్ఞుడు జార్జ్ బూలే సిద్ధాంతాలను నిర్మించి అభివృద్ధి చేశారు. ఈ పని అతనికి వెన్ రేఖాచిత్రాన్ని అభివృద్ధి చేయడంలో సహాయపడింది.
వెన్ రేఖాచిత్రాల కోసం దరఖాస్తులు
మొత్తం నేపథ్యం, విశ్వం, డేటా సమితి లేదా పర్యావరణానికి వ్యతిరేకంగా అంశాలు ఒకదానితో ఒకటి ఎలా సంబంధం కలిగి ఉన్నాయో వివరించడానికి వెన్ రేఖాచిత్రాలు ఉపయోగించబడతాయి. రెండు కంపెనీలు అందించే ఉత్పత్తులను (సర్కిల్‌లు అతివ్యాప్తి చెందుతున్న చోట) మరియు ప్రతి కంపెనీకి (బాహ్య వృత్తాలు) ప్రత్యేకమైన ఉత్పత్తులను వివరించడం ద్వారా ఒకే పరిశ్రమలోని రెండు సంస్థలను పోల్చడానికి ఒక వెన్ రేఖాచిత్రం ఉపయోగించబడుతుంది.
- వెన్ రేఖాచిత్రాలు, ప్రాథమిక స్థాయిలో, రెండు సమితుల మధ్య ఉన్న సంబంధం యొక్క సరళమైన చిత్ర ప్రాతినిధ్యాలు. అయితే, అవి చాలా క్లిష్టంగా ఉంటాయి. అయినప్పటికీ, భావనలు మరియు సమూహాలను వివరించడానికి వెన్ రేఖాచిత్రం యొక్క క్రమబద్ధమైన ఉద్దేశ్యం గణాంకాలు, భాషాశాస్త్రం, తర్కం, విద్య, కంప్యూటర్ సైన్స్ మరియు వ్యాపారంతో సహా అనేక రంగాలలో వారి ప్రజాదరణ పొందిన ఉపయోగానికి దారితీసింది.
వెన్ రేఖాచిత్రాల ఉదాహరణలు
ఎరుపు లేదా నారింజ రంగులలో వచ్చే పండ్లను వివరించడానికి వెన్ రేఖాచిత్రం గీయవచ్చు. క్రింద, పెర్సిమోన్స్ మరియు టాన్జేరిన్స్ వంటి నారింజ పండ్లు (సర్కిల్ B) ఉన్నాయని మనం చూడవచ్చు, ఆపిల్ల మరియు చెర్రీస్ (సర్కిల్ A) ఎరుపు రంగులలో వస్తాయి. మిరియాలు మరియు టమోటాలు ఎరుపు మరియు నారింజ రంగులలో వస్తాయి, రెండు వృత్తాల యొక్క అతివ్యాప్తి ప్రాంతం ద్వారా ప్రాతినిధ్యం వహిస్తుంది.
చిత్రం జూలీ బ్యాంగ్ © ఇన్వెస్టోపీడియా 2020
రెండు కార్లలో ఏది కొనాలనేది నిర్ణయించడంలో మీకు సహాయపడటానికి మీరు వెన్ రేఖాచిత్రాన్ని కూడా గీయవచ్చు. వెన్ రేఖాచిత్రం ప్రతి కారుకు ప్రత్యేకమైన లక్షణాలను మరియు రెండు కార్లను కలిగి ఉన్న లక్షణాలను చూపిస్తుంది.
క్రింద, కార్ ఎ అనేది గ్యాసోలిన్తో నడిచే సెడాన్ మరియు గాలన్కు 20 మైళ్ళు పొందుతుంది, కార్ బి ఒక హైబ్రిడ్ అయితే, మైలేజ్ కోసం 40 మైళ్ళకు గాలన్ పొందుతుంది మరియు ఇది హ్యాచ్బ్యాక్.
చిత్రం జూలీ బ్యాంగ్ © ఇన్వెస్టోపీడియా 2020
రెండు వృత్తాలు అతివ్యాప్తి చెందుతున్న షేడెడ్ ప్రాంతం రెండు కార్లు ఉమ్మడిగా ఉన్న లక్షణాలను చూపుతాయి, వీటిలో రేడియో, 4 తలుపులు, బ్లూటూత్ సామర్ధ్యం మరియు ఎయిర్‌బ్యాగులు ఉన్నాయి.
వెన్ రేఖాచిత్రం రెండు కార్ల మధ్య సారూప్యతలను మరియు తేడాలను గ్రాఫిక్‌గా తెలియజేస్తుంది.
