ਬੇਜ਼ੀਅਨ ਸਾਈਕਲ ਮਾਡਲਿੰਗ ਦੀ ਵਿਆਖਿਆ: ਅਸੀਂ ਤਾਰੀਖ਼ ਨਹੀਂ, ਸਿਗਮਾ ਕਿਉਂ ਦਿਖਾਉਂਦੇ ਹਾਂ

ਬਹੁਤੀਆਂ ਸਾਈਕਲ ਐਪਾਂ ਤੁਹਾਨੂੰ ਇੱਕ ਭਰੋਸੇ-ਭਰੀ ਤਾਰੀਖ਼ ਦਿਖਾਉਂਦੀਆਂ ਹਨ। "ਪੀਰੀਅਡ: ਮਾਰਚ 14।" ਇਹ ਇੱਕ ਤੱਥ ਵਾਂਗ ਲੱਗਦਾ ਹੈ। ਪਰ ਇਹ ਇੱਕ UX ਚੋਣ ਹੈ ਜੋ ਇੱਕੋ ਨੰਬਰ ਪਿੱਛੇ ਇੱਕ ਸੰਭਾਵਨਾ ਵੰਡ (probability distribution) ਨੂੰ ਲੁਕਾ ਦਿੰਦੀ ਹੈ। ਬੇਜ਼ੀਅਨ ਸਾਈਕਲ ਮਾਡਲਿੰਗ ਉਹੀ ਗਣਿਤ ਕਰਦੀ ਹੈ, ਪਰ ਤੁਹਾਨੂੰ ਪੂਰਾ ਫੈਲਾਅ ਦਿਖਾਉਂਦੀ ਹੈ।

ਇਹ ਪੋਸਟ ਦੱਸਦੀ ਹੈ ਕਿ ਇਹ ਗਣਿਤ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ, Soulwise ਨਿਸ਼ਚਿਤਤਾ ਦਾ ਦਿਖਾਵਾ ਕਰਨ ਦੀ ਬਜਾਏ ਸਿਗਮਾ ਕਿਉਂ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ, ਅਤੇ ਰੋਜ਼ਾਨਾ UI ਵਿੱਚ ਇਹ ਕਿਹੋ ਜਿਹਾ ਦਿਸਦਾ ਹੈ।

ਯਾਦ ਰੱਖਣ ਵਾਲੀਆਂ ਗੱਲਾਂ

• ਬੇਜ਼ੀਅਨ ਸਾਈਕਲ ਮਾਡਲਿੰਗ ਇੱਕ ਗੌਸੀਅਨ ਪ੍ਰਾਇਰ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਜੋ ਆਮ ਮਾਹਵਾਰੀ ਚੱਕਰ ਦੀ ਲੰਬਾਈ ਦੱਸਦਾ ਹੈ (Soulwise mu=28, sigma=5 ਵਰਤਦਾ ਹੈ), ਅਤੇ ਹਰ ਨਵੇਂ ਦਰਜ ਕੀਤੇ ਚੱਕਰ ਨਾਲ ਇਸ ਪ੍ਰਾਇਰ ਨੂੰ ਇੱਕ ਕਨਜੁਗੇਟ ਅੱਪਡੇਟ ਰਾਹੀਂ ਤਾਜ਼ਾ ਕਰਦੀ ਹੈ।
• ਨਤੀਜਾ ਇੱਕ ਇਕੱਲੀ ਤਾਰੀਖ਼ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਸੰਭਾਵਨਾ ਵੰਡ ਹੁੰਦਾ ਹੈ।
• Soulwise ਇਸਨੂੰ ਇੱਕ ਸੰਭਾਵਿਤ ਰੇਂਜ ਦੇ ਨਾਲ ਤਿੰਨ ਭਰੋਸਾ ਲੇਬਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ: "ਸੰਭਾਵਿਤ ਸੰਬੰਧ," "ਕਮਜ਼ੋਰ ਸੰਕੇਤ," ਜਾਂ "ਲੋੜੀਂਦਾ ਡੇਟਾ ਨਹੀਂ।" Sigma ਉਪਭੋਗਤਾ ਨੂੰ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ, ਲੁਕਾਇਆ ਨਹੀਂ ਜਾਂਦਾ।
• ਇਹ ਮਾਡਲ ਪੈਟਰਨ ਟ੍ਰੈਕਿੰਗ ਲਈ ਹੈ, ਪਰਿਵਾਰ ਨਿਯੋਜਨ ਜਾਂ ਗਰਭ-ਨਿਰੋਧ ਲਈ ਨਹੀਂ।

ਇੱਥੇ "Bayesian" ਦਾ ਅਸਲ ਮਤਲਬ ਕੀ ਹੈ

Bayesian ਅਨੁਮਾਨ ਦੋ ਚੀਜ਼ਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ:

• ਇੱਕ prior: ਇਸ ਖ਼ਾਸ ਯੂਜ਼ਰ ਦਾ ਡੇਟਾ ਮਿਲਣ ਤੋਂ ਪਹਿਲਾਂ ਚੱਕਰ ਦੀ ਲੰਬਾਈ ਬਾਰੇ ਤੁਹਾਡਾ ਸ਼ੁਰੂਆਤੀ ਅੰਦਾਜ਼ਾ।
• ਇੱਕ likelihood: ਹਰ ਨਵੇਂ ਦਰਜ ਕੀਤੇ ਚੱਕਰ ਤੋਂ ਤੁਹਾਨੂੰ ਕੀ ਪਤਾ ਲੱਗਦਾ ਹੈ।

ਇਨ੍ਹਾਂ ਨੂੰ ਗੁਣਾ ਕਰੋ, normalize ਕਰੋ, ਅਤੇ ਤੁਹਾਨੂੰ ਮਿਲਦਾ ਹੈ ਇੱਕ posterior: ਤੁਹਾਡਾ ਅੱਪਡੇਟ ਕੀਤਾ ਅੰਦਾਜ਼ਾ। ਉਹੀ posterior ਅਗਲੇ ਚੱਕਰ ਲਈ prior ਬਣ ਜਾਂਦਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਹੋਰ ਚੱਕਰ ਆਉਂਦੇ ਹਨ, ਮਾਡਲ ਹੋਰ ਤਿੱਖਾ ਹੁੰਦਾ ਜਾਂਦਾ ਹੈ।

Soulwise ਇੱਕ Gaussian prior ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ ਜੋ mu = 28 ਦਿਨਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ ਅਤੇ ਜਿਸ ਦਾ ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ sigma = 5 ਦਿਨ ਹੈ। ਇਹ ਵੱਡੀ ਆਬਾਦੀ ਵਿੱਚ ਚੱਕਰ ਦੀ ਲੰਬਾਈ ਦੀ ਮੋਟੀ-ਮੋਟੀ ਸ਼ਕਲ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤੁਹਾਡੇ ਆਪਣੇ ਚੱਕਰ ਦਰਜ ਹੁੰਦੇ ਹਨ, ਮਾਡਲ ਕੇਂਦਰ ਨੂੰ ਤੁਹਾਡੇ ਨਿੱਜੀ ਔਸਤ ਵੱਲ ਖਿਸਕਾਉਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦੇ ਆਧਾਰ 'ਤੇ sigma ਨੂੰ ਕੱਸਦਾ (ਜਾਂ ਢਿੱਲਾ ਕਰਦਾ) ਹੈ।

ਸੰਯੁਕਤ ਅੱਪਡੇਟ, ਇੱਕ ਪੈਰੇ ਵਿੱਚ

ਇੱਕ ਗਾਊਸੀਅਨ ਪ੍ਰਾਇਰ ਅਤੇ ਗਾਊਸੀਅਨ ਲਾਈਕਲੀਹੁੱਡ ਲਈ, ਗਣਿਤ ਸੋਹਣੇ ਢੰਗ ਨਾਲ ਸਰਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਜੇ ਤੁਹਾਡਾ ਪ੍ਰਾਇਰ ਕਹਿੰਦਾ ਹੈ cycle ~ N(mu_0, sigma_0) ਅਤੇ ਤੁਸੀਂ ਚੱਕਰ x_1, x_2, ..., x_n ਵੇਖਦੇ ਹੋ, ਤਾਂ ਪੋਸਟੀਰੀਅਰ ਵੀ ਗਾਊਸੀਅਨ ਹੁੰਦਾ ਹੈ:

posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2)
posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2))

ਮਤਲਬ: ਤੁਸੀਂ ਜਿੰਨੇ ਜ਼ਿਆਦਾ ਚੱਕਰ ਲੌਗ ਕਰਦੇ ਹੋ, ਪ੍ਰਾਇਰ ਦਾ ਮਹੱਤਵ ਓਨਾ ਘੱਟ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡਾ ਨਿੱਜੀ ਡਾਟਾ ਓਨਾ ਹੀ ਹਾਵੀ ਹੁੰਦਾ ਜਾਂਦਾ ਹੈ। ਲਗਭਗ 3 ਲੌਗ ਕੀਤੇ ਚੱਕਰਾਂ ਤੋਂ ਬਾਅਦ, ਆਬਾਦੀ ਦਾ ਪ੍ਰਾਇਰ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਯੋਗਦਾਨ ਹੀ ਰਹਿ ਜਾਂਦਾ ਹੈ; ਲਗਭਗ 10, ਤੋਂ ਬਾਅਦ ਇਹ ਸਿਰਫ਼ ਸ਼ੋਰ ਬਣ ਜਾਂਦਾ ਹੈ।

ਵਰਤੋਂਕਾਰ ਨੂੰ ਕੀ ਦਿਖਦਾ ਹੈ

ਪੋਸਟੀਰੀਅਰ ਇੱਕ ਵਕਰ (curve) ਹੁੰਦਾ ਹੈ। UI ਕਿਸੇ ਨੋਟੀਫ਼ਿਕੇਸ਼ਨ ਵਿੱਚ ਵਕਰ ਨਹੀਂ ਦਿਖਾ ਸਕਦਾ। ਇਸ ਲਈ Soulwise ਇਸਨੂੰ ਦੋ ਚੀਜ਼ਾਂ ਵਿੱਚ ਸਮੇਟ ਦਿੰਦਾ ਹੈ:

• ਇੱਕ ਸੰਭਾਵੀ ਰੇਂਜ। ਉਹ ਵਿੰਡੋ ਜਿੱਥੇ ਪੋਸਟੀਰੀਅਰ ਆਪਣਾ ਜ਼ਿਆਦਾਤਰ ਭਾਰ ਰੱਖਦਾ ਹੈ (ਜਿਵੇਂ, ਕੇਂਦਰੀ 68% ਅੰਤਰਾਲ, ਮੋਟੇ ਤੌਰ 'ਤੇ +/- 1 ਸਿਗਮਾ)।
• ਇੱਕ ਭਰੋਸੇ ਦਾ ਲੇਬਲ। ਤਿੰਨ ਸਾਦੇ-ਪੰਜਾਬੀ ਟੈਗਾਂ ਵਿੱਚੋਂ ਇੱਕ:
  • "ਸੰਭਾਵੀ ਸਬੰਧ" ਜਦੋਂ ਸਿਗਮਾ ਤੰਗ ਹੋਵੇ ਅਤੇ ਡੇਟਾ ਤਾਜ਼ਾ ਹੋਵੇ।
  • "ਕਮਜ਼ੋਰ ਸੰਕੇਤ" ਜਦੋਂ ਸਿਗਮਾ ਚੌੜਾ ਹੋਵੇ ਜਾਂ ਡੇਟਾ ਘੱਟ ਹੋਵੇ।
  • "ਕਾਫ਼ੀ ਡੇਟਾ ਨਹੀਂ" ਜਦੋਂ ਮਾਡਲ ਦੇ ਘੱਟੋ-ਘੱਟ ਦਰਜ ਕੀਤੇ ਚੱਕਰਾਂ ਤੋਂ ਘੱਟ ਉਪਲਬਧ ਹੋਣ।

ਸੋ "ਪੀਰੀਅਡ: ਮਾਰਚ 14," ਦੀ ਥਾਂ ਵਰਤੋਂਕਾਰ ਨੂੰ ਦਿਖਦਾ ਹੈ "ਸੰਭਾਵਨ ਮਾਰਚ 12-16, ਕਮਜ਼ੋਰ ਸੰਕੇਤ।" ਇਹ ਮਾਡਲ ਦਾ ਅਸਲ ਆਉਟਪੁੱਟ ਹੈ, ਕੋਈ UX ਸਜਾਵਟ ਨਹੀਂ।

ਕੁਝ ਵੀ ਕਿਉਂ ਨਾ ਲੁਕਾਈਏ

ਤਿੰਨ ਕਾਰਨ।

ਇਮਾਨਦਾਰੀ। ਇੱਕ ਪੈਟਰਨ ਟ੍ਰੈਕਰ ਉਸ ਤਾਰੀਖ ਦਾ ਵਾਅਦਾ ਨਹੀਂ ਕਰ ਸਕਦਾ ਜੋ ਉਸਨੂੰ ਪਤਾ ਹੀ ਨਹੀਂ। ਸਿਗਮਾ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਣਾ ਹੀ ਉਹ ਇੱਕੋ-ਇੱਕ ਤਰੀਕਾ ਹੈ ਜਿਸ ਨਾਲ ਯੂਜ਼ਰ ਆਪਣਾ ਭਰੋਸਾ ਸਹੀ ਤਰ੍ਹਾਂ ਤੈਅ ਕਰ ਸਕੇ।

ਸੁਰੱਖਿਆ। ਇੱਕ ਭਰੋਸੇ-ਯੋਗ ਦਿੱਸਦੀ ਤਾਰੀਖ ਲੋਕਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਲਈ ਇਸ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ app ਸਮਰਥਨ ਨਹੀਂ ਕਰ ਸਕਦੀ — ਜਿਵੇਂ ਗਰਭ-ਧਾਰਨ, ਗਰਭ-ਨਿਰੋਧ, ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲੇ। ਇੱਕ ਭਰੋਸਾ ਲੇਬਲ ਕਹਿੰਦਾ ਹੈ "ਇਹ ਇੱਕ ਅੰਦਾਜ਼ਾ ਹੈ," ਜੋ ਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਹੈ ਵੀ।

ਅਨਿਯਮਿਤ ਚੱਕਰਾਂ ਲਈ ਮਜ਼ਬੂਤੀ। PCOS, ਪੈਰੀਮੇਨੋਪੌਜ਼, ਗੋਲੀ ਛੱਡਣ ਤੋਂ ਬਾਅਦ ਦੇ ਚੱਕਰ, ਅਤੇ ਹਾਰਮੋਨ ਥੈਰੇਪੀ — ਇਹ ਸਭ ਸਿਗਮਾ ਨੂੰ ਚੌੜਾ ਕਰ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਰਵਾਇਤੀ ਟ੍ਰੈਕਰ ਜਾਂ ਤਾਂ ਬੁਰੀ ਤਰ੍ਹਾਂ ਖੁੰਝ ਜਾਂਦਾ ਹੈ ਜਾਂ ਚੁੱਪ-ਚਾਪ ਯੂਜ਼ਰ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ। ਇੱਕ Bayesian ਟ੍ਰੈਕਰ ਬੱਸ ਅੰਦਾਜ਼ੇ ਨੂੰ "ਕਮਜ਼ੋਰ ਸਿਗਨਲ" ਦਾ ਲੇਬਲ ਦਿੰਦਾ ਹੈ ਅਤੇ ਕੰਮ ਕਰਦਾ ਰਹਿੰਦਾ ਹੈ।

ਮਾਡਲ ਕੀ ਨਹੀਂ ਹੈ

ਕੁਝ ਪੱਕੀਆਂ ਹੱਦਾਂ, ਲਿਖ ਕੇ ਰੱਖੀਆਂ ਗਈਆਂ ਤਾਂ ਜੋ ਇਹ ਟਲ ਨਾ ਸਕਣ:

• ਇਹ ਅਗਲੀ ਪੀਰੀਅਡ ਦੀ ਮਿਤੀ ਦੀ ਰੇਂਜ ਤੋਂ ਅੱਗੇ ਕਿਸੇ ਖਾਸ ਸਾਈਕਲ ਘਟਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਾਉਂਦਾ।
• ਇਹ ਫੈਮਿਲੀ-ਪਲੈਨਿੰਗ ਵਿੰਡੋ ਨਹੀਂ ਦੱਸਦਾ।
• ਇਹ ਗਰਭ ਧਾਰਨ ਜਾਂ ਗਰਭ-ਨਿਰੋਧ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਨਹੀਂ ਬਣਾਇਆ ਗਿਆ।
• ਇਹ ਕਲੀਨਿਕ ਪੱਖੋਂ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਹੈ ਅਤੇ ਪੀਰੀਅਡ ਖੁੰਝਣ, ਅਨਿਯਮਿਤ ਖੂਨ ਵਹਿਣ, ਜਾਂ ਲਗਾਤਾਰ ਲੱਛਣਾਂ ਲਈ ਕਲੀਨਿਕ ਸਲਾਹ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦਾ।

ਇਹ ਹੱਦਾਂ ਮਾਡਲ ਦੇ ਸੰਜਮੀ ਹੋਣ ਕਾਰਨ ਨਹੀਂ ਹਨ। ਇਹ ਇਸ ਲਈ ਹਨ ਕਿ ਮਾਡਲ ਦਾ ਦਾਇਰਾ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਤੈਅ ਕੀਤਾ ਗਿਆ ਹੈ। ਪੀਰੀਅਡ ਦਾ ਅੰਦਾਜ਼ਾ ਅਤੇ ਫੈਮਿਲੀ-ਪਲੈਨਿੰਗ ਦਾ ਅੰਦਾਜ਼ਾ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਡਾਟਾ ਲੋੜਾਂ ਵੱਖਰੀਆਂ ਹਨ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਮਿਆਰ ਵੀ ਵੱਖਰੇ ਹਨ।

ਜਿੱਥੇ ਗਣਿਤ ਰੋਜ਼ਾਨਾ ਰੀਤ ਨੂੰ ਮਿਲਦਾ ਹੈ

Soulwise ਵਿੱਚ, Bayesian ਨਤੀਜਾ ਸਾਈਕਲ-ਫੇਜ਼ ਸੰਦਰਭ ਨੂੰ ਫੀਡ ਕਰਦਾ ਹੈ, ਜੋ ਰੋਜ਼ਾਨਾ ਚੈੱਕ-ਇਨ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। 20-ਸਕਿੰਟ ਦੀ ਰੀਤ ਪੁੱਛਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਮਹਿਸੂਸ ਕਰ ਰਹੇ ਹੋ; ਜਵਾਬ ਸਾਈਕਲ ਫੇਜ਼ ਨੂੰ ਪੰਜ ਇਨਪੁੱਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਜੋਂ ਵਰਤਦਾ ਹੈ। ਜਦੋਂ ਸਿਗਮਾ ਚੌੜਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜਵਾਬ ਕਾਰਡ ਸਾਈਕਲ ਫੇਜ਼ ਨੂੰ ਘੱਟ ਭਾਰ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਸਿਗਮਾ ਤੰਗ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਾਈਕਲ ਫੇਜ਼ ਨੂੰ ਵੱਧ ਭਾਰ ਦਿੰਦਾ ਹੈ। ਗਣਿਤ ਆਪਣਾ ਭਾਰ ਇਸੇ ਗੱਲ ਨਾਲ ਕਮਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਆਪਣੇ ਭਰੋਸੇ ਬਾਰੇ ਇਮਾਨਦਾਰ ਰਹਿੰਦਾ ਹੈ।

ਛੋਟੀ ਗੱਲ: ਇੱਕ ਅਸਲੀ Bayesian ਟ੍ਰੈਕਰ ਸਿਗਮਾ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ। ਜੇ ਤੁਹਾਡੀ app ਇੱਕੋ ਭਰੋਸੇਮੰਦ ਤਾਰੀਖ ਦਿਖਾਉਂਦੀ ਹੈ, ਤਾਂ ਅੰਦਰਲਾ ਮਾਡਲ ਭਾਵੇਂ ਉਹੀ ਹੋਵੇ, ਪਰ ਇਸ ਦੀ ਪੇਸ਼ਕਾਰੀ ਉਹ ਲੁਕਾ ਰਹੀ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਉਸ ਨੂੰ ਪਤਾ ਹੈ।

ਆਮ ਸਵਾਲ

ਸਧਾਰਨ ਔਸਤ ਦੀ ਬਜਾਏ Bayesian ਮਾਡਲ ਕਿਉਂ ਵਰਤੀਏ?

ਸਧਾਰਨ ਔਸਤ ਇਹ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦਿੰਦੀ ਹੈ ਕਿ ਅੰਦਾਜ਼ਾ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ। ਇੱਕੋ 28-ਦਿਨ ਦੀ ਔਸਤ ਵਾਲੇ ਦੋ ਯੂਜ਼ਰਾਂ ਵਿੱਚ ਚੱਕਰ ਦੀ ਵਿਭਿੰਨਤਾ ਬਹੁਤ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ। Bayesian ਮਾਡਲ ਸਿਰਫ਼ ਮੱਧ ਬਿੰਦੂ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਤੁਹਾਡੇ ਡੇਟਾ ਦੇ ਫੈਲਾਅ ਨੂੰ ਵੀ ਟਰੈਕ ਕਰਦੇ ਹਨ, ਇਸ ਲਈ ਅੰਦਾਜ਼ਨ ਰੇਂਜ ਅਨਿਯਮਿਤ ਚੱਕਰਾਂ ਲਈ ਚੌੜੀ ਅਤੇ ਨਿਯਮਿਤ ਚੱਕਰਾਂ ਲਈ ਤੰਗ ਹੋ ਜਾਂਦੀ ਹੈ।

ਅਮਲ ਵਿੱਚ ਸਿਗਮਾ ਦਾ ਅਸਲ ਮਤਲਬ ਕੀ ਹੈ?

ਸਿਗਮਾ ਚੱਕਰ-ਲੰਬਾਈ ਦੇ ਵੰਡ ਦਾ ਮਿਆਰੀ ਵਿਚਲਨ (standard deviation) ਹੈ। ਛੋਟਾ ਸਿਗਮਾ (2 ਦਿਨਾਂ ਤੋਂ ਘੱਟ) ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਡੇ ਚੱਕਰ ਨੇੜੇ-ਨੇੜੇ ਹਨ; ਸੰਭਾਵਿਤ ਰੇਂਜ ਕੁਝ ਕੁ ਦਿਨਾਂ ਨੂੰ ਢੱਕਦੀ ਹੈ। ਵੱਡਾ ਸਿਗਮਾ (5+ ਦਿਨ) ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਚੱਕਰ ਇੱਕ ਹਫ਼ਤੇ ਜਾਂ ਉਸ ਤੋਂ ਵੱਧ ਵਿੱਚ ਫੈਲੇ ਹੋਏ ਹਨ, ਅਤੇ app ਨੂੰ ਇਹ ਦੱਸ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਿਰਫ਼ ਇੱਕ ਅੰਦਾਜ਼ਨ ਤਾਰੀਖ਼ ਕਿਉਂ ਨਾ ਦਿੱਤੀ ਜਾਵੇ?

ਕਿਉਂਕਿ ਮਾਡਲ ਨੂੰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਤਾਰੀਖ਼ ਪਤਾ ਹੀ ਨਹੀਂ ਹੁੰਦੀ। ਇੱਕੋ ਤਾਰੀਖ਼ ਦੇਣਾ ਇੱਕ UX ਚੋਣ ਹੈ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੁਕਾਉਂਦੀ ਹੈ। ਰੇਂਜ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਣਾ ਵਧੇਰੇ ਇਮਾਨਦਾਰ ਹੈ ਅਤੇ ਇਹ ਉਸ ਤਰੀਕੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ ਜਿਵੇਂ ਗਣਿਤ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ।

ਕੀ ਇਹ ਖਾਸ ਚੱਕਰ ਘਟਨਾਵਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਾਉਂਦਾ ਹੈ?

ਨਹੀਂ। Bayesian ਚੱਕਰ ਮਾਡਲਿੰਗ ਇਹ ਅੰਦਾਜ਼ਾ ਲਾਉਂਦੀ ਹੈ ਕਿ ਅਗਲਾ ਪੀਰੀਅਡ ਕਦੋਂ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਇਹ ਨਾ ਤਾਂ ਪਰਿਵਾਰ-ਯੋਜਨਾ ਦਾ ਸਾਧਨ ਹੈ, ਨਾ ਗਰਭ-ਨਿਰੋਧ ਦਾ ਸਾਧਨ, ਅਤੇ ਨਾ ਹੀ ਕਲੀਨਿਕਲੀ ਪ੍ਰਮਾਣਿਤ ਤਰੀਕਿਆਂ ਦਾ ਬਦਲ।