সম্ভাবনা ক্যালকুলেটর

দুটি ইভেন্টের সম্ভাবনা ক্যালকুলেটর

যখন আপনি দুটি স্বাধীন ইভেন্টের (independent events) সম্ভাবনা জানেন, তখন তারা একসাথে ঘটার সম্ভাবনা নির্ণয় করতে দুটি ইভেন্টের সম্ভাবনা ক্যালকুলেটর ব্যবহার করতে পারেন। টুলে আপনার দুটি স্বাধীন ইভেন্টের (A এর সম্ভাবনা এবং B এর সম্ভাবনা) মানগুলো লিখুন। ফলাফলগুলো বুঝতে সাহায্য করার জন্য এই ক্যালকুলেটরটি অবিলম্বে ইউনিয়ন, ইন্টারসেকশন এবং অন্যান্য সম্পর্কিত সম্ভাবনাগুলো ভেন ডায়াগ্রামসহ (Venn diagrams) তৈরি করবে।

দুটি ইভেন্টের প্রবাবিলিটি সলভার

দুটি ইভেন্টের প্রবাবিলিটি সলভার (Probability Solver for Two Events) আপনাকে দুটি স্বাধীন ইভেন্টের বিভিন্ন সম্ভাবনা গণনা করতে দেয়, যতক্ষণ পর্যন্ত আপনার কাছে যেকোনো দুটি ইনপুট মান থাকে। এটি অত্যন্ত কার্যকরী যখন এক বা একাধিক ইভেন্টের প্রাথমিক সম্ভাবনা অজানা থাকে। এই টুলটি কেবল চূড়ান্ত উত্তরই দেয় না, বরং আপনার সুবিধার্থে ধাপে ধাপে সম্পূর্ণ গণনাও প্রদর্শন করে।

পরপর ঘটা স্বাধীন ইভেন্টের সম্ভাবনা

স্বাধীন ইভেন্টগুলো যখন একের পর এক ঘটে, এমন পরীক্ষাগুলো মূল্যায়ন করতে আপনি পরপর ঘটা স্বাধীন ইভেন্টের সম্ভাবনা ক্যালকুলেটর ব্যবহার করতে পারেন। এই ধারাবাহিক ঘটনাগুলোর সম্ভাবনা নির্ণয় করতে, কেবল প্রয়োজনীয় সম্ভাবনাগুলো ইনপুট দিন এবং ইভেন্টটি কতবার ঘটছে তা নির্ধারণ করুন।

নরমাল ডিস্ট্রিবিউশনের সম্ভাবনা

একটি নরমাল কার্ভের (normal curve) অধীনে থাকা সম্ভাবনা নির্ধারণের জন্য আমাদের নরমাল ডিস্ট্রিবিউশন প্রবাবিলিটি ক্যালকুলেটর একটি চমৎকার টুল। শুধু গড় (mean) μ, পরিমিত ব্যবধান (standard deviation) σ এবং আপনার কাঙ্ক্ষিত সীমাগুলো (boundaries) ইনপুট দিন। এই নরমাল প্রবাবিলিটি ক্যালকুলেটরটি দ্রুত নির্দিষ্ট সীমার সম্ভাবনা গণনা করবে এবং বিভিন্ন কনফিডেন্স লেভেলের উপর ভিত্তি করে কনফিডেন্স ইন্টারভাল (confidence intervals) প্রদান করবে।

সম্ভাবনা বা প্রবাবিলিটি পরিচিতি

সম্ভাবনা (Probability) হলো কোনো নির্দিষ্ট ঘটনা ঘটার পরিসংখ্যানগত সম্ভাবনা। যখন কোনো ঘটনা ঘটা সম্পূর্ণ নিশ্চিত, তখন তার সম্ভাবনা ১। বিপরীতভাবে, যখন কোনো ঘটনা ঘটা অসম্ভব, তখন তার সম্ভাবনা ০। ফলস্বরূপ, যেকোনো প্রদত্ত ইভেন্টের সম্ভাবনা সবসময় ০ এবং ১-এর মধ্যে থাকে। একটি ডেডিকেটেড সম্ভাবনা ক্যালকুলেটর ব্যবহার করলে এসব সম্ভাবনা নির্ণয় করা অবিশ্বাস্যভাবে সহজ এবং নির্ভুল হয়।

ইভেন্ট অপারেশনের নিয়মাবলী

পরিসংখ্যানে, কোনো পরীক্ষার ফলাফলের যেকোনো নির্দিষ্ট গ্রুপিংকে ইভেন্ট বলা হয়। মূলত, একটি ইভেন্ট হলো নমুনা ক্ষেত্রের (sample space) যেকোনো সাবসেট। এই ইভেন্টগুলো বিশ্লেষণ করতে ব্যবহৃত মূল অপারেশনগুলো হলো কমপ্লিমেন্ট (complement), ইন্টারসেকশন (intersection) এবং ইউনিয়ন (union)। চলুন একটি বাস্তব উদাহরণের মাধ্যমে এই নিয়মগুলোর প্রতিটি সম্পর্কে জেনে নিই।

উদাহরণ

ধরুন আপনার কলেজে বিজনেস ফ্যাকাল্টিসহ বিভিন্ন বিভাগ রয়েছে। কলেজে আন্তর্জাতিক শিক্ষার্থীরাও ভর্তি আছে। একটি প্রজেক্টের অংশ হিসেবে, আপনাকে শিক্ষার্থীদের সাথে সাক্ষাৎকার নিতে হবে এবং আপনি গেট দিয়ে প্রবেশ করা প্রথম ব্যক্তিকে দিয়ে এটি শুরু করার সিদ্ধান্ত নিয়েছেন। আপনি নিচের সম্ভাবনাগুলো সম্পর্কে অবগত আছেন:

A = প্রথম শিক্ষার্থী বিজনেস ফ্যাকাল্টির।

B = প্রথম শিক্ষার্থী একজন আন্তর্জাতিক শিক্ষার্থী।

P(A) = 0.6

P(B) = 0.3

একটি ইভেন্টের কমপ্লিমেন্ট

একটি ইভেন্টের কমপ্লিমেন্ট বলতে নমুনা ক্ষেত্রের (sample space) সেই সমস্ত ফলাফলকে বোঝায় যা ওই নির্দিষ্ট ইভেন্টের অংশ নয়।

উদাহরণস্বরূপ, ইভেন্ট A-এর কমপ্লিমেন্ট মানে হলো নির্বাচিত প্রথম শিক্ষার্থী বিজনেস ফ্যাকাল্টি ছাড়া অন্য কোনো বিভাগের। একে \$A\prime\$ অথবা Aᶜ দ্বারা প্রকাশ করা যেতে পারে।

চলুন ভেন ডায়াগ্রামের মাধ্যমে ইভেন্ট A-এর কমপ্লিমেন্টটি দেখে নিই।

উপরের ভেন ডায়াগ্রামে, রঙিন অংশটি ইভেন্ট A-এর কমপ্লিমেন্টকে উপস্থাপন করে।

আয়তক্ষেত্রের মোট ক্ষেত্রফল নমুনা ক্ষেত্রের (sample space) সামগ্রিক সম্ভাবনাকে প্রতিনিধিত্ব করে, যা ঠিক ১। বৃত্ত A-এর বাইরের স্থানটি ইভেন্ট A-এর কমপ্লিমেন্টের সম্ভাবনাকে চিত্রিত করে। এই ভিজ্যুয়াল উপস্থাপনাটি আমাদের নিম্নলিখিত সম্পর্ক স্থাপন করতে দেয়:

$$P\left(A\right)+P\left(A^\prime\right)=1$$

অতএব,

$$P\left(A^\prime\right)=1-P\left(A\right)$$

এবার চলুন সংশ্লিষ্ট সম্ভাবনাগুলো গণনা করি।

সাক্ষাৎকারের জন্য নির্বাচিত প্রথম শিক্ষার্থী বিজনেস ফ্যাকাল্টির না হওয়ার সম্ভাবনা হলো:

$$P\left(A^\prime\right)=1-P\left(A\right)=1-0.6=0.4$$

নির্বাচিত প্রথম শিক্ষার্থী আন্তর্জাতিক শিক্ষার্থী না হওয়ার সম্ভাবনা হলো:

$$P\left(B^\prime\right)=1-P\left(B\right)=1-0.3=0.7$$

ইভেন্টগুলোর ইন্টারসেকশন

দুটি ইভেন্ট, A এবং B-এর ইন্টারসেকশন বলতে উভয় ইভেন্টের মধ্যে থাকা সমস্ত সাধারণ (common) উপাদানের সেটকে বোঝায়। "এবং" (AND) শব্দটি প্রায়ই এই ইন্টারসেকশন বোঝাতে ব্যবহৃত হয়।

আমাদের উদাহরণে, ইভেন্ট A এবং ইভেন্ট B-এর ইন্টারসেকশন মানে হলো এমন একজন শিক্ষার্থী নির্বাচন করা যিনি একজন আন্তর্জাতিক শিক্ষার্থী এবং বিজনেস ফ্যাকাল্টির অন্তর্ভুক্ত। একে গাণিতিকভাবে নিচের মতো প্রকাশ করা হয়:

$$A\cap B$$

চলুন একটি ভেন ডায়াগ্রামের মাধ্যমে ইভেন্ট A এবং B-এর ইন্টারসেকশনটি দেখি।

উপরের ভেন ডায়াগ্রামে, শেড করা অংশটি ইভেন্ট A এবং B-এর ইন্টারসেকশন হাইলাইট করে।

এবার ইভেন্ট C নিয়ে আসা যাক: সাক্ষাৎকারের জন্য একজন স্থানীয় শিক্ষার্থী নির্বাচন করা। আমরা নতুন একটি ভেন ডায়াগ্রামে ইভেন্ট A এবং C দেখাতে পারি।

যেহেতু একজন শিক্ষার্থী একই সাথে স্থানীয় এবং আন্তর্জাতিক হতে পারে না, তাই আন্তর্জাতিক শিক্ষার্থী নির্বাচন করলে স্থানীয় শিক্ষার্থী নির্বাচনের সম্ভাবনা স্বাভাবিকভাবেই বাদ পড়ে যায়। কারণ তারা একই সময়ে ঘটতে পারে না, তাই ইভেন্ট A এবং C-কে পারস্পরিকভাবে বর্জনশীল (mutually exclusive) হিসেবে বিবেচনা করা হয়।

পারস্পরিকভাবে বর্জনশীল ইভেন্টগুলোর কোনো সাধারণ উপাদান থাকে না। ফলে তাদের ইন্টারসেকশন ফাঁকা (empty) হয়:

$$A\cap C=φ$$

জানা চলকগুলোর (variables) ওপর নির্ভর করে আপনি কয়েকটি ভিন্ন পদ্ধতি ব্যবহার করে একটি ইন্টারসেকশনের সম্ভাবনা গণনা করতে পারেন। ইভেন্ট A এবং B-এর ইন্টারসেকশনটি এই সূত্রগুলো ব্যবহার করে লেখা যেতে পারে:

$$P\left(A\cap B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cup B\right)$$

$$P\left(A\cap B\right)=P(A)× P(B/A)$$

$$P\left(A\cap B\right)=P(B)× P(A/B)$$

স্বাধীন ইভেন্ট

স্বাধীন ইভেন্ট বা Independent events হলো সেই ইভেন্টগুলো যাদের ফলাফল একে অপরের ওপর প্রভাব ফেলে না। আমাদের উদাহরণে ফিরে গেলে, বিজনেস ফ্যাকাল্টি থেকে একজন শিক্ষার্থী নির্বাচন করাটা ওই শিক্ষার্থী আন্তর্জাতিক নাকি স্থানীয়, তার ওপর কোনো প্রভাব ফেলে না। তাই ইভেন্ট A এবং ইভেন্ট B হলো স্বাধীন ইভেন্ট।

ইভেন্টগুলো যখন সম্পূর্ণ স্বাধীন হয়, তখন একটি ঘটার সম্ভাবনা অন্যটির ঘটার ওপর নির্ভর করে না। সুতরাং, গাণিতিক সম্পর্কটি এভাবে প্রকাশ করা হয়:

$$P(B/A)=B\ and\ P(A/B)=A$$

স্বাধীন ইভেন্টগুলোর ইন্টারসেকশনের সম্ভাবনা নির্ণয় সহজ করতে আপনি আমাদের আগের সমীকরণগুলোতে এগুলো প্রতিস্থাপন করতে পারেন:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(\mathrm{B/A}\right)P\left(A\cap B\right)=P(A)× P(B)$$

$$P\left(A\cap B\right)=P\left(B\right)× P\left(\mathrm{A/B}\right)P\left(A\cap B\right)=P(B)× P(A)$$

এর মানে হলো, আপনি কেবল দুটি স্বাধীন ইভেন্টের নিজস্ব সম্ভাবনাগুলো গুণ করে সহজেই তাদের ইন্টারসেকশন বের করতে পারেন:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=P(B)× P(A)$$

যেহেতু ইভেন্ট A এবং B স্বাধীন, চলুন সাক্ষাৎকারের জন্য নির্বাচিত প্রথম শিক্ষার্থীটি বিজনেস ফ্যাকাল্টির এবং আন্তর্জাতিক শিক্ষার্থী—উভয়ই হওয়ার সম্ভাবনা নির্ণয় করি:

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=0.6× 0.3=0.18$$

ইভেন্টগুলোর ইউনিয়ন

দুটি ইভেন্টের ইউনিয়নের ফলে একটি বিস্তৃত ইভেন্ট তৈরি হয়, যার মধ্যে আসল ইভেন্টগুলোর যেকোনো একটি বা উভয়ের সমস্ত উপাদান থাকে। সাধারণত "অথবা" (OR) শব্দটি এই ধরনের সম্পর্ক বর্ণনা করতে ব্যবহৃত হয়।

আমাদের চলমান উদাহরণে, ইভেন্ট A এবং B-এর ইউনিয়ন বলতে এমন একজন শিক্ষার্থী নির্বাচন করাকে বোঝায় যিনি হয় আন্তর্জাতিক, অথবা বিজনেস ফ্যাকাল্টির (অথবা উভয়ই)। একে এভাবে প্রকাশ করা হয়:

$$A\cup B$$

চলুন ভেন ডায়াগ্রামের সাহায্যে ইভেন্ট A এবং B-এর ইউনিয়নটি দেখে নিই।

উপরের ভেন ডায়াগ্রামে, সম্পূর্ণ রঙিন অংশটি ইভেন্ট A এবং B-এর ইউনিয়নকে উপস্থাপন করে।

ইভেন্ট A অথবা ইভেন্ট B ঘটার সম্ভাবনা গণনা করতে, আমরা উভয় ইভেন্টের সম্ভাবনা একত্রে যোগ করি এবং তারপর তাদের ইন্টারসেকশনের সম্ভাবনা বিয়োগ করি।

ইভেন্ট A এবং B-এর মধ্যে ইউনিয়নের সম্ভাবনার সূত্রটি নিম্নরূপ লেখা হয়:

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cap B\right)$$

আমরা দুটি স্বাধীন ইভেন্টের ইউনিয়নের জন্য একটি নির্দিষ্ট সূত্র তৈরি করতে এটিকে পরিবর্তনও করতে পারি। ইন্টারসেকশনের সম্ভাবনা অজানা থাকলে এটি বিশেষভাবে সহায়ক হয়।

যেহেতু ইভেন্টগুলো স্বাধীন:

$$P\left(A\cap B\right)=P(A)× P(B)$$

সুতরাং, ইউনিয়নের সূত্রটি দাঁড়ায়:

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P(A)× P(B)$$

চলুন ইভেন্ট A এবং B-এর ইউনিয়নের সম্ভাবনাটি গণনা করি। অন্য কথায়, এমন একজন শিক্ষার্থী নির্বাচন করার সম্ভাবনা কত, যিনি একজন বিজনেস মেজর, একজন আন্তর্জাতিক শিক্ষার্থী, বা একই সাথে উভয়ই?

$$P(A\cup B)=P(A)+P(B)-P(A\cap B)=0.6+0.3-0.18=0.72$$

আমাদের দুটি ইভেন্টের সম্ভাবনা ক্যালকুলেটর এবং দুটি ইভেন্টের প্রবাবিলিটি সলভার-এর সাহায্যে আপনি তাৎক্ষণিকভাবে এই সমস্ত গণনা সম্পন্ন করতে পারেন। ম্যানুয়াল গণিত যাচাই করার জন্য এই টুলগুলো নিখুঁত, কারণ এগুলো চূড়ান্ত উত্তরের পাশাপাশি সম্পূর্ণ ধাপে ধাপে গণনাও প্রদর্শন করে।

নরমাল ডিস্ট্রিবিউশন

নরমাল ডিস্ট্রিবিউশন হলো একটি প্রতিসম (symmetrical), ঘণ্টার মতো আকৃতির কার্ভ। একটি নিখুঁত নরমাল ডিস্ট্রিবিউশনে গড় (mean), মধ্যক (median) এবং প্রচুরক (mode)—সবগুলোই অভিন্ন থাকে। ঠিক ৫০% ডেটা গড়ের উপরে থাকে এবং অন্য ৫০% ডেটা এর নিচে থাকে। কার্ভটি যখন উভয় দিকে গড়ের থেকে দূরে প্রসারিত হয়, এটি X-অক্ষের দিকে অগ্রসর হয়—কিন্তু কখনোই এটি স্পর্শ করে না। এই কার্ভের মোট ক্ষেত্রফল সর্বদা ১-এর সমান হয়।

যদি একটি র্যান্ডম ভেরিয়েবল (random variable) X, μ (গড়) এবং σ² (ভেদাঙ্ক বা variance) প্যারামিটারসহ একটি নরমাল ডিস্ট্রিবিউশন অনুসরণ করে, তবে এটিকে X ~ N(μ, σ²) হিসেবে লেখা হয়।

নরমাল ডিস্ট্রিবিউশনের সম্ভাবনা

নরমাল ডিস্ট্রিবিউশনের সম্ভাবনা ঘনত্ব ফাংশন (probability density function) এভাবে প্রকাশ করা হয়:

$$f\left(x\right)=\frac{1}{\sqrt{2π\sigma^2}}× e^\frac{-{(x-\mu)}^2}{2\sigma^2}$$

এই ফাংশনে:

• μ হলো ডিস্ট্রিবিউশনের গড়;
• σ² হলো ডিস্ট্রিবিউশনের ভেদাঙ্ক;
• π হলো আনুমানিক 3.14;
• e হলো আনুমানিক 2.7182।

যেহেতু অসংখ্য নরমাল কার্ভ রয়েছে, তাই গড় এবং পরিমিত ব্যবধানের সম্ভাব্য প্রতিটি সংমিশ্রণের জন্য একক সম্ভাবনার সারণি (probability table) তৈরি করা অসম্ভব। এই সমস্যার সমাধানে পরিসংখ্যানবিদরা আদর্শ নরমাল ডিস্ট্রিবিউশন বা স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশন ব্যবহার করেন। এটি নরমাল ডিস্ট্রিবিউশনের একটি বিশেষ রূপ যেখানে গড় ০ এবং পরিমিত ব্যবধান ১।

ম্যানুয়ালি নরমাল ডিস্ট্রিবিউশনের সম্ভাবনা গণনা করতে, আপনাকে প্রথমে একটি z-স্কোর ব্যবহার করে আপনার নির্দিষ্ট ডিস্ট্রিবিউশনকে একটি স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশনে রূপান্তর করতে হবে। একবার রূপান্তরিত হয়ে গেলে, আপনি সম্ভাবনা খুঁজে পেতে একটি z-টেবিল ব্যবহার করতে পারেন। এর বিকল্প হিসেবে, আমাদের নরমাল প্রবাবিলিটি ক্যালকুলেটর নির্বিঘ্নে একটি স্ট্যান্ডার্ড নরমাল প্রবাবিলিটি ক্যালকুলেটর হিসেবে কাজ করে, যা ম্যানুয়াল চার্ট খোঁজার ঝামেলা ছাড়াই তাৎক্ষণিকভাবে সম্ভাবনা এবং কনফিডেন্স ইন্টারভালগুলো গণনা করে।

z-স্কোরের সূত্রটি হলো:

$$Z=\frac{X-\mu}{\sigma}$$

স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশন কার্ভ বাস্তব বিশ্বের পরিসংখ্যানগত সমস্যা সমাধানের জন্য একটি শক্তিশালী টুল। এটি বিশেষভাবে অবিচ্ছিন্ন চলকের (continuous variables) সম্ভাবনা নির্ধারণ করতে ব্যবহৃত হয়। একটি অবিচ্ছিন্ন চলক দশমিকসহ অসংখ্য মান গ্রহণ করতে পারে—যেমন উচ্চতা, ওজন এবং তাপমাত্রা।

নরমাল ডিস্ট্রিবিউশনের মধ্যে সম্ভাবনা কীভাবে নির্ণয় করতে হয় তা বোঝার জন্য চলুন একটি ব্যবহারিক উদাহরণ দেখি।

উদাহরণ

ধরুন আপনার পরিসংখ্যান কোর্সের ফলাফল নরমাল ডিস্ট্রিবিউটেড, যার গড় স্কোর 65 এবং পরিমিত ব্যবধান 10। যদি দৈবচয়নের (random) মাধ্যমে একজন শিক্ষার্থী নির্বাচন করা হয়, তবে নিচের পরিস্থিতিগুলোর সম্ভাবনা নির্ধারণ করুন:

• শিক্ষার্থীর স্কোর 70 বা তার বেশি হওয়ার সম্ভাবনা।
• শিক্ষার্থীর স্কোর 70-এর কম হওয়ার সম্ভাবনা।
• শিক্ষার্থীর স্কোর 50 থেকে 70-এর মধ্যে হওয়ার সম্ভাবনা।

সমাধান

$$P\left(X≥70\right)=P\left(Z≥\frac{70-65}{10}\right)=P\left(Z≥0.5\right)=1-0.6915=0.3085$$

$$P\left(X<70\right)=P\left(Z<\frac{70-65}{10}\right)=P\left(Z<0.5\right)=0.6915$$

$$P\left(50>X>70\right)=P\left(\frac{50-65}{10}>Z>\frac{70-65}{10}\right)=P\left(1.5>Z>0.5\right)=0.4332+0.1915=0.6247$$

ম্যানুয়ালি একটি নরমাল কার্ভের সম্ভাবনা গণনা করার ক্ষেত্রে একাধিক জটিল ধাপ জড়িত থাকে এবং এর জন্য z-টেবিলগুলো পড়ার প্রয়োজন হয়। সৌভাগ্যবশত, আমাদের নরমাল ডিস্ট্রিবিউশন প্রবাবিলিটি ক্যালকুলেটর আপনাকে এই ঝামেলা এড়াতে সাহায্য করে। শুধু চারটি মান ইনপুট দিন—গড়, পরিমিত ব্যবধান, এবং বাম ও ডান সীমা—আর ক্যালকুলেটরটি তাৎক্ষণিকভাবে আপনার জন্য নিখুঁত সম্ভাবনা গণনা করে দেবে।