সম্ভাব্যতা (Probability) এর মৌলিক ধারণা

সম্ভাব্যতা (Probability) হল একটি গাণিতিক শাখা যা ঘটনা ঘটার সম্ভাবনা পরিমাপ করে। এটি একটি অমূল্য কৌশল, যা বিভিন্ন পরিস্থিতিতে যে কোনো ঘটনা বা ফলাফল ঘটবে তার পূর্বানুমান করতে সাহায্য করে। সম্ভাব্যতা সাধারণত ০ থেকে ১ এর মধ্যে থাকে, যেখানে ০ মানে ঘটনা ঘটবে না এবং ১ মানে ঘটনা অবশ্যই ঘটবে।

সম্ভাব্যতার মৌলিক ধারণা

১. ঘটনা (Event)

ঘটনা (Event) হল এক বা একাধিক সম্ভবনামূলক ফলাফল যা একটি পরীক্ষার মাধ্যমে ঘটতে পারে। একটি ঘটনা যেকোনো কিছু হতে পারে—যেমন একটি কয়েনের ফলাফল (হেড অথবা টেইল), একটি ডাইসের রোল (১ থেকে ৬), বা কোনো নির্দিষ্ট মান (যেমন ১০) পাওয়া।

• উদাহরণ: একটি ডাইস রোল করার পর সংখ্যা ৪ আসার সম্ভাবনা।

২. সম্ভাবনা (Probability)

সম্ভাবনা একটি সংখ্যার মাধ্যমে প্রকাশ করা হয় যা কোন একটি বিশেষ ঘটনা ঘটার সম্ভাবনা প্রদর্শন করে। সম্ভাবনা সাধারণত ০ থেকে ১ পর্যন্ত থাকে। যদি $P(E)$ একটি ঘটনা E এর সম্ভাবনা হয়, তবে:

• $P(E) = 0$ মানে ঘটনা কখনোই ঘটবে না।
• $P(E) = 1$ মানে ঘটনা অবশ্যই ঘটবে।
• $0 < P(E) < 1$ মানে ঘটনা ঘটার কিছু সম্ভাবনা রয়েছে।

৩. সম্ভাবনার গণনা (Probability Calculation)

সম্ভাবনা গণনার জন্য মূলত দুটি মৌলিক পদ্ধতি ব্যবহৃত হয়:

1. Classical Approach (সাধারণ পদ্ধতি):
   • এটি একটি সাদাসিধে পদ্ধতি যেখানে সম্ভাবনা গণনা করা হয় সমস্ত সম্ভাব্য ফলাফলের মধ্যে একটি নির্দিষ্ট ফলাফল পাওয়ার সম্ভাবনা হিসাবে।
   • ফর্মুলা: $$P(E) = \frac{\text{ঘটনা E এর ফলাফল সংখ্যা}}{\text{সম্ভাব্য সকল ফলাফলের সংখ্যা}}$$
   • উদাহরণ: একটি সাধারণ ডাইসের ক্ষেত্রে ৬টি ফলাফল হতে পারে (১, ২, ৩, ৪, ৫, ৬)। যদি আমরা ৪ আসার সম্ভাবনা জানি, তবে: $$P(৪) = \frac{1}{6}$$
2. Empirical Approach (অভিজ্ঞতাভিত্তিক পদ্ধতি):
   • এটি বাস্তব পৃথিবীতে পরীক্ষার ফলাফল থেকে সম্ভাবনা নির্ধারণ করার পদ্ধতি, যেখানে ঘটনা ঘটার ফ্রিকোয়েন্সি (অথবা পরীক্ষা করার পরের পরিসংখ্যান) দেখা হয়।
   • ফর্মুলা: $$P(E) = \frac{\text{ঘটনা E ঘটার ফ্রিকোয়েন্সি}}{\text{মোট পরীক্ষার সংখ্যা}}$$

সম্ভাব্যতার কিছু মৌলিক নিয়ম

১. যোগ নিয়ম (Addition Rule)

যখন দুটি ঘটনা একে অপরের সঙ্গে সম্পর্কিত হয় এবং আমরা জানতে চাই যে অথবা ঘটনা দুটি ঘটবে, তখন যোগ নিয়ম প্রয়োগ করা হয়।

• ফর্মুলা (Mutually Exclusive Events):

  $$P(A \cup B) = P(A) + P(B)$$

  যদি $A$ এবং $B$ দুটি ঘটনা একে অপরকে ব্যতিক্রমী বা mutually exclusive হয়।

• ফর্মুলা (Non-Mutually Exclusive Events):

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

  যদি দুটি ঘটনা একে অপরের সাথে সম্পর্কযুক্ত হয় এবং একসাথে ঘটতে পারে।

২. গুণ নিয়ম (Multiplication Rule)

যখন দুটি ঘটনা একসাথে ঘটার সম্ভাবনা বের করা হয়, তখন গুণ নিয়ম প্রয়োগ করা হয়।

• ফর্মুলা (Independent Events):

  $$P(A \cap B) = P(A) \times P(B)$$

  যদি $A$ এবং $B$ দুটি স্বাধীন ঘটনা হয়।

• ফর্মুলা (Dependent Events):

  $$P(A \cap B) = P(A) \times P(B|A)$$

  যেখানে $P(B|A)$ হল $A$ ঘটলে $B$ ঘটার শর্তাধীন সম্ভাবনা।

৩. পরিপূরক ঘটনা (Complementary Events)

একটি ঘটনা এবং তার পরিপূরক ঘটনা একে অপরকে সম্পূর্ণভাবে পূর্ণ করে। অর্থাৎ, যদি একটি ঘটনা না ঘটে, তবে তার পরিপূরক ঘটনা অবশ্যই ঘটবে।

• ফর্মুলা: $$P(A') = 1 - P(A)$$ এখানে, $P(A')$ হল $A$ এর পরিপূরক ঘটনা।

সম্ভাব্যতার কিছু গুরুত্বপূর্ণ উদাহরণ

1. কয়েনের ফলাফল: একটি সোজা কয়েনের ফলাফল হল দুটি সম্ভাব্যতা, হেড বা টেইল।
   • $P(\text{হেড}) = \frac{1}{2}$
   • $P(\text{টেইল}) = \frac{1}{2}$
2. ডাইস রোল: একটি সাধারণ ডাইসে ১ থেকে ৬ পর্যন্ত সংখ্যা থাকে।
   • $P(\text{৩}) = \frac{1}{6}$
   • $P(\text{অতএব, ১ থেকে ৪-এর মধ্যে কিছু আসা}) = \frac{4}{6} = \frac{2}{3}$

সারাংশ

সম্ভাব্যতা একটি গাণিতিক ধারণা যা একটি ঘটনার সম্ভাবনা পরিমাপ করে এবং ০ থেকে ১ এর মধ্যে থাকে। এর প্রধান উদ্দেশ্য হল, যে কোনো ঘটনা ঘটার সম্ভাবনা পরিমাপ করা এবং সেটা হিসাব করা। সম্ভাবনা গণনা করার জন্য সাধারণ পদ্ধতি হিসেবে Classical Approach এবং Empirical Approach ব্যবহৃত হয়। সম্ভাবনার বিভিন্ন নিয়ম যেমন যোগ নিয়ম, গুণ নিয়ম এবং পরিপূরক ঘটনা ঘটনার মধ্যে সম্পর্ক এবং ঘটনার সম্ভাবনা সঠিকভাবে নির্ধারণ করতে সাহায্য করে।

Probability বা সম্ভাবনা পরিসংখ্যানের একটি গুরুত্বপূর্ণ শাখা যা কোন ঘটনা ঘটার সম্ভাবনা পরিমাপ করে। সম্ভাবনা গণনার দুটি প্রধান পদ্ধতি হল Classical Probability এবং Empirical Probability। উভয় পদ্ধতি থেকেই বিভিন্ন ঘটনার সম্ভাবনা গণনা করা হয়, তবে এগুলোর মধ্যে কিছু পার্থক্য রয়েছে।

১. Classical Probability (ক্লাসিক্যাল সম্ভাবনা)

Classical Probability হল তত্ত্বগত বা নির্দিষ্ট নিয়মের ভিত্তিতে সম্ভাবনা নির্ধারণের পদ্ধতি। এই পদ্ধতিতে, একটি ইভেন্টের সম্ভাবনা গণনা করা হয় যখন সমস্ত সম্ভব ঘটনা সমান সম্ভাবনাময় হয়।

ক্লাসিক্যাল সম্ভাবনার সূত্র:

$$P(A) = \frac{\text{সংশ্লিষ্ট ঘটনা A এর সংখ্যাঙ্ক}}{\text{সম্ভাব্য সব ঘটনা সমূহের সংখ্যা}}$$

এখানে,

• P(A) হল ঘটনার A এর সম্ভাবনা,
• সংশ্লিষ্ট ঘটনা A এর সংখ্যা,
• সমস্ত সম্ভব ঘটনা (sample space) এর সংখ্যা।

ব্যবহার:

• Classical Probability সাধারণত নিয়মিত বা সিমিট্রিক্যাল পরিস্থিতিতে ব্যবহৃত হয়, যেখানে সমস্ত সম্ভব ঘটনা সমান সম্ভাবনাময় থাকে, যেমন একটি কয়েনের উল্টানো বা একটি ডাইসের ঘূর্ণন।

উদাহরণ:

ধরা যাক, একটি সঠিকভাবে সেট করা ৬-পিঠবিশিষ্ট ডাইস নিক্ষেপ করা হচ্ছে। এখানে সম্ভব ঘটনা গুলি হল: {১, ২, ৩, ৪, ৫, ৬}

• একটি নির্দিষ্ট সংখ্যার (যেমন ৩) আগমন সম্ভাবনা:

$$P(৩) = \frac{১}{৬}$$

কারণ ১ থেকে ৬ পর্যন্ত প্রতিটি পিঠের সম্ভাবনা সমান, অর্থাৎ সম্ভাবনা সমানভাবে ভাগ করা হয়েছে।

২. Empirical Probability (এম্পিরিক্যাল সম্ভাবনা)

Empirical Probability হল অভিজ্ঞতা বা পর্যবেক্ষণের ভিত্তিতে সম্ভাবনা নির্ধারণের পদ্ধতি। এই পদ্ধতিতে, ঘটনাটি বাস্তব জগতে পর্যবেক্ষণ করে এবং এর সংঘটনের ফ্রিকোয়েন্সি ব্যবহার করে সম্ভাবনা গণনা করা হয়।

এম্পিরিক্যাল সম্ভাবনার সূত্র:

$$P(A) = \frac{\text{ঘটনা A এর সংঘটন সংখ্যা}}{\text{মোট পর্যবেক্ষণের সংখ্যা}}$$

এখানে,

• P(A) হল ঘটনার A এর সম্ভাবনা,
• ঘটনা A এর সংঘটন সংখ্যা,
• মোট পর্যবেক্ষণের সংখ্যা।

ব্যবহার:

• Empirical Probability বাস্তব জীবনে পর্যবেক্ষণ, পরীক্ষণ বা অভিজ্ঞতার উপর ভিত্তি করে গণনা করা হয়, এবং এটি কখনও কখনও experimental probability হিসেবেও পরিচিত। যখন কোন ঘটনা ঘটার পূর্বানুমান বা তত্ত্বগত হিসাব করা সম্ভব না হয়, তখন এই পদ্ধতি ব্যবহৃত হয়।

উদাহরণ:

ধরা যাক, একটি স্কুলে ১০০ জন ছাত্রের মধ্যে ৭৫ জন ছাত্র ক্রিকেট খেলতে ভালোবাসে।

• এখানে, ক্রিকেট খেলতে ভালোবাসা ছাত্রদের সংখ্যা হল ৭৫, এবং মোট ছাত্রের সংখ্যা হল ১০০।
• তাহলে, ক্রিকেট খেলার সম্ভাবনা হবে:

$$P(\text{ক্রিকেট}) = \frac{৭৫}{১০০} = 0.75$$

এখানে, সম্ভাবনা বাস্তব পর্যবেক্ষণের উপর ভিত্তি করে গণনা করা হয়েছে।

Classical vs. Empirical Probability

সারাংশ

Classical Probability তত্ত্বের উপর ভিত্তি করে গণনা করা হয় যেখানে সব ঘটনা সমান সম্ভাবনাময় থাকে, যেমন একটি সঠিক ডাইস নিক্ষেপ করা। অন্যদিকে, Empirical Probability বাস্তব পৃথিবীতে ঘটনার সংঘটন এবং তার ফ্রিকোয়েন্সি নিয়ে কাজ করে, যা বাস্তব অভিজ্ঞতা বা পরীক্ষণের মাধ্যমে নির্ধারিত হয়। উভয় পদ্ধতি পরিসংখ্যানিক বিশ্লেষণে গুরুত্বপূর্ণ এবং বিভিন্ন পরিস্থিতিতে ব্যবহৃত হয়।

প্রবাবিলিটি তত্ত্ব একটি গাণিতিক শাখা যা ঘটনাগুলির সম্ভাবনা পরিমাপ করতে ব্যবহৃত হয়। এটি কিছু মৌলিক ভিত্তির উপর প্রতিষ্ঠিত, যেগুলোকে আয়তন বা axioms বলা হয়। এই আয়তনগুলো প্রবাবিলিটি তত্ত্বের ভিত্তি স্থাপন করে এবং পরবর্তী জটিল ধারণাগুলি বিকাশে সহায়ক। রাশিয়ান গণিতবিদ আন্ড্রে কোলমোগরভ ১৯৩৩ সালে প্রবাবিলিটি তত্ত্বের এই আয়তনগুলো গঠন করেন। এই আয়তনগুলোই সম্ভবনা গণনা ও বৈধতার জন্য মূলনীতি প্রদান করে।

১. নন-নেগেটিভিটি আয়তন (Non-Negativity Axiom)

যে কোনো ঘটনা $A$-এর জন্য, তার সম্ভাবনা নন-নেগেটিভ হবে। অর্থাৎ, কোনো ঘটনাটির সম্ভাবনা কখনোই শূন্যের কম হতে পারে না।

$$P(A) \geq 0$$

ব্যাখ্যা:

• এই আয়তনটি বলে যে, কোনো ঘটনা ঘটার সম্ভাবনা শূন্যের কম হতে পারে না। এর মানে হল যে, কোনো ঘটনা ঘটার জন্য নেগেটিভ প্রবাবিলিটি থাকবে না।

উদাহরণ:

একটি সাধারণ পাথরের উপরে "৬" রোল করার সম্ভাবনা হল $P(\text{৬ রোল করা}) = \frac{1}{6}$, যা একটি নন-নেগেটিভ মান।

২. নর্মালাইজেশন আয়তন (Normalization Axiom)

পুরো স্যাম্পল স্পেসের (সম্ভাব্য ফলাফলগুলির সমষ্টি) সম্ভাবনা ১ হবে। অর্থাৎ, সমস্ত সম্ভাব্য ফলাফলের সম্ভাবনা যোগফলে ১ হবে।

$$P(S) = 1$$

যেখানে $S$ হল স্যাম্পল স্পেস, যা একটি পরীক্ষার সব সম্ভাব্য ফলাফলকে প্রতিনিধিত্ব করে।

ব্যাখ্যা:

• এই আয়তনটি বলে যে, স্যাম্পল স্পেসের মোট সম্ভাবনা ১ হবে, অর্থাৎ, একটি পরীক্ষার সব ফলাফল ঘটবে এবং তাদের যোগফল ১ হবে।

উদাহরণ:

যদি একটি সাধারণ ছয়পৃষ্ঠী তাসের ডাইস ব্যবহার করা হয়, যেখানে $S = \{১, ২, ৩, ৪, ৫, ৬\}$, তবে:

$$P(১) + P(২) + P(৩) + P(৪) + P(৫) + P(৬) = 1$$

এবং এটি নিশ্চিত করতে, প্রতিটি ফলাফলের সম্ভাবনা $\frac{1}{6}$ হবে।

৩. অ্যাডিটিভিটি আয়তন (Additivity Axiom)

যে দুটি ঘটনা $A$ এবং $B$ পরস্পর পরিপূরক (mutually exclusive) নয়, তাদের সংযোগের সম্ভাবনা হলো তাদের পৃথক পৃথক সম্ভাবনার যোগফল।

$$P(A \cup B) = P(A) + P(B)$$

এখানে $A \cup B$ হল এমন একটি ঘটনা, যেখানে বা $A$ অথবা $B$ ঘটবে।

ব্যাখ্যা:

• এই আয়তনটি বলে যে, যদি দুটি ঘটনা একে অপরের সাথে সংঘর্ষ না করে (অর্থাৎ পরিপূরক না হয়), তবে তাদের একত্রিত হওয়ার সম্ভাবনা দুটি ঘটনার পৃথক পৃথক সম্ভাবনার যোগফল হবে।

উদাহরণ:

একটি সাধারণ ডাইসে, $A$ ঘটনা "২ রোল করা" এবং $B$ ঘটনা "৪ রোল করা"। এগুলি পরিপূরক কারণ একসাথে তারা একই সময়ে ঘটতে পারে না। তবে, তাদের যোগফল হবে:

$$P(A \cup B) = P(\text{২ রোল করা}) + P(\text{৪ রোল করা}) = \frac{1}{6} + \frac{1}{6} = \frac{2}{6} = \frac{1}{3}$$

বহু ঘটনার জন্য প্রসারিতকরণ:

এই আয়তনগুলো আরও জটিল ঘটনার জন্য প্রসারিত হতে পারে। উদাহরণস্বরূপ, যদি একাধিক ঘটনা ঘটে, তবে অ্যাডিটিভিটি আয়তনটি ক্রমান্বয়ে প্রয়োগ করা যেতে পারে। তবে, যদি ঘটনা পরিপূরক না হয়, তবে ইন্ক্লুশন-এক্সক্লুশন নীতি ব্যবহার করে অতিরিক্ত যোগফল করতে হবে।

আয়তনগুলির মূল পয়েন্ট:

1. নন-নেগেটিভিটি: সম্ভাবনা কখনোই নেতিবাচক হতে পারে না।
2. নর্মালাইজেশন: সমস্ত সম্ভাব্য ফলাফলগুলির যোগফল ১ হবে।
3. অ্যাডিটিভিটি: পরিপূরক ঘটনাগুলির সম্ভাবনা তাদের পৃথক পৃথক সম্ভাবনার যোগফল হবে।

এই আয়তনগুলো প্রবাবিলিটি তত্ত্বের গাণিতিক ভিত্তি প্রদান করে এবং পরবর্তী সময়ে অনেক জটিল প্রক্রিয়া, যেমন শর্তাধীন প্রবাবিলিটি, স্বাধীনতা এবং বন্টন গঠন করার জন্য প্রয়োজনীয়।

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 $B_1, B_2, \dots, B_n$ রয়েছে এমন একটি স্যাম্পল স্পেস $S$ এর উপর ভিত্তি করে, যেখানে:

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

এখন, Law of Total Probability এর সূত্র হল:

$$P(A) = \sum_{i=1}^{n} P(A | B_i) P(B_i)$$

এখানে:

• $P(A | B_i)$ হল $A$ ইভেন্টের সম্ভাবনা, যখন $B_i$ ঘটেছে।
• $P(B_i)$ হল $B_i$ ইভেন্টের সম্ভাবনা।
• $\sum_{i=1}^{n}$ মানে আমরা সব $B_i$-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 $A$ ইভেন্টের সম্ভাবনা জানেন।

উদাহরণ:

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

$$P(A) = P(A | B_1) P(B_1) + P(A | B_2) P(B_2)$$

এখন:

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

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।

পরিসংখ্যান এবং সম্ভাবনা তত্ত্বে, Compound Events এবং Conditional Probability দুইটি গুরুত্বপূর্ণ ধারণা, যা একটি ঘটনাকে বুঝতে এবং তার সম্ভাবনা নির্ধারণ করতে সহায়ক। এই ধারণাগুলির মাধ্যমে আমরা কোনো একাধিক ঘটনা বা তাদের সম্পর্কিত সম্ভাবনাগুলি বিশ্লেষণ করতে পারি।

১. Compound Events (যৌগিক ঘটনা)

Compound Events হল এমন ঘটনাগুলি যা একাধিক সাধারণ বা মৌলিক ঘটনা নিয়ে গঠিত। যখন একাধিক ঘটনা একত্রে ঘটে, তখন তাকে Compound Event বলা হয়। এটি দুটি বা তার বেশি ঘটনা ঘটে যাওয়ার সম্ভাবনাকে বুঝায়।

ধারণা:

• Compound Event একাধিক মৌলিক বা স্বাধীন ঘটনা থেকে গঠিত হয়, যেমন:
  • একক ঘটনা: একটি কয়েন ফেলা, একটি ডাইস রোল করা।
  • যৌগিক ঘটনা: দুটি কোয়েন ফেলা বা দুটি ডাইস রোল করা।

ধরন:

1. Union of Events (ইভেন্টের সংযোগ):
   • যখন দুটি বা তার বেশি ঘটনা একসাথে ঘটে এবং অন্তত একটি ঘটনা ঘটে, তখন তাকে Union of Events বলা হয়।

   • ফর্মুলা:

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

     যেখানে, $P(A \cup B)$ হল $A$ অথবা $B$ ঘটার সম্ভাবনা।

   • উদাহরণ: একটি ডাইসের মধ্যে ৩ বা ৪ এর রোল হওয়ার সম্ভাবনা। এটি ঘটতে পারে যে ৩ হবে অথবা ৪ হবে, অথবা উভয়ই হতে পারে।
2. Intersection of Events (ইভেন্টের ছেদ):
   • যখন দুটি বা তার বেশি ঘটনা একই সময়ে ঘটে, তখন তাকে Intersection of Events বলা হয়।

   • ফর্মুলা:

     $$P(A \cap B) = P(A) \times P(B)$$

     যেখানে, $P(A \cap B)$ হল $A$ এবং $B$ একসাথে ঘটার সম্ভাবনা।

   • উদাহরণ: একটি ডাইসে ৪ এবং ৫ একসাথে আসার সম্ভাবনা (যেহেতু দুটি ডাইস একসাথে রোল হচ্ছে, এটি একটি যৌগিক ঘটনা)।

২. Conditional Probability (শর্তাধীন সম্ভাবনা)

Conditional Probability হল এমন সম্ভাবনা যা একে অপরের ওপর নির্ভরশীল দুটি বা তার বেশি ঘটনার মধ্যে ঘটনার সম্ভাবনা নির্ধারণ করতে ব্যবহৃত হয়। এটি একটি ঘটনার সম্ভাবনা নির্ধারণ করে, যখন অন্য একটি ঘটনা ইতিমধ্যেই ঘটেছে।

ধারণা:

• যদি ঘটনা $A$ ঘটার জন্য $B$ ঘটতে থাকে, তবে $A$ এর শর্তাধীন সম্ভাবনা $B$ এর ওপর নির্ভরশীল হবে এবং তাকে Conditional Probability বলা হয়।

ফর্মুলা:

$$P(A|B) = \frac{P(A \cap B)}{P(B)}$$

এখানে:

• $P(A|B)$ হল $A$ এর শর্তাধীন সম্ভাবনা, যখন $B$ ইতিমধ্যে ঘটেছে।
• $P(A \cap B)$ হল $A$ এবং $B$ একসাথে ঘটার সম্ভাবনা।
• $P(B)$ হল $B$ ঘটার সম্ভাবনা।

উদাহরণ:

ধরা যাক, একটি ডাইসের উপর দুইটি ভিন্ন শর্ত:

• $A$ ইভেন্ট হল ৬ আসা।
• $B$ ইভেন্ট হল যেকোনো বিজোড় সংখ্যা আসা (১, ৩, ৫)।

শর্তাধীন সম্ভাবনা $P(A|B)$ হবে, $B$ ঘটার পর $A$ ঘটার সম্ভাবনা। অর্থাৎ, $B$ ঘটার পরে, ডাইসে ৬ আসার সম্ভাবনা নির্ধারণ করা হবে।

Compound Events এবং Conditional Probability-এর মধ্যে পার্থক্য

সারাংশ

Compound Events হল একাধিক মৌলিক বা স্বাধীন ঘটনা থেকে গঠিত। এটি একসাথে একাধিক ঘটনা ঘটার সম্ভাবনা নির্দেশ করে এবং Union বা Intersection দ্বারা বিশ্লেষণ করা হয়। অন্যদিকে, Conditional Probability একটি ঘটনার সম্ভাবনা নির্ধারণ করে, যখন অন্য একটি ঘটনা ইতিমধ্যেই ঘটেছে। এটি একটি নির্দিষ্ট শর্তের মধ্যে সম্ভাবনা মাপতে ব্যবহৃত হয় এবং $P(A|B)$ দ্বারা প্রকাশ করা হয়। দুটি ধারণা পরস্পর সম্পর্কিত, তবে তাদের ব্যবহার এবং উদ্দেশ্য আলাদা।