light mode
night mode
পরিসংখ্যান (Statistics)
পরিসংখ্যানের মৌলিক ধারণা এবং প্রয়োজনীয়তা পরিসংখ্যান কী এবং কেন প্রয়োজন? ডেটা সংগ্রহের পদ্ধতি এবং উদাহরণ পরিসংখ্যানের বিভিন্ন শাখা (Descriptive এবং Inferential) ডেটার শ্রেণিবিন্যাস (Qualitative vs. Quantitative) ভর ডেটার পরিমাপ (Measures of Mass Data) Frequency Distribution এবং Cumulative Frequency Percentiles এবং Quartiles এর ধারণা Frequency Polygon এবং Ogive Graphical Presentation of Data Bar Chart এবং Pie Chart এর ব্যবহার Histogram এবং Frequency Polygon Boxplot এর মাধ্যমে Data Visualization Stem-and-Leaf Plot এর মাধ্যমে ডেটার সামগ্রিক চিত্র Measures of Central Tendency Arithmetic Mean এবং তার প্রকারভেদ (Simple, Weighted) Geometric এবং Harmonic Mean Median এবং তার ব্যবহার Mode এবং তার ব্যবহার (Uni-modal, Bi-modal) Measures of Dispersion Range, Quartile Deviation এবং Mean Deviation Variance এবং Standard Deviation এর ব্যবহার Coefficient of Variation (CV) এর প্রয়োগ Relative এবং Absolute Measures of Dispersion Moments, Skewness এবং Kurtosis Moments এর মৌলিক ধারণা Skewness: Positive, Negative, Symmetrical Distributions Kurtosis এর প্রকারভেদ: Leptokurtic, Platykurtic, Mesokurtic Data Shape বিশ্লেষণের জন্য Moments এর ব্যবহার সম্ভাব্যতা (Probability) এর মৌলিক ধারণা Classical এবং Empirical Probability Axioms of Probability Law of Total Probability Compound Events এবং Conditional Probability Random Variables এবং Probability Distributions Random Variables এর ধারণা এবং প্রকারভেদ (Discrete এবং Continuous) Probability Mass Function (PMF) এবং Probability Density Function (PDF) Cumulative Distribution Function (CDF) Expectation এবং Variance of a Random Variable Special Probability Distributions Binomial Distribution এবং তার প্রয়োগ Poisson Distribution এর ব্যবহার Normal Distribution এবং তার বৈশিষ্ট্য Exponential এবং Uniform Distribution Sampling এবং Sampling Distribution Population এবং Sample এর পার্থক্য Sampling Techniques (Simple Random, Stratified, Cluster) Sampling Distribution এর ধারণা Standard Error এর ব্যবহার Estimation Theory Point এবং Interval Estimation এর প্রয়োজনীয়তা Properties of Estimators: Unbiasedness, Consistency, Efficiency Confidence Interval এবং তার ব্যাখ্যা Margin of Error এবং তার ব্যবহার Hypothesis Testing Null এবং Alternative Hypothesis এর ধারণা Type I এবং Type II Errors Significance Level এবং P-value এর ব্যবহার One-tailed এবং Two-tailed Tests Parametric এবং Non-parametric Tests Parametric Test এর মৌলিক ধারণা Z-test এবং T-test এর ব্যবহার Non-parametric Test: Mann-Whitney, Wilcoxon, Kruskal-Wallis Chi-square Test এর মাধ্যমে Hypothesis Testing Analysis of Variance (ANOVA) One-way এবং Two-way ANOVA F-test এর মাধ্যমে Variance বিশ্লেষণ Repeated Measures ANOVA Post-hoc Tests (Tukey, LSD, Scheffé) Correlation এবং Causality Correlation Coefficient (Pearson, Spearman) Positive এবং Negative Correlation এর ব্যাখ্যা Spurious Correlation এবং তার প্রভাব Causality এর সাথে Correlation এর পার্থক্য Regression Analysis Simple এবং Multiple Regression এর মৌলিক ধারণা Linear এবং Non-linear Regression Least Squares Method এর ব্যবহার Residual Analysis এবং Model Validation Time Series Analysis এবং Forecasting Time Series এর বিভিন্ন Components (Trend, Seasonal, Cyclic, Irregular) Moving Average এবং Exponential Smoothing এর ব্যবহার ARIMA Model এর মাধ্যমে Forecasting Techniques Seasonal Decomposition এর ব্যবহার Index Numbers এবং তার ব্যবহার Simple এবং Weighted Index Numbers এর ধারণা Laspeyres এবং Paasche Index এর প্রয়োগ Consumer Price Index (CPI) এবং Wholesale Price Index (WPI) Chain Base এবং Fixed Base Index Numbers Multivariate Statistical Analysis Multivariate Regression এবং Analysis of Covariance (ANCOVA) Principal Component Analysis (PCA) এবং তার ব্যবহার Factor Analysis এর মাধ্যমে Dimensionality Reduction Canonical Correlation এবং Discriminant Analysis Statistical Quality Control (SQC) Control Charts এর ব্যবহার (X-bar, R-chart, P-chart) Process Control এবং Product Control এর ধারণা Acceptance Sampling এবং Sampling Plan Six Sigma এবং Statistical Process Control (SPC) Statistical Inference এবং Decision Making Bayes' Theorem এর মাধ্যমে Decision Making Maximum Likelihood Estimation (MLE) Decision Trees এবং Random Forest এর ব্যবহার Risk Analysis এবং Statistical Decision Theory Statistical Software এবং Tools Excel এর মাধ্যমে Statistical Computation R Programming এর Advanced Statistical Functions Python এর Data Analysis Libraries (Pandas, NumPy, SciPy, Statsmodels) SPSS, SAS এবং Minitab এর ব্যবহার Real-world Applications of Statistics Healthcare Data Analysis এবং Epidemiology Social Science Research এবং Survey Analysis Marketing এবং Sales Data Forecasting Machine Learning এবং AI এর সাথে Statistics এর সমন্বয় Big Data এবং Advanced Statistical Techniques Big Data এর জন্য Statistics এর প্রয়োজনীয়তা Data Mining Techniques (Classification, Clustering, Association) High-dimensional Data Analysis এবং Machine Learning Cloud Computing এর মাধ্যমে Statistical Processing Statistics এর ভবিষ্যৎ এবং Trends Data Science এবং Statistics এর সমন্বয় AI, Machine Learning, এবং Deep Learning এর সাথে Statistics Bayesian Statistics এবং Decision Making এর ভবিষ্যৎ Quantum Computing এবং Statistics এর ভবিষ্যৎ প্রভাব

Law of Total Probability

Big Data and Analytics - পরিসংখ্যান (Statistics) - সম্ভাব্যতা (Probability) এর মৌলিক ধারণা
365

Law of Total Probability হল একটি গুরুত্বপূর্ণ ফল যা সম্ভাব্যতা তত্ত্বে ব্যবহৃত হয় এবং এটি একটি নির্দিষ্ট ইভেন্টের সম্ভাবনা নির্ধারণ করতে সাহায্য করে যখন ইভেন্টটি বিভিন্ন পার্টিশনে বিভক্ত থাকে। এটি মূলত নির্দিষ্ট কিছু শর্ত বা উপ-ইভেন্টের উপর ভিত্তি করে মোট সম্ভাবনা বের করতে ব্যবহৃত হয়।

ফলটির সূত্র:

ধরা যাক, একটি পার্টিশন B1,B2,…,BnB_1, B_2, \dots, B_n রয়েছে এমন একটি স্যাম্পল স্পেস SS এর উপর ভিত্তি করে, যেখানে:

  • P(B1),P(B2),…,P(Bn)P(B_1), P(B_2), \dots, P(B_n) এর প্রত্যেকটি উপ-ইভেন্টের জন্য মোট সম্ভাবনা নির্ধারিত আছে।
  • AA হল একটি ইভেন্ট, যার মোট সম্ভাবনা আমরা বের করতে চাই।

এখন, Law of Total Probability এর সূত্র হল:

P(A)=∑i=1nP(A∣Bi)P(Bi)P(A) = \sum_{i=1}^{n} P(A | B_i) P(B_i)

এখানে:

  • P(A∣Bi)P(A | B_i) হল AA ইভেন্টের সম্ভাবনা, যখন BiB_i ঘটেছে।
  • P(Bi)P(B_i) হল BiB_i ইভেন্টের সম্ভাবনা।
  • ∑i=1n\sum_{i=1}^{n} মানে আমরা সব BiB_i-এর উপর ভিত্তি করে সম্ভাবনা গুলোর যোগফল করব।

ব্যবহার:

Law of Total Probability এর মূল উদ্দেশ্য হল একটি জটিল বা বিভক্ত ইভেন্টের মোট সম্ভাবনা বের করা যখন সেই ইভেন্টটির ঘটনার সম্ভাবনা বিভিন্ন শর্তের উপর ভিত্তি করে ভিন্ন। এটি বিশেষত তখন কাজে আসে, যখন আপনি পুরো স্যাম্পল স্পেসকে ছোট ছোট পার্টিশনে ভাগ করতে পারেন এবং প্রতিটি পার্টিশন থেকে AA ইভেন্টের সম্ভাবনা জানেন।

উদাহরণ:

ধরা যাক, একটি হাসপাতালে দুই ধরনের রোগী আসছে: B1B_1 হল পুরুষ রোগী এবং B2B_2 হল মহিলা রোগী। আপনি জানেন যে, পুরুষ রোগীদের মধ্যে একটি নির্দিষ্ট রোগের (A) সম্ভাবনা P(A∣B1)P(A | B_1) ০.১ এবং মহিলাদের জন্য এটি P(A∣B2)P(A | B_2) ০.২। যদি হাসপাতালের রোগী-বিভাগের মধ্যে ৬০% পুরুষ এবং ৪০% মহিলা থাকে, তাহলে এই রোগটির মোট সম্ভাবনা P(A)P(A) বের করা যাবে:

P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)P(A) = P(A | B_1) P(B_1) + P(A | B_2) P(B_2)

এখন:

P(A)=(0.1×0.6)+(0.2×0.4)P(A) = (0.1 \times 0.6) + (0.2 \times 0.4) P(A)=0.06+0.08=0.14P(A) = 0.06 + 0.08 = 0.14

অর্থাৎ, হাসপাতালে রোগী হিসেবে এই রোগটি পাওয়ার মোট সম্ভাবনা ০.১৪ বা ১৪%।

সারাংশ:

Law of Total Probability একটি ইভেন্টের মোট সম্ভাবনা নির্ধারণ করতে সাহায্য করে, যখন সেই ইভেন্টটি বিভিন্ন শর্ত বা উপ-ইভেন্টের উপর ভিত্তি করে বিভক্ত থাকে। এটি বিভিন্ন শর্তের জন্য সম্ভাবনা গুলি যোগ করার মাধ্যমে একটি ইভেন্টের মোট সম্ভাবনা বের করতে ব্যবহৃত হয়।

Content added By
SATT Academy

Read more

Classical এবং Empirical Probability Axioms of Probability Compound Events এবং Conditional Probability

or

Don't have an account? Register

Promotion
NEW SATT AI এখন আপনাকে সাহায্য করতে পারে।

Satt AI

Are you sure to start over?