📊 statistics

Kolmogorov-Type Maximal Inequalities for Independent and Dependent Negative Binomial Random Variables: Sharp Bounds, Sub-Exponential Refinements, and Applications to Overdispersed Count Data

यह शोध पत्र स्वतंत्र और आश्रित निगेटिव बाइनोमियल (Negative Binomial) यादृच्छिक चरों के योग के लिए सटीक कोलमोगोरोव-प्रकार की मैक्सिमल असमानताओं और नवीन उप-घातांकीय (sub-exponential) परिष्करणों को स्थापित करता है, जो विश्लेषणात्मक सीमाओं, मोंटे कार्लो सत्यापन और कोविड-19 महामारी विज्ञान संबंधी अनुप्रयोग के माध्यम से अति-प्रकीर्णित (overdispersed) गणना डेटा को नियंत्रित करने में उनकी व्यावहारिक उपयोगिता को प्रदर्शित करता है।

मूल लेखक: Aristides V. Doumas, S. Spektor

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Aristides V. Doumas, S. Spektor

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक सार्वजनिक स्वास्थ्य अधिकारी हैं जो किसी खतरनाक बीमारी के प्रकोप को बहुत अधिक फैलने से पहले पहचानने की कोशिश कर रहे हैं। आपके पास हर हफ्ते 20 अलग-अलग शहरों से डेटा आ रहा है। आमतौर पर, प्रत्येक शहर में मामलों की संख्या में थोड़ा उतार-चढ़ाव होता है—कुछ सप्ताह शांत होते हैं, कुछ व्यस्त। यह सामान्य "शोर" (noise) है।

लेकिन कभी-कभी, क्या संख्याएँ एक साथ कई शहरों में अचानक बढ़ जाती हैं? क्या यह केवल यादृच्छिक शोर है, या यह एक वास्तविक महामारी की शुरुआत है?

यह शोध पत्र एक बेहतर अलार्म सिस्टम बनाने के बारे में है जो इन दोनों के बीच अंतर कर सके। यह उन्नत गणित का उपयोग यह पता लगाने के लिए करता है कि संख्याएँ संयोगवश कितनी ऊँची जा सकती हैं, इससे पहले कि आपको अलार्म बजाना चाहिए।

यहाँ बताया गया है कि लेखकों ने क्या किया, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "उछाल वाली" गिनती (The "Bouncy" Count)

अधिकांश लोग सोचते हैं कि चीजों को गिनना (जैसे बीमारी के मामले) एक अनुमानित पैटर्न का पालन करता है, जैसे कि सिक्का उछालना। लेकिन वास्तविक दुनिया में, गिनती "उछाल वाली" या "झटकों वाली" होती है।

उपमा: कल्पना करें कि आप एक छत पर गिरती बारिश की बूंदों को गिन रहे हैं। यदि यह हल्की बूंदाबांदी है, तो गिनती अनुमानित होती है। लेकिन यदि यह तेज हवाओं वाला तूफान है, तो बूंदें बड़े, अप्रत्याशित झटकों में आती हैं।
गणित: लेखक एक विशिष्ट सांख्यिकीय मॉडल का उपयोग करते हैं जिसे नेगेटिव बिनोमियल (Negative Binomial) वितरण कहा जाता है। इसे एक "सुपर-चार्ज्ड" काउंटिंग मॉडल के रूप में समझें जो इन जंगली, अप्रत्याशित झटकों (जिसे सांख्यिकीविद ओवरडिस्पर्शन/overdispersion कहते हैं) को ध्यान में रखता है।

2. पुराना अलार्म बनाम नया अलार्म

लेखक दो परिदृश्यों की तुलना करते हैं: स्वतंत्र (Independent) शहर और आश्रित (Dependent) शहर।

परिदृश्य A: स्वतंत्र शहर (The "Silent Room")

कल्पना करें कि एक कमरे में 20 लोग हैं, जिनमें से प्रत्येक अपना स्वयं का पासा (die) फेंक रहा है।

यदि एक व्यक्ति छह फेंकता है, तो यह दूसरों को प्रभावित नहीं करता है।
परिणाम: यदि आप उन सभी के अंकों को जोड़ते हैं, तो कुल योग अपेक्षाकृत स्थिर रहता है। यदि किसी का अंक उच्च आता है, तो किसी और का अंक कम हो सकता है, और वे एक-दूसरे को संतुलित कर देते हैं।
शोध पत्र का योगदान: लेखकों ने इन स्वतंत्र खिलाड़ियों के लिए अधिकतम संभव योग की गणना करने के लिए एक नया, अधिक सटीक नियम (एक "कोलमोगोरोव-प्रकार की असमानता" या Kolmogorov-type inequality) बनाया। यह निगरानी के लिए एक "सुरक्षित सीमा" निर्धारित करने में मदद करता है। यदि कुल संख्या इस सीमा से ऊपर जाती है, तो आप जानते हैं कि कुछ गलत है।

परिदृश्य B: आश्रित शहर (The "Shared Wind")

अब, कल्पना करें कि वही 20 लोग एक कमरे में हैं जहाँ एक विशाल, अदृश्य पंखा एक साथ उन सभी पर हवा फेंक रहा है।

उपमा: यह पंखा एक साझा कारक का प्रतिनिधित्व करता है, जैसे कि पूरे देश में फैलने वाला वायरस, या बीमा दावों को प्रभावित करने वाला एक बुरा आर्थिक वर्ष।
परिणाम: यदि पंखा जोर से चलता है (एक "गामा मिक्सिंग वेरिएबल" या Gamma mixing variable), तो हर कोई एक ही समय में उच्च संख्याएँ प्राप्त करेगा। वे एक-दूसरे को संतुलित नहीं करते; वे एक-दूसरे को बढ़ावा (amplify) देते हैं।
आश्चर्य: लेखकों ने पाया कि जब शहर इस "हवा" को साझा करते हैं, तो मामलों की कुल संख्या स्वतंत्र मामले की तुलना में अत्यधिक अधिक हो सकती है।
- शोध पत्र के वास्तविक आंकड़े: उनके सिमुलेशन में, "स्वतंत्र" समूह का औसत अधिकतम विचलन (max deviation) 18 था। "आश्रित" (साझा हवा) समूह का औसत अधिकतम विचलन 42 था। यह दोगुने से भी अधिक है!
खतरा: यदि आप "आश्रित" स्थिति के लिए "स्वतंत्र" अलार्म सेटिंग्स का उपयोग करते हैं, तो आपका अलार्म कभी नहीं बजेगा, भले ही एक बड़ा प्रकोप चल रहा हो, क्योंकि आप सोचते हैं कि संख्याएँ सामान्य हैं।

3. बड़ी सफलता: "एक्सपोनेंशियल" अलार्म (The "Exponential" Alarm)

"साझा हवा" वाले परिदृश्य के लिए, लेखकों ने केवल थोड़ा बेहतर नियम नहीं बनाया; उन्होंने पूरी तरह से एक नए प्रकार का सुरक्षा जाल बनाया।

पुराना तरीका (Polynomial Decay): कल्पना करें कि एक सुरक्षा जाल जो संख्याओं के बढ़ने के साथ बहुत धीरे-धीरे कमजोर होता जाता है। यदि आपको इसे 10 गुना सुरक्षित बनाना है, तो आपको जाल को 100 गुना बड़ा करना होगा। दुर्लभ, खतरनाक घटनाओं के लिए यह अव्यवहारिक है।
नया तरीका (Exponential Decay): लेखकों ने "हवा" (गामा मिक्सिंग के पीछे का गणित) की विशिष्ट संरचना का उपयोग करके एक ऐसा जाल बनाया जो एक्सपोनेंशियल (घातांकीय) रूप से मजबूत होता है।
- रूपक: यह एक मानक पैराशूट के बजाय एक हाई-टेक, खुद से फूलने वाले एयरबैग में स्विच करने जैसा है। समान सामग्री के लिए, यह आपको बहुत अधिक प्रभावी ढंग से पकड़ता है जब आप तेजी से गिर रहे हों।
- यह क्यों मायने रखता है: यह नया नियम (Theorem 4.3) अधिकारियों को बहुत सटीक, अधिक संवेदनशील अलार्म सेट करने की अनुमति देता है। वे गलत अलार्म बजाए बिना प्रकोपों का जल्दी पता लगा सकते हैं।

4. वास्तविक दुनिया का परीक्षण: COVID-19 का उदाहरण

लेखकों ने अपने गणित का परीक्षण COVID-19 महामारी के वास्तविक डेटा पर किया।

उन्होंने 12 हफ्तों में 5 विभिन्न क्षेत्रों में मामलों की गिनती देखी।
उन्होंने अपने नए सूत्रों का उपयोग करके "सुरक्षित सीमा" की गणना की।
परिणाम: उनके गणित ने भविष्यवाणी की कि संख्याएँ केवल संयोगवश लगभग 6,370 मामलों तक ऊपर-नीचे हो सकती हैं। जब उन्होंने कंप्यूटर सिमुलेशन (महामारी के वीडियो गेम की तरह) चलाए, तो वास्तविक उतार-चढ़ाव आमतौर पर 3,018 के आसपास थे।
निष्कर्ष: उनका अलार्म सिस्टम "रूढ़िवादी" (सुरक्षित) था। इसने काफी जगह (wiggle room) छोड़ी, जिससे यह सुनिश्चित हुआ कि यदि अलार्म बजा, तो वह एक वास्तविक आपात स्थिति थी, न कि केवल एक तकनीकी खराबी।

सारांश: यह क्यों मायने रखता है

यह शोध पत्र उन सभी के लिए एक टूलकिट है जो साझा जोखिमों वाली गणना (count data) से निपट रहे हैं (जैसे बीमारी, बीमा दावे, या वेबसाइट ट्रैफ़िक)।

यह सिद्ध करता है कि जब चीजें एक सामान्य कारण (जैसे वायरस) को साझा करती हैं, तो अराजकता (chaos) अकेले काम करने की तुलना में बहुत अधिक होती है।
यह एक नया, अधिक सटीक गणितीय सूत्र प्रदान करता है कि अराजकता की कितनी उम्मीद की जानी चाहिए।
यह एक "सुपर-अलार्म" प्रदान करता है जो साझा जोखिम की विशिष्ट प्रकृति का उपयोग करके पुराने तरीकों की तुलना में समस्याओं का बहुत तेज़ी से और अधिक सटीकता से पता लगाता है।

संक्षेप में: यदि आप एक ऐसी प्रणाली की निगरानी कर रहे हैं जहाँ एक एकल घटना एक साथ सभी को प्रभावित कर सकती है, तो पुराने नियमों का उपयोग न करें। इन नए नियमों का उपयोग करें, अन्यथा आप तूफान आने तक उसे पहचान नहीं पाएंगे।

यहाँ डौमस और स्पेकटोर के शोध पत्र "Kolmogorov-Type Maximal Inequalities for Independent and Dependent Negative Binomial Random Variables" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र शास्त्रीय संभाव्यता सिद्धांत (classical probability theory) में एक अंतराल को संबोधित करता है, जो विशेष रूप से ओवरडिस्पर्सड काउंट डेटा (overdispersed count data) पर मैक्सिमल इनइक्वालिटीज (maximal inequalities) के अनुप्रयोग के संबंध में है, जिसे नेगेटिव बाइनोमियल (NB) वितरण द्वारा मॉडल किया गया है।

चुनौती: शास्त्रीय कोलमोगोरोव मैक्सिमल इनइक्वालिटीज के लिए परिमित विचरण (finite variance) और स्वतंत्रता (independence) की आवश्यकता होती है। हालाँकि, NB चर निम्नलिखित प्रदर्शित करते हैं:
1. क्वाड्रेटिक वेरियंस ग्रोथ (Quadratic Variance Growth): विचरण, माध्य के साथ द्विघाती रूप से बढ़ता है ( $Var(X) = \mu + \kappa\mu^2$ ), जो मानक सीमाओं (standard bounds) को जटिल बना देता है।
2. प्रतिबंधित मोमेंट जनरेटिंग फंक्शन्स (MGF): NB के MGF का डोमेन सीमित है, जिसके लिए चेर्नॉफ-प्रकार के तर्कों के लिए सावधानीपूर्वक अनुकूलन (optimization) की आवश्यकता होती है।
3. डिपेंडेंस स्ट्रक्चर (Dependence Structures): वास्तविक दुनिया के अनुप्रयोग (महामारी विज्ञान, बीमा, पारिस्थितिकी) में अक्सर साझा गुप्त कारकों (जैसे, सामान्य संक्रमण दबाव या मैक्रोइकॉनोमिक जोखिम) से उत्पन्न आश्रित (dependent) NB चर शामिल होते हैं। शास्त्रीय इनइक्वालिटीज यहाँ विफल हो जाती हैं क्योंकि वे स्वतंत्रता या नकारात्मक निर्भरता मानती हैं, जबकि NB मिश्रण अक्सर सकारात्मक सहसंबंध (positive correlation) प्रदर्शित करते हैं।
लक्ष्य: स्वतंत्र और आश्रित (पॉइसन-गामा मिश्रण) दोनों सेटिंग्स में NB चरों के योग के लिए तीक्ष्ण (sharp), स्पष्ट मैक्सिमल इनइक्वालिटीज प्राप्त करना, जो सांख्यिकीय निगरानी (जैसे, प्रकोप का पता लगाना) के लिए कठोर नियंत्रण सीमाएँ प्रदान कर सकें।

2. कार्यप्रणाली (Methodology)

लेखक शास्त्रीय संभाव्यता तकनीकों के संयोजन का उपयोग करते हैं, जिन्हें नेगेटिव बाइनोमियल वितरण और पॉइसन-गामा पदानुक्रमित (hierarchical) मॉडल की विशिष्ट संरचना के अनुकूल बनाया गया है।

A. स्वतंत्र मामला (Independent Case - खंड 2–3)

मार्कोव-प्रकार की इनइक्वालिटी (Markov-Type Inequality): लेखक स्वतंत्र, विषम (heterogeneous) NB चरों के नमूना माध्य (sample mean) के लिए एक तीक्ष्ण विचलन इनइक्वालिटी प्राप्त करते हैं। वे NB MGF के प्रतिबंधित सपोर्ट को संभालने के लिए एक विशिष्ट डोमेन पर एक्सपोनेंशियल मोमेंट-जनरेटिंग फंक्शन को अनुकूलित करते हैं।
कोलमोगोरोव-प्रकार का बाउंड (Kolmogorov-Type Bound): वे NB संदर्भ में शास्त्रीय कोलमोगोरोव इनइक्वालिटी को अनुकूलित करते हैं। महत्वपूर्ण रूप से, वे सीमाओं को ट्वीडी-NB2 मापदंडों ( $\mu$ और $\kappa$ ) के रूप में व्यक्त करते हैं, जहाँ $Var(X_i) = \mu_i + \kappa_i \mu_i^2$ । यह GLM निगरानी में प्रत्यक्ष अनुप्रयोग की अनुमति देता है।

B. आश्रित मामला (Dependent Case - खंड 4)

मॉडल: आश्रित संरचना को एक पॉइसन-गामा मिश्रण (Poisson-Gamma mixture) के रूप में मॉडल किया गया है:
- $\Lambda \sim \text{Gamma}(\alpha, \beta)$ (साझा गुप्त चर)।
- $X_i | \Lambda \sim \text{Poisson}(\Lambda \theta_i)$ ।
- मार्जिनली, $X_i \sim \text{NB}$ ।
विघटन रणनीति (Decomposition Strategy): आंशिक योग विचलन $S_k$ $S_{k}$ को दो घटकों में विभाजित किया जाता है:
1. सशर्त पॉइसन घटक ( $Y_i$ ): एक निश्चित $\Lambda$ के दिए गए होने पर उतार-चढ़ाव। ये स्वतंत्र हैं और सब-गाऊसी/सब-एक्सपोनेंशियल गुणों को संतुष्ट करते हैं।
2. गामा मिक्सिंग घटक ( $W_i$ ): $\Lambda$ की यादृच्छिकता के कारण होने वाले उतार-चढ़ाव। यह घटक सभी $X_i$ के लिए सामान्य है और निर्भरता को संचालित करता है।
सब-एक्सपोनेंशियल रिफाइनमेंट (Sub-Exponential Refinement): चेबीशेव की इनइक्वालिटी (जो बहुपद क्षय/polynomial decay देती है) का उपयोग करने के बजाय, लेखक गामा वितरण की सब-एक्सपोनेंशियल प्रकृति और पॉइसन वितरण के बर्नस्टीन कंडीशन (Bernstein condition) का लाभ उठाकर एक्सपोनेंशियल क्षय (exponential decay) वाले बाउंड प्राप्त करते हैं।

3. प्रमुख योगदान (Key Contributions)

योगदान 1: स्वतंत्र NB बाउंड्स

स्पष्ट नियंत्रण सीमाएँ (Explicit Control Limits): विषम NB चरों के लिए एक कोलमोगोरोव-प्रकार का बाउंड प्राप्त किया जो $\lambda_\alpha = \sqrt{V_n/\alpha}$ के रूप में व्यक्त है, जहाँ $V_n = \sum (\mu_i + \kappa_i \mu_i^2)$ । यह GLM निगरानी के लिए एक कठोर, डेटा-संचालित थ्रेशोल्ड प्रदान करता है।
नवीनता: हालांकि यह शास्त्रीय चेर्नॉफ/कोलमोगोरोव तर्क पर आधारित है, ट्वीडी-NB2 मापदंडों के साथ इसका स्पष्ट मानचित्रण (mapping) नया है और निगरानी अभ्यास में सीधे लागू करने योग्य है।

योगदान 2: आश्रित NB बाउंड्स (सैद्धांतिक सफलता)

थ्योरम 4.3 (Sub-Exponential Bernstein Bound): यह इस शोध पत्र का प्राथमिक सैद्धांतिक नवाचार है। यह आश्रित NB चरों के अधिकतम विचलन के लिए एक बाउंड स्थापित करता है जो एक्सपोनेंशियल रूप से ( $e^{-c\lambda}$ ) घटता है, न कि बहुपद रूप से ( $e^{-c\lambda^2}$ या $\lambda^{-2}$ )।
पदानुक्रमित विघटन (Hierarchical Decomposition): बाउंड टेल प्रोबेबिलिटी को एक सशर्त पॉइसन भाग और एक गामा मिक्सिंग भाग में अलग करता है। पॉइसन-गामा संरचना का यह विशिष्ट उपयोग मौजूदा साहित्य में अनुपस्थित है।

योगदान 3: अनुभवजन्य और विश्लेषणात्मक तुलना

मोमेंट-मैच्ड प्रयोग: लेखकों ने समान मार्जिनल मीन और वेरियंस वाले स्वतंत्र बनाम आश्रित मामलों की तुलना करने के लिए मोंटे कार्लो सिमुलेशन ( $n=20$ , 2,000 पुनरावृत्ति) किए।
एम्प्लीफिकेशन (प्रवर्धन) का विश्लेषणात्मक प्रमाण: उन्होंने सिद्ध किया (प्रपोजिशन 5.1) कि साझा मिक्सिंग चर $\Lambda$ अधिकतम विचलन को प्रवर्धित (amplify) करता है। $\Lambda$ का एक बड़ा ड्रॉ सभी घटकों को एक साथ बढ़ा देता है, जिससे उन उतार-चढ़ावों को रोकने में असमर्थ होता है जो स्वतंत्र योगों में होते हैं।

4. मुख्य परिणाम (Key Results)

सैद्धांतिक परिणाम

स्वतंत्र मामला: बाउंड रूढ़िवादी (conservative) है लेकिन वैध है, जो ट्वीडी वेरियंस के योग के साथ स्केल करता है।
आश्रित मामला:
- बुनियादी कोलमोगोरोव बाउंड (थ्योरम 4.1) $O(\lambda^{-2})$ के रूप में घटता है।
- बर्नस्टीन-प्रकार का रिफाइनमेंट (थ्योरम 4.3) एक्सपोनेंशियल क्षय प्राप्त करता है। सब-गाऊसी शासन (छोटे $\lambda$ ) में, यह $e^{-\lambda^2}$ की तरह व्यवहार करता है; सब-एक्सपोनेंशियल शासन (बड़े $\lambda$ ) में, यह $e^{-\lambda}$ की तरह व्यवहार करता है।
- यह रिफाइनमेंट दुर्लभ-घटना निगरानी (जैसे, प्रकोप का पता लगाना) में नियंत्रण सीमाओं को काफी संकीर्ण बनाने की अनुमति देता है (बहुपद बाउंड की तुलना में 95% थ्रेशोल्ड को ~30% कम करके)।

अनुभवजन्य परिणाम (सिमुलेशन)

एम्प्लीफिकेशन प्रभाव: समान मार्जिनल मोमेंट्स के बावजूद, आश्रित मामले ने काफी बड़े अधिकतम विचलन उत्पन्न किए:
- औसत विचलन (Mean Deviation): स्वतंत्र $\approx 18$ बनाम आश्रित $\approx 42$ (+138%)।
- 95वाँ पर्सेंटाइल: स्वतंत्र $\approx 33$ बनाम आश्रित $\approx 101$ (+206%)।
सहसंबंध: मिक्सिंग चर $\Lambda$ और अधिकतम विचलन के बीच एक मजबूत सकारात्मक सहसंबंध ( $r=0.433$ ) देखा गया, जो प्रवर्धन तंत्र की पुष्टि करता है।

अनुप्रयोग: COVID-19 निगरानी

लेखकों ने मल्टी-रीजनल COVID-19 डेटासेट (5 क्षेत्र, 12 सप्ताह) पर स्वतंत्र बाउंड लागू किया।
परिणाम: अनुभवजन्य 95वें पर्सेंटाइल ( $\approx 3,018$ ) की तुलना में सैद्धांतिक कोलमोगोरोव बाउंड ( $\lambda_{0.05} \approx 6,370$ ) रूढ़िवादी था, जिससे बाउंड दक्षता 47% प्राप्त हुई।
निहितार्थ: बाउंड अलर्ट थ्रेशोल्ड सेट करने के लिए वैध और सुरक्षित है, हालांकि मध्यम सैंपल साइज के लिए यह रूढ़िवादी हो सकता है। साझा गुप्त जोखिमों (जैसे, राष्ट्रीय लहरों) के संदिग्ध परिदृश्यों के लिए थ्योरम 4.3 (डिपेंडेंट रिफाइनमेंट) का सुझाव दिया गया है।

5. महत्व (Significance)

सैद्धांतिक प्रगति: यह कार्य शास्त्रीय मैक्सिमल इनइक्वालिटीज और आधुनिक ओवरडिस्पर्सड काउंट डेटा के बीच के अंतर को पाटता है। यह विशेष रूप से पॉइसन-गामा मिश्रणों के लिए पहले सब-एक्सपोनेंशियल बर्नस्टीन-प्रकार के बाउंड प्रदान करता है, जो सार्वजनिक स्वास्थ्य और बीमा में सर्वव्यापी है।
व्यावहारिक उपयोगिता: व्युत्पन्न नियंत्रण सीमाएं सार्वजनिक स्वास्थ्य एजेंसियों और बीमाकर्ताओं को उन एसिम्प्टोटिक सन्निकटन (asymptotic approximations) पर निर्भर किए बिना, जो छोटे $n$ या उच्च ओवरडिस्पर्शन के लिए विफल हो सकते हैं, विसंगतियों (प्रकोप, क्लेम स्पाइक्स) का पता लगाने के लिए कठोर, डेटा-संचालित थ्रेशोल्ड सेट करने की अनुमति देती है।
निर्भरता पर अंतर्दृष्टि: यह शोध पत्र इस सहज धारणा को चुनौती देता है कि मिक्सिंग डेटा को "स्थिर" (stabilize) कर सकती है। इसके बजाय, यह गणितीय और अनुभवजन्य रूप से प्रदर्शित करता है कि NB मॉडल में साझा गुप्त कारक चरम विचलन को प्रवर्धित करते हैं, जिससे निगरानी प्रणालियों में 'फॉल्स नेगेटिव' से बचने के लिए व्यापक (या एक्सपोनेंशियल रूप से रिफाइंड) नियंत्रण सीमाओं की आवश्यकता होती है।