জেড-স্কোর ক্যালকুলেটর

আমাদের বহুমুখী জেড-স্কোর ক্যালকুলেটর আপনার Z-স্কোর সম্পর্কিত সমস্ত গণনা অনায়াসে করার জন্য ডিজাইন করা হয়েছে। আমাদের প্রধান ক্যালকুলেটরে একটি র-স্কোর (X), পপুলেশন মিন (μ) এবং স্ট্যান্ডার্ড ডেভিয়েশন (σ) ইনপুট করে, আপনি তাৎক্ষণিকভাবে সঠিক Z-স্কোর বের করতে পারবেন। এই টুলটি স্পষ্ট, ধাপে ধাপে সমাধান প্রদান করে এবং আপনার র-স্কোরের সাথে সম্পর্কিত সম্ভাব্যতাসমূহ (probabilities) প্রকাশ করে।

Z-Score and Probability Converter বা জেড-স্কোর ও প্রবাবিলিটি কনভার্টার আপনাকে ম্যানুয়ালি জেড-টেবিল (Z-table) না দেখেই Z-স্কোর এবং এর সংশ্লিষ্ট সম্ভাব্যতার মধ্যে সহজেই পরিবর্তন করার সুবিধা দেয়। ফলাফলগুলো তাৎক্ষণিকভাবে সেই নির্দিষ্ট Z-স্কোরের সাথে যুক্ত সব ধরনের সম্ভাব্যতার দৃশ্যপট প্রদর্শন করে। পরিশেষে, আমাদের তৃতীয় ক্যালকুলেটরটি ব্যবহার করে আপনি দুটি ভিন্ন Z-স্কোরের মধ্যবর্তী সঠিক সম্ভাব্যতা খুব দ্রুত বের করতে পারবেন।

জেড-স্কোর (Z-score) কী?

জেড-স্কোর (যা স্ট্যান্ডার্ড স্কোর নামেও পরিচিত) হলো একটি মৌলিক পরিসংখ্যানগত পরিমাপ, যা নির্দেশ করে একটি নির্দিষ্ট ডেটা পয়েন্ট সমগ্র ডেটাসেটের গড় (mean) থেকে কতগুলো স্ট্যান্ডার্ড ডেভিয়েশন দূরে অবস্থান করছে। মূলত একটি বৃহত্তর পপুলেশনের সাথে কোনো একক মান তুলনা করার জন্য এটি ব্যবহৃত হয়। জেড-স্কোর ডেটাকে প্রমিত (standardize) করতে সাহায্য করে, যার ফলে জটিল ডেটাসেটগুলোর তুলনা ও বিশ্লেষণ করা অনেক সহজ হয়।

সর্বোপরি, একটি Z-স্কোর আমাদেরকে নির্ধারণ করতে সাহায্য করে যে, পুরো গ্রুপের প্রেক্ষাপটে বিচার করলে একটি একক ডেটা পয়েন্ট কতটা "স্বাভাবিক (typical)" বা "অস্বাভাবিক (atypical)"।

• আউটলায়ার (Outliers) শনাক্তকরণ: Z-স্কোর আমাদেরকে খুব দ্রুত এমন ডেটা পয়েন্টগুলো শনাক্ত করতে সাহায্য করে যা ডেটাসেটের বাকি অংশ থেকে উল্লেখযোগ্যভাবে আলাদা। ফিন্যান্স এবং চিকিৎসা গবেষণার মতো ক্ষেত্রগুলোতে এটি অত্যন্ত মূল্যবান, যেখানে আউটলায়ারগুলো প্রায়শই গুরুত্বপূর্ণ প্যাটার্ন, ত্রুটি বা অস্বাভাবিকতা নির্দেশ করে।
• ভিন্ন ভিন্ন সেটের ডেটা তুলনা: Z-স্কোর আমাদেরকে সম্পূর্ণ ভিন্ন ডেটাসেট জুড়ে ডেটা তুলনা করতে সক্ষম করে, এমনকি সেগুলোর একক (units) বা পরিমাপের স্কেল আলাদা হলেও। এটি মেশিন লার্নিংয়ের মতো ক্ষেত্রে অপরিহার্য প্রমাণিত হয়েছে, যেখানে নির্ভুল মডেল তৈরি করতে বিভিন্ন সোর্স থেকে প্রাপ্ত ডেটাকে একত্রিত করতে হয়।
• ডেটা নরমালাইজেশন: র-ডেটাকে (raw data) Z-স্কোরে রূপান্তর করার মাধ্যমে, আমরা ডেটাসেটকে স্ট্যান্ডার্ডাইজ বা প্রমিত করি এবং সবকিছুকে একটি সমপর্যায়ে নিয়ে আসি। এটি ডেটা ভিজ্যুয়ালাইজেশনের ক্ষেত্রে বিশেষভাবে কার্যকর, যেখানে ডেটাকে সহজে বোধগম্য এবং প্রমিত ফরম্যাটে উপস্থাপন করা অত্যন্ত গুরুত্বপূর্ণ।

জেড-স্কোর সূত্র (The Z-Score formula)

পপুলেশনের জন্য জেড-স্কোর

Z = র-স্কোর - পপুলেশন মিন / পপুলেশন স্ট্যান্ডার্ড ডেভিয়েশন

Z = (X - μ) / σ

স্যাম্পলের (নমুনা) জন্য জেড-স্কোর

Z = র-স্কোর - স্যাম্পল মিন / স্যাম্পল স্ট্যান্ডার্ড ডেভিয়েশন

Z = (X - x̄) / s

প্রাপ্ত জেড-স্কোর ফলাফলের ব্যাখ্যা

পজিটিভ বা ধনাত্মক Z-স্কোর: একটি ধনাত্মক Z-স্কোর নির্দেশ করে যে আপনার ডেটা পয়েন্টটি ডেটাসেটের গড় মানের উপরে অবস্থান করছে। সহজ কথায়, আপনার পর্যবেক্ষণ করা ডেটা পয়েন্টটি গ্রুপের সাধারণ মানের চেয়ে বেশি।

নেগেটিভ বা ঋণাত্মক Z-স্কোর: একটি ঋণাত্মক Z-স্কোর নির্দেশ করে যে আপনার ডেটা পয়েন্টটি ডেটাসেটের গড় মানের নিচে নেমে গেছে। এর মানে হলো আপনার পর্যবেক্ষণ করা ডেটা পয়েন্টটি গ্রুপের সাধারণ মানের চেয়ে কম।

Z-স্কোরের মান (Magnitude): Z-স্কোরের প্রকৃত সংখ্যাটি আপনাকে ঠিক কতটা দূরে আপনার ডেটা পয়েন্টটি গড় (mean) থেকে বিচ্যুত হয়েছে তা বলে দেয়। Z-স্কোরের পরম মান (absolute value) যত বড় হবে, আপনার ডেটা পয়েন্টটি ডেটাসেটের গড় থেকে তত দূরে থাকবে।

জেড-স্কোর এবং স্ট্যান্ডার্ড ডেভিয়েশন

Z-স্কোর এবং স্ট্যান্ডার্ড ডেভিয়েশন একে অপরের সাথে গভীরভাবে জড়িত কারণ স্ট্যান্ডার্ড ডেভিয়েশন হলো Z-স্কোর গণনার জন্য ব্যবহৃত প্রাথমিক পরিমাপ একক। মূলত, Z-স্কোর সূত্রে স্ট্যান্ডার্ড ডেভিয়েশন একটি মূল বিভাজক (denominator) হিসেবে কাজ করে।

স্ট্যান্ডার্ড ডেভিয়েশন বা পরিমিত ব্যবধান একটি ডেটাসেটের সামগ্রিক বিস্তৃতি পরিমাপ করে। এটি নির্দেশ করে যে গড়ে প্রতিটি ডেটা পয়েন্ট ডেটাসেটের গড় থেকে কতটা দূরে সরে গেছে। উচ্চতর স্ট্যান্ডার্ড ডেভিয়েশন মানে ডেটা অনেক বেশি ছড়িয়ে আছে।

Z-স্কোর এটিকে কাজে লাগিয়ে প্রকাশ করে যে একটি নির্দিষ্ট ডেটা পয়েন্ট গড় থেকে কতগুলো স্ট্যান্ডার্ড ডেভিয়েশনের সমান দূরত্বে রয়েছে। Z-স্কোর গণনার জন্য স্ট্যান্ডার্ড ডেভিয়েশন ব্যবহার করে, আপনি একটি একক ডেটা পয়েন্টকে পুরো ডেটাসেটের প্রেক্ষাপটে বিচার করতে পারেন, যা আপনাকে দেখায় ডেটাটি ঠিক কতটা সাধারণ বা অস্বাভাবিক।

জেড-স্কোর এবং নরমাল ডিস্ট্রিবিউশন

নরমাল ডিস্ট্রিবিউশন (Normal distribution) হলো বাস্তব বিশ্বের অগণিত ঘটনাগুলোর মধ্যে পাওয়া একটি সর্বব্যাপী প্যাটার্ন। প্রায়শই একে গাউসিয়ান ডিস্ট্রিবিউশন (গণিতবিদ কার্ল ফ্রেডরিখ গাউসের নামানুসারে) বলা হয়। এটি একটি প্রতিসম (symmetrical), ঘণ্টার মতো আকৃতির (bell-shaped) বক্ররেখা হিসেবে প্রকাশ পায় যা দেখায় কীভাবে ডেটা গড়ের চারপাশে সমানভাবে ছড়িয়ে থাকে।

যেহেতু একটি Z-স্কোর স্ট্যান্ডার্ড ডেভিয়েশনের সাপেক্ষে গড় থেকে একটি ডেটা পয়েন্টের দূরত্ব পরিমাপ করে, তাই কোনো সেটের প্রতিটি ডেটা পয়েন্টকে Z-স্কোরে রূপান্তর করলে পুরো ডেটাসেটটি প্রমিত বা স্ট্যান্ডার্ডাইজ হয়ে যায়।

Z-স্কোর এবং নরমাল ডিস্ট্রিবিউশনের মধ্যে শক্তিশালী সংযোগটি হলো, Z-স্কোর আপনাকে প্রায় যেকোনো নরমাল ডেটাসেটকে একটি স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশনে রূপান্তর করতে দেয়। প্রমিত করার পর, গড় (mean) সর্বদা ০ এবং স্ট্যান্ডার্ড ডেভিয়েশন সর্বদা ১ হয়ে যায়। এটি অবিশ্বাস্যভাবে কার্যকর কারণ অগণিত পরিসংখ্যানগত পদ্ধতি একটি স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশনের অনুমানের উপর নির্ভর করে, যা গবেষক এবং পরিসংখ্যানবিদদের উচ্চ নির্ভুলতার সাথে প্রেডিক্টিভ মডেল এবং সম্ভাব্যতার তত্ত্ব প্রয়োগ করতে দেয়।

ডেটা পয়েন্টের তুলনা

একটি একক ডেটা পয়েন্টের আপেক্ষিক পারফরম্যান্স বা অবস্থান বোঝার জন্য Z-স্কোর গণনা করা হলো সবচেয়ে কার্যকর উপায়।

ডেটা পয়েন্টগুলো তুলনা করার জন্য Z-স্কোর ব্যবহারের একটি বাস্তব উদাহরণ ফিন্যান্স বা অর্থায়নে দেখা যায়। কল্পনা করুন আপনি দুটি ভিন্ন স্টক পোর্টফোলিওতে বিনিয়োগ করেছেন এবং তাদের পারফরম্যান্স মূল্যায়ন করতে চান। পোর্টফোলিও এ-তে ২% স্ট্যান্ডার্ড ডেভিয়েশনসহ গড় রিটার্ন হলো ১০%, যেখানে পোর্টফোলিও বি-তে ৩% স্ট্যান্ডার্ড ডেভিয়েশনসহ গড় রিটার্ন হলো ৮%। প্রতিটি পোর্টফোলিওতে একটি নির্দিষ্ট রিটার্নের জন্য Z-স্কোর গণনা করার মাধ্যমে, আপনি উদ্দেশ্যমূলকভাবে তাদের ঝুঁকি-সমন্বিত পারফরম্যান্সের তুলনা করতে পারবেন এবং কোনটি সত্যিই ভালো ফলাফল দিচ্ছে তা নির্ধারণ করতে পারবেন।

স্পোর্টস অ্যানালিটিক্সে আরেকটি দারুণ উদাহরণ পাওয়া যেতে পারে। ধরুন আপনি দুজন বাস্কেটবল খেলোয়াড়ের স্কোরিং পারফরম্যান্স তুলনা করতে চান। খেলোয়াড় এ-এর প্রতি খেলায় গড় ২০ পয়েন্ট এবং স্ট্যান্ডার্ড ডেভিয়েশন ৫ পয়েন্ট। খেলোয়াড় বি-এর প্রতি খেলায় গড় ১৮ পয়েন্ট এবং স্ট্যান্ডার্ড ডেভিয়েশন ৩ পয়েন্ট। প্রতিটি খেলোয়াড়ের জন্য একটি নির্দিষ্ট গেমের স্কোরকে Z-স্কোরে রূপান্তর করে, আপনি নির্ধারণ করতে পারবেন কে তাদের সাধারণ পারফরম্যান্স বেসলাইনের তুলনায় পরিসংখ্যানগতভাবে বেশি চিত্তাকর্ষক খেলা উপহার দিয়েছে।

ডেটা নরমালাইজেশন

ডেটা নরমালাইজেশন হলো একটি প্রক্রিয়া যেখানে জটিল ডেটাকে বাধাহীন তুলনা এবং বিশ্লেষণের জন্য একটি মানসম্মত স্কেলে (standard scale) রূপান্তর করা হয়। যেহেতু বাস্তব-জগতের ডেটা ভিন্ন ভিন্ন আকার, রেঞ্জ এবং এককে পাওয়া যায়, তাই সমপর্যায়ের তুলনা (apples-to-apples comparisons) নিশ্চিত করতে নরমালাইজেশন অত্যাবশ্যক।

র-ডেটা পয়েন্টগুলোকে Z-স্কোরে রূপান্তর করার মাধ্যমে, আপনি ডেটাকে প্রমিত করেন এবং একে একটি ইউনিফর্ম স্কেলে নিয়ে আসেন। Z-স্কোর স্কেলটি সর্বজনীনভাবে স্বীকৃত: এর গড় সর্বদা ঠিক ০, এবং স্ট্যান্ডার্ড ডেভিয়েশন সর্বদা ঠিক ১ হয়।

মনোবিজ্ঞানীরা প্রায়শই টেস্টিং ডেটা নরমালাইজ করতে Z-স্কোর ব্যবহার করেন। উদাহরণস্বরূপ, আপনার দুটি ভিন্ন আইকিউ (IQ) পরীক্ষার ফলাফল তুলনা করার প্রয়োজন হতে পারে। পরীক্ষা এ-এর গড় স্কোর ১০০ এবং স্ট্যান্ডার্ড ডেভিয়েশন ১৫। পরীক্ষা বি-এর গড় স্কোর ১১০ এবং স্ট্যান্ডার্ড ডেভিয়েশন ১০। স্বতন্ত্র ফলাফলের জন্য Z-স্কোর গণনা করার মাধ্যমে, উভয় পরীক্ষাকে একটি একক স্কেলে প্রমিত করা হয়, যা তাদের স্কোরিং সিস্টেমের পার্থক্যটি তাৎক্ষণিকভাবে সমাধান করে দেয়।

একইভাবে, শিক্ষকরা ন্যায্য গ্রেডিংয়ের জন্য Z-স্কোরের উপর নির্ভর করেন। আপনি যদি সম্পূর্ণ ভিন্ন দুটি ক্লাসের শিক্ষার্থী এ এবং শিক্ষার্থী বি-এর একাডেমিক পারফরম্যান্স তুলনা করতে চান, তবে Z-স্কোর সাহায্য করতে পারে। শিক্ষার্থী এ-এর ক্লাসের গড় ৮০ এবং স্ট্যান্ডার্ড ডেভিয়েশন ৫, যেখানে শিক্ষার্থী বি-এর ক্লাসের গড় ৯০ এবং স্ট্যান্ডার্ড ডেভিয়েশন ৩। তাদের চূড়ান্ত গ্রেডগুলোকে Z-স্কোরে রূপান্তর করা দুটি ক্লাসের অসুবিধার মাত্রাকে নরমালাইজ করে এবং শিক্ষার্থীদের তুলনা অনেক বেশি বাস্তবসম্মত করে তোলে।

হাইপোথিসিস টেস্টিং

হাইপোথিসিস টেস্টিং বা অনুমিতি যাচাই হলো একটি অপরিহার্য পরিসংখ্যানগত কৌশল যা একটি "নাল হাইপোথিসিস" (ডিফল্ট অনুমান যে দুটি ভেরিয়েবলের মধ্যে কোনো সম্পর্ক বা পার্থক্য নেই) প্রত্যাখ্যান করার জন্য পর্যাপ্ত গাণিতিক প্রমাণ আছে কিনা তা নির্ধারণ করতে ব্যবহৃত হয়। এই কৌশলটি চিকিৎসা গবেষণা, সামাজিক বিজ্ঞান এবং আধুনিক বিজনেস অ্যানালিটিক্সে সিদ্ধান্ত গ্রহণের মেরুদণ্ড গঠন করে।

হাইপোথিসিস টেস্টিংয়ের সময়, দৈবক্রমে কোনো নির্দিষ্ট ফলাফল ঘটার সম্ভাব্যতা গণনা করতে Z-স্কোর (এই প্রেক্ষাপটে প্রায়শই Z-স্ট্যাটিস্টিকস বা Z-টেস্ট বলা হয়) ব্যবহৃত হয়। উদাহরণস্বরূপ, আপনি যদি জানতে চান যে একটি নির্দিষ্ট নমুনা গ্রুপের (sample group) গড় ওজন সাধারণ পপুলেশনের তুলনায় উল্লেখযোগ্যভাবে ভিন্ন কিনা, তাহলে Z-স্কোর প্রকাশ করবে যে সেই পার্থক্যটি পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ (statistically significant) কিনা।

চিকিৎসা ক্ষেত্রে, ক্লিনিকাল ট্রায়ালগুলোর জন্য Z-স্কোর অত্যন্ত সহায়ক। গবেষকরা যদি পরীক্ষা করতে চান যে একটি নতুন ওষুধ প্লাসিবোর (placebo) তুলনায় রোগের লক্ষণগুলো কার্যকরভাবে হ্রাস করে কিনা, তবে তারা Z-স্কোর ব্যবহার করে নির্ধারণ করেন যে চিকিৎসা গ্রহণকারী গ্রুপের লক্ষণ হ্রাস পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ, নাকি এটি কেবল একটি দৈব ওঠানামা (random fluctuation)।

অর্থায়নে, বিশ্লেষকরা প্রায়শই বাজারের হাইপোথিসিস পরীক্ষা করতে Z-স্কোর ব্যবহার করেন। যদি কোনো বিনিয়োগকারী বিশ্বাস করেন যে একটি নির্দিষ্ট মিউচুয়াল ফান্ড বৃহত্তর বাজারের গড়ের চেয়ে বেশি রিটার্ন তৈরি করছে, তবে সেই অতিরিক্ত পারফরম্যান্সটি পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ নাকি কেবল ভাগ্য, তা নিশ্চিত করতে তারা ফান্ডের রিটার্নের Z-স্কোর গণনা করেন।

ফিচার স্কেলিং

ফিচার স্কেলিং হলো মেশিন লার্নিংয়ে ব্যবহৃত একটি গুরুত্বপূর্ণ ডেটা প্রিপ্রসেসিং কৌশল, যা নিশ্চিত করে যে সমস্ত ইনপুট ভেরিয়েবল (ফিচার) একটি আনুপাতিক স্কেলে রয়েছে। যেহেতু অনেক মেশিন লার্নিং অ্যালগরিদম (যেমন K-Nearest Neighbors বা Gradient Descent) ইনপুট ডেটার স্কেলের প্রতি অত্যন্ত সংবেদনশীল, তাই আনস্কেলড ডেটা ফলাফলকে ব্যাপকভাবে প্রভাবিত করতে পারে এবং মডেলের নির্ভুলতা নষ্ট করতে পারে।

ফিচার স্কেলিংয়ের সবচেয়ে নির্ভরযোগ্য পদ্ধতি হলো Z-স্কোর নরমালাইজেশন (যাকে প্রায়শই স্ট্যান্ডার্ডাইজেশন বলা হয়)। এই প্রক্রিয়ার সময়, প্রতিটি ফিচারকে গাণিতিকভাবে এমনভাবে রূপান্তরিত করা হয় যাতে এর গড় মান ০ এবং স্ট্যান্ডার্ড ডেভিয়েশন ১ হয়। একটি ফিচারের Z-স্কোর গণনা করার সূত্র হলো:

Z = (X - গড়) / স্ট্যান্ডার্ড ডেভিয়েশন

যেখানে X ফিচারের মানকে উপস্থাপন করে, Mean (গড়) হলো ফিচারের মানগুলোর গড় এবং Standard Deviation (স্ট্যান্ডার্ড ডেভিয়েশন) হলো সেই নির্দিষ্ট ফিচারের বিস্তৃতি।

কম্পিউটার ভিশনের ক্ষেত্রে, Z-স্কোর নরমালাইজেশন অপরিহার্য। ইমেজ ডেটার ওপর অ্যালগরিদম ট্রেনিং করার সময়, সাধারণত পিক্সেল ভ্যালুগুলোকে সঠিকভাবে স্কেল করার প্রয়োজন হয়। Z-স্কোর স্ট্যান্ডার্ডাইজেশন প্রয়োগ করার মাধ্যমে, প্রতিটি পিক্সেলের মান এমনভাবে রূপান্তরিত হয় যাতে সম্পূর্ণ ইমেজ ডেটাসেটটি ০ গড় এবং ১ স্ট্যান্ডার্ড ডেভিয়েশনের চারপাশে অবস্থান করে, যা ট্রেনিং প্রক্রিয়াকে ত্বরান্বিত করে।

ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP)ও Z-স্কোরের ওপর ব্যাপকভাবে নির্ভরশীল। টেক্সট প্রসেস করার সময়, ডেটা সায়েন্টিস্টরা প্রায়শই টার্ম ফ্রিকোয়েন্সি-ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি (TF-IDF) স্কোর স্কেল করেন। Z-স্কোর নরমালাইজেশন নিশ্চিত করে যে একটি প্রেডিক্টিভ মডেলে ইনপুট করার আগে এই জটিল টেক্সচুয়াল মেট্রিক্সগুলোকে অভিন্নভাবে স্কেল করা হয়েছে।

প্রেডিক্টিভ মডেলিং

প্রেডিক্টিভ মডেলিং হলো একটি উন্নত বিশ্লেষণাত্মক কৌশল যা ভবিষ্যৎ ফলাফল পূর্বাভাস করার জন্য ঐতিহাসিক ডেটা এবং মেশিন লার্নিং ব্যবহার করে। এই প্রক্রিয়ায় একটি পরিচিত ডেটাসেটের ওপর একটি অ্যালগরিদমকে ট্রেন করা হয় এবং তারপর সম্পূর্ণ নতুন ও অদেখা ডেটার ওপর সঠিক পূর্বাভাস দেওয়ার জন্য সেই মডেলটি মোতায়েন করা হয়।

প্রেডিক্টিভ মডেলিংয়ের একটি প্রাথমিক ধাপ হলো ফিচার সিলেকশন (feature selection)—এটি হলো মডেলের জন্য শুধুমাত্র সবচেয়ে প্রাসঙ্গিক ডেটা ভেরিয়েবলগুলো চিহ্নিত করার এবং রাখার প্রক্রিয়া। যে ফিচারগুলো টার্গেট ফলাফলের সাথে উচ্চতর পারস্পরিক সম্পর্ক (correlation) প্রদর্শন করে সেগুলোকে অগ্রাধিকার দেওয়া হয়, কারণ সেগুলো সবচেয়ে বেশি প্রেডিক্টিভ ক্ষমতা ধারণ করে।

এই উচ্চ-সম্পর্কযুক্ত বৈশিষ্ট্যগুলো (high-correlation traits) শনাক্ত করার জন্য Z-স্কোর একটি চমৎকার টুল। বিশিষ্ট Z-স্কোর মান প্রদর্শনকারী ফিচারগুলো প্রায়শই টার্গেট ভেরিয়েবলের সাথে একটি শক্তিশালী প্রেডিক্টিভ সম্পর্ক নির্দেশ করে। এর অন্তর্নিহিত সূত্রটি একই থাকে:

Z = (X - গড়) / স্ট্যান্ডার্ড ডেভিয়েশন

যেখানে X মান উপস্থাপন করে, Mean (গড়) হলো ফিচারের গড় এবং Standard Deviation (স্ট্যান্ডার্ড ডেভিয়েশন) ডেটার বিস্তৃতি সংজ্ঞায়িত করে।

আর্থিক খাতে, প্রেডিক্টিভ মডেলিং স্টকের গতিপথ পূর্বাভাস দিতে Z-স্কোর ব্যবহার করে। একটি স্টকের ঐতিহাসিক পারফরম্যান্স মেট্রিক্সের Z-স্কোর গণনা করার মাধ্যমে, কোয়ান্টিটেটিভ বিশ্লেষকরা এর ভবিষ্যৎ রিটার্নের সম্ভাবনা মূল্যায়ন করতে পারেন। ধারাবাহিকভাবে উচ্চ Z-স্কোর বোঝায় যে একটি স্টক ঐতিহাসিকভাবে তার সমকক্ষদের ছাড়িয়ে গেছে, যা অ্যালগরিদমগুলো ভবিষ্যতে দামের গতির (price momentum) একটি সংকেত হিসেবে ব্যবহার করে।

হেলথকেয়ার অ্যানালিটিক্সে, রোগীর ঝুঁকি পূর্বাভাস দেওয়ার জন্য Z-স্কোর অমূল্য। জটিল বায়োমেট্রিক্স মূল্যায়ন করার সময়, একজন রোগীর Z-স্কোর গণনা করলে বোঝা যায় যে তাদের স্বাস্থ্য নির্দেশকগুলো (health markers) সুস্থ গড় মান থেকে কতটা গুরুতরভাবে বিচ্যুত। একটি অস্বাভাবিক রকমের উচ্চ Z-স্কোর প্রায়শই একজন রোগীকে উচ্চ-ঝুঁকিপূর্ণ হিসেবে ফ্ল্যাগ করে, যা চিকিৎসকদের ভবিষ্যতের প্রতিকূল স্বাস্থ্যগত পরিণতিগুলো আগে থেকেই অনুমান ও প্রতিরোধ করতে সক্ষম করে।

জেড-স্কোর টেবিলের ব্যবহার

একটি জেড-টেবিল (যাকে স্ট্যান্ডার্ড নরমাল টেবিল বা ইউনিট নরমাল টেবিলও বলা হয়) হলো একটি বিস্তৃত গাণিতিক চার্ট যা স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশন কার্ভের মানগুলোর নিচে, উপরে বা মাঝখানে একটি পরিসংখ্যান পড়ার সঠিক সম্ভাব্যতা খুঁজে পেতে ব্যবহৃত হয়।

Z-টেবিল পড়ার জন্য, প্রথমে আপনার গণনা করা Z-স্কোরের প্রথম দুটি অঙ্কের (একক এবং দশমাংশ) সাথে সম্পর্কিত সারিটি (row) খুঁজুন। তারপর, শতাংশের (hundredths place) সাথে মিলে যাওয়া কলামটি চিহ্নিত করুন। সেই সারি এবং কলামের ছেদবিন্দুটি স্ট্যান্ডার্ড নরমাল কার্ভের অধীনস্থ ক্ষেত্রফল (বা সম্ভাব্যতা) প্রকাশ করে। এই চূড়ান্ত সংখ্যাটি নির্দেশ করে যে স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশন থেকে একটি র‍্যান্ডম ভেরিয়েবল আপনার গণনা করা Z-স্কোরের সমান বা তার চেয়ে কম হওয়ার সম্ভাবনা কতটা।

উদাহরণস্বরূপ, আপনার গণনা করা Z-স্কোর যদি 1.96 হয়, তবে আপনি 1.9 চিহ্নিত সারি বরাবর নিচে নামবেন এবং 0.06 চিহ্নিত কলাম বরাবর ডানে যাবেন। এই ছেদ করা মানটি 1.96-এর বাম দিকের বক্ররেখার নিচের ক্ষেত্রফল প্রদান করে। একটি স্ট্যান্ডার্ড লেফট-টেইল টেবিলে (left-tail table), এই মানটি প্রায় 0.975 হয়। এর মানে হলো 97.5% সম্ভাবনা রয়েছে যে যেকোনো র‍্যান্ডম ডেটা পয়েন্ট 1.96 এর Z-স্কোর বা তার নিচে পড়বে।

এটি মনে রাখা অত্যন্ত গুরুত্বপূর্ণ যে একটি Z-টেবিল কঠোরভাবে একটি স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশনের (গড় = ০, স্ট্যান্ডার্ড ডেভিয়েশন = ১) ক্ষেত্রে প্রযোজ্য। আপনার ডেটাসেট যদি স্বাভাবিকভাবেই এর সাথে মিলে না যায়, তবে আপনাকে প্রথমে সংশ্লিষ্ট Z-স্কোরগুলো গণনা করে আপনার ডেটা প্রমিত (standardize) করতে হবে।

জেড-স্কোর থেকে সম্ভাব্যতা (Probability) নির্ণয়

একটি নরমালি ডিস্ট্রিবিউটেড ভেরিয়েবলকে Z-স্কোরে রূপান্তর করার পর, আমরা নরমাল কার্ভের নিচে থাকা ক্ষেত্রফলের সঠিক অনুপাত খুঁজে বের করতে Z-টেবিল ব্যবহার করতে পারি। যেহেতু যেকোনো স্ট্যান্ডার্ড নরমাল কার্ভের নিচের মোট ক্ষেত্রফল সর্বদা ঠিক ১ এর সমান হয়, তাই হাইলাইট করা ক্ষেত্রফলের অনুপাতটি কার্যকরভাবে সেই Z-স্কোরের চূড়ান্ত সম্ভাব্যতা হিসেবে কাজ করে।

উদাহরণ ১

পেশাদার বক্সারদের ওজনগুলো নরমালি ডিস্ট্রিবিউটেড হয়, যার গড় 75 Kg এবং স্ট্যান্ডার্ড ডেভিয়েশন 3 Kg। দৈবচয়নের মাধ্যমে নির্বাচিত একজন বক্সারের ওজনের সম্ভাব্যতা কত হবে, যদি তা:

• a) 78 Kg-এর বেশি হয়?
• b) 69 Kg-এর কম হয়?
• c) 72 Kg-এর বেশি হয়?
• d) 79.5 Kg-এর কম হয়?
• e) 72 Kg এবং 76.5 Kg-এর মধ্যে হয়?
• f) 72 Kg এবং 73.5 Kg-এর মধ্যে হয়?

a) দৈবচয়নের মাধ্যমে নির্বাচিত একজন খেলোয়াড়ের ওজন 78 Kg-এর বেশি হওয়ার সম্ভাব্যতা কত?

• X > 78
• μ = 75
• σ = 3

$$P(X>78)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{78-75}{3}\right)=P(Z>1)$$

প্রথমে, আসুন এটি একটি স্ট্যান্ডার্ড নরমাল কার্ভে কল্পনা করি।

এরপর, আমাদের গণনা করা Z-স্কোরের জন্য প্রাসঙ্গিক সম্ভাব্যতা খুঁজে বের করতে আমরা Z-টেবিল দেখি।

মনে রাখবেন যে এই নির্দিষ্ট Z-টেবিলটি সঠিক Z-স্কোর এবং গড়ের (mean) মধ্যবর্তী সম্ভাব্যতা প্রদান করে। গ্রাফে হাইলাইট করা প্রান্তিক অংশের (tail area) সম্ভাব্যতা নির্ধারণ করার জন্য, আমাদের অবশ্যই 0.5 থেকে টেবিলের মানটি বিয়োগ করতে হবে। (সম্পূর্ণ বক্ররেখার নিচের মোট ক্ষেত্রফল হলো ১, এবং গড় পদ্ধতিগতভাবে বক্ররেখাকে 0.5 এর দুটি নিখুঁত প্রতিসম অর্ধাংশে ভাগ করে)।

• P (X > 78) = P (Z > 1)
• P (X > 78) = 0.5 - P(0 < Z < 1)
• P (X > 78) = 0.5 - 0.3413
• P (X > 78) = 0.1587

অতএব, দৈবচয়নের মাধ্যমে নির্বাচিত একজন বক্সারের ওজন 78 Kg-এর বেশি হওয়ার ঠিক 0.1587 (বা 15.87%) সম্ভাবনা রয়েছে।

b) দৈবচয়নের মাধ্যমে নির্বাচিত একজন খেলোয়াড়ের ওজন 69 Kg-এর কম হওয়ার সম্ভাব্যতা কত?

• X < 69
• μ = 75
• σ = 3

$$P(X<69)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{69-75}{3}\right)=P(Z<-2)$$

প্রথমে, আসুন এটি একটি স্ট্যান্ডার্ড নরমাল কার্ভে কল্পনা করি।

এরপর, গণনা করা Z-স্কোরের জন্য প্রাসঙ্গিক সম্ভাব্যতা খুঁজে বের করতে আমরা Z-টেবিল দেখি।

পুনরায়, Z-স্কোর টেবিল প্রদত্ত Z-স্কোর এবং গড়ের মধ্যবর্তী সম্ভাব্যতা প্রদান করে। হাইলাইট করা নিচের প্রান্তিক অংশের (lower tail area) সম্ভাব্যতা নির্ধারণ করতে, আমাদের অবশ্যই 0.5 থেকে টেবিলের মানটি বিয়োগ করতে হবে।

• P (X < 69) = P (Z < -2)
• P (X < 69) = 0.5 - P (0 > Z > -2)
• P (X < 69) = 0.5 - 0.4772
• P (X < 69) = 0.0228

অতএব, দৈবচয়নের মাধ্যমে নির্বাচিত একজন বক্সারের ওজন 69 Kg-এর কম হওয়ার 0.0228 (বা 2.28%) সম্ভাবনা রয়েছে।

c) দৈবচয়নের মাধ্যমে নির্বাচিত একজন খেলোয়াড়ের ওজন 72 Kg থেকে 76.5 Kg-এর মধ্যে হওয়ার সম্ভাব্যতা কত?

• 72 < X < 76.5
• μ = 75
• σ = 3

$$P(72 \lt X \lt 76.5)=P\left(\frac{X-μ}{σ} \lt Z \lt \frac{X-μ}{σ}\right)=P\left(\frac{72-75}{3} \lt Z \lt \frac{76.5-75}{3}\right)=P(-1 \lt Z \lt 0.5)$$

প্রথমে, আসুন এটি একটি স্ট্যান্ডার্ড নরমাল কার্ভে কল্পনা করি।

এরপর, উভয় গণনা করা Z-স্কোরের জন্য প্রাসঙ্গিক সম্ভাব্যতা খুঁজে বের করতে আমরা Z-টেবিল ব্যবহার করি।

যেহেতু আমাদের গড় জুড়ে বিস্তৃত সম্পূর্ণ হাইলাইট করা ক্ষেত্রফল প্রয়োজন, তাই আমরা কেবল আমাদের Z-স্কোরগুলোর দুটি আলাদা সম্ভাব্যতা একসাথে যোগ করি।

• P (72 < X < 76.5) = P (-1 < Z < 0.5)
• P (72 < X < 76.5) = 0.3413 + 0.1915
• P (72 < X < 76.5) = 0.5328

অতএব, দৈবচয়নের মাধ্যমে নির্বাচিত একজন বক্সারের ওজন 72 Kg থেকে 76.5 Kg-এর মধ্যে হওয়ার 0.5328 (বা 53.28%) সম্ভাবনা রয়েছে।

এই সঠিক প্রক্রিয়াটিকে ত্বরান্বিত করতে, তাৎক্ষণিকভাবে চূড়ান্ত উত্তর তৈরি করতে আপনি সহজেই আমাদের "Probability Between Two Z-scores" ক্যালকুলেটরটি ব্যবহার করতে পারেন।

নির্দিষ্ট সম্ভাব্যতার জন্য সংশ্লিষ্ট মান নির্ণয়

একটি পরিচিত নরমাল ডিস্ট্রিবিউশন নিয়ে কাজ করার সময়, আমরা Z-স্কোর সূত্র ব্যবহার করে একটি নির্দিষ্ট সম্ভাব্যতার ওপর ভিত্তি করে নির্দিষ্ট র-ভ্যালু (raw values) বের করতে প্রক্রিয়াটিকে সহজেই বিপরীতমুখী (reverse-engineer) করতে পারি।

উদাহরণ ২

একটি অত্যন্ত প্রতিযোগিতামূলক পরীক্ষার আবেদনকারীদের স্কোরগুলো প্রায় নরমালি ডিস্ট্রিবিউটেড, যার গড় (mean) 55 এবং স্ট্যান্ডার্ড ডেভিয়েশন 10। যদি শুধুমাত্র শীর্ষ 30% আবেদনকারী পরীক্ষায় উত্তীর্ণ হন, তবে উত্তীর্ণ হওয়ার জন্য প্রয়োজনীয় একেবারে ন্যূনতম স্কোরটি নির্ণয় করুন।

সমাধান

এই পরিস্থিতিতে, আমাদের প্রথমে টার্গেট শতাংশের (30%) জন্য সংশ্লিষ্ট Z-স্কোর নির্ধারণ করতে হবে।

সঠিক Z-স্কোরটি চিহ্নিত করতে, আমাদেরকে অবশ্যই গড় এবং কাটঅফ পয়েন্টের মাঝখানের হাইলাইট করা অংশের সম্ভাব্যতাটি আলাদা করতে হবে।

আমরা 0.50 (বক্ররেখার উপরের অর্ধেক) থেকে 0.30 বিয়োগ করে এটি বের করি। অতএব, ভেতরের হাইলাইট করা অংশের সম্ভাব্যতা হলো 0.20।

এখন, Z-টেবিল অনুসরণ করে আমরা 0.20 এর সবচেয়ে কাছের সম্ভাব্যতাটি খুঁজে বের করি। সংশ্লিষ্ট Z-স্কোরটি হলো 0.524।

অবশেষে, আমরা আমাদের র-স্কোর (X) সমাধান করতে স্ট্যান্ডার্ড Z-স্কোর সূত্রে এটি প্রয়োগ করি।

• Z = (X - μ)/σ
• 0.524 = (X - 55)/10
• X = (0.524 × 10) + 55
• X = 60.24

অতএব, পরীক্ষায় উত্তীর্ণ হওয়ার জন্য প্রয়োজনীয় ন্যূনতম স্কোর হলো 60.24।