দুটি ঘটনা A এবং B, যারা পরস্পর বর্জনশীল নয়, তাদের যোগের নিয়ম
পরিসংখ্যান ও সম্ভাবনা তত্ত্বে সম্ভাবনার যোগ একটি গুরুত্বপূর্ণ হাতিয়ার। দুই বা ততোধিক ভিন্ন ঘটনা ঘটার যৌথ সম্ভাবনা নির্ণয় করতে এটি প্রায়শই ব্যবহৃত হয়। অনেক ক্ষেত্রে, এই ঘটনাগুলো পরস্পর বর্জনশীল, অর্থাৎ এগুলো একই সাথে ঘটতে পারে না। তবে, এমন অনেক পরিস্থিতিও রয়েছে যেখানে দুটি ঘটনা পরস্পর বর্জনশীল নয়—সেগুলো একই সাথে ঘটতে পারে। এই প্রবন্ধে দুটি পরস্পর বর্জনশীল নয় এমন ঘটনা A এবং B যোগ করার নিয়ম নিয়ে আলোচনা করা হবে এবং তা বুঝতে সাহায্য করার জন্য বাস্তব উদাহরণ দেওয়া হবে।
ভূমিকা: মৌলিক সংজ্ঞা ও ধারণা
দুটি অ-একচেটিয়া ঘটনার যোগের নিয়মে যাওয়ার আগে, কিছু মৌলিক ধারণা বোঝা গুরুত্বপূর্ণ:
১. সম্ভাবনা: সম্ভাবনা হলো কোনো ঘটনা ঘটার সম্ভাব্যতা পরিমাপের একটি সূচক এবং এর মান ০ থেকে ১ পর্যন্ত হয়ে থাকে।
২. ঘটনা: ঘটনা হলো কোনো দৈব পরীক্ষার ফলাফল বা একাধিক ফলাফল।
৩. পরস্পর বর্জনশীল ঘটনা: দুটি ঘটনাকে পরস্পর বর্জনশীল বলা হয় যদি তাদের একই সাথে ঘটা অসম্ভব হয়।
যখন দুটি ঘটনা পারস্পরিকভাবে বর্জনশীল হয় না, তার মানে হলো ঘটনা দুটি একই সাথে ঘটার সম্ভাবনা থাকে। এক্ষেত্রে, মোট সম্ভাবনা গণনা করার সময় আমাদের অবশ্যই ঘটনা দুটির মধ্যকার পারস্পরিক ক্রিয়া বিবেচনায় নিতে হবে।
পরস্পর বর্জনশীল ঘটনাসমূহের যোগের নিয়ম
সাধারণত, দুটি ঘটনা A এবং B-এর ক্ষেত্রে, ঘটনা A অথবা B ঘটার সম্ভাবনা গণনা করার যোগের নিয়মটি নিম্নরূপ:
\[ P(A \cup B) = P(A) + P(B) – P(A \cap B) \]
কোথায়:
– \( P(A \cup B) \) হলো A অথবা B ঘটনাগুলোর মধ্যে অন্তত একটি ঘটার সম্ভাবনা।
– \( P(A) \) হলো ঘটনা A ঘটার সম্ভাবনা।
– \( P(B) \) হলো ঘটনা B ঘটার সম্ভাবনা।
– \( P(A \cap B) \) হলো A এবং B উভয় ঘটনা একই সাথে ঘটার সম্ভাবনা।
আমাদের \( P(A \cap B) \) বিয়োগ করার প্রয়োজন কেন? কারণ যখন আমরা \( P(A) \) এবং \( P(B) \) যোগ করি, তখন \( A \cap B \) ঘটনাটির প্রতিনিধিত্বকারী অঞ্চলটি দুইবার গণনা করা হয় (একবার \( P(A) \)-তে এবং আবার \( P(B) \)-তে)। তাই, সঠিক ফলাফল পাওয়ার জন্য আমরা এটি একবার বিয়োগ করি।
বাস্তব উদাহরণ
বিষয়টি সহজে বোঝার জন্য একটি বাস্তব উদাহরণ নেওয়া যাক:
ধরা যাক, আমাদের কাছে একটি সাধারণ ৫২-টি তাসের ডেক আছে। যদি আমরা হিসাব করতে চাই যে, আমাদের তোলা তাসটি স্পেড (ঘটনা A) হবে নাকি টেক্কা (ঘটনা B) হবে, তাহলে আমরা উপরে বর্ণিত যোগের নিয়মটি ব্যবহার করতে পারি।
১. স্পেড কার্ড তোলার সম্ভাবনা:
৫২টি তাসের একটি প্যাকে ১৩টি স্পেড আছে।
\[ P(A) = \frac{13}{52} \]
২. টেক্কা তোলার সম্ভাবনা:
৫২টি তাসের একটি প্যাকে ৪টি টেক্কা আছে।
\[ P(B) = \frac{4}{52} \]
৩. এমন একটি তাস তোলার সম্ভাবনা যা একই সাথে টেক্কা এবং স্পেড (টেক্কার স্পেড):
৫২টি তাসের একটি প্যাকে টেক্কা মাত্র একটিই থাকে।
\[ P(A \cap B) = \frac{1}{52} \]
যোগের নিয়ম ব্যবহার করে:
\[ P(A \cup B) = P(A) + P(B) – P(A \cap B) \]
এটা গণনা করা:
\[ P(A \cup B) = \frac{13}{52} + \frac{4}{52} – \frac{1}{52} \]
\[ P(A \cup B) = \frac{16}{52} \]
\[ P(A \cup B) = \frac{4}{13} \]
সুতরাং, তোলা তাসটি স্পেড বা টেক্কা হওয়ার সম্ভাবনা হল \( \frac{4}{13} \)।
প্রাসঙ্গিকতা এবং প্রয়োগ
দুটি অ-বিচ্ছিন্ন ঘটনার যোগের নিয়ম বোঝা ডেটা বিশ্লেষণ, পরিসংখ্যান এবং ব্যবসা, অর্থায়ন, কম্পিউটার বিজ্ঞান ও সমাজ গবেষণার মতো বিভিন্ন ক্ষেত্রে ব্যাপক প্রাসঙ্গিকতা রাখে। এর কিছু ব্যবহারিক প্রয়োগ হলো:
১. ঝুঁকি বিশ্লেষণ: ঝুঁকি ব্যবস্থাপনায় বিভিন্ন ঝুঁকি ও উপাদানের সম্ভাব্য সংমিশ্রণ শনাক্ত করা।
২. মহামারী সংক্রান্ত গবেষণা: স্বাস্থ্য গবেষণায় বিভিন্ন ঝুঁকির কারণের সম্মিলিত সম্ভাবনা গণনা করা।
৩. ব্যবসা ও অর্থায়ন: শেয়ার বাজার বা ব্যবসায়িক পরিবেশের বিভিন্ন ঘটনার সম্মিলিত সুযোগ মূল্যায়ন করা।
৪. নীতি নির্ধারণ: বিভিন্ন নীতি ও পদক্ষেপের সম্ভাব্য প্রভাব বিবেচনা করে সিদ্ধান্ত গ্রহণে সহায়তা করে।
৫. ডেটা সায়েন্স ও মেশিন লার্নিং: ভবিষ্যদ্বাণীমূলক মডেলে ব্যবহৃত হয়, যা এমন একাধিক বৈশিষ্ট্য বিবেচনা করে যেগুলো পরস্পর স্বতন্ত্র নাও হতে পারে।
গ্রাফিক ব্যাখ্যা
প্রায়শই, দুটি ঘটনার মধ্যকার পারস্পরিক সম্পর্ক বুঝতে ভেন ডায়াগ্রামের মতো লেখচিত্র সহায়ক হয়। এই ডায়াগ্রামগুলো দেখায় যে দুটি সেট (ঘটনা) কীভাবে পরস্পরের সাথে ক্রিয়া করে এবং কোথায় তাদের মধ্যে উপরিপাতন ঘটে।
যদি আমরা তাসের ডেকের উদাহরণে ফিরে যাই, তাহলে ভেন ডায়াগ্রামের ওভারল্যাপিং অঞ্চলটি টেক্কাকে (Ace of Spades) প্রতিনিধিত্ব করবে, যা আরও স্পষ্টভাবে বুঝতে সাহায্য করবে যে কেন \( P(A) \) এবং \( P(B) \) যোগ করার সময় আমাদের \( P(A \cap B) \) বিয়োগ করতে হয়।
উপসংহার
দুটি অ-একচেটিয়া ঘটনার যোগের নিয়ম শেখা সম্ভাবনা তত্ত্ব এবং পরিসংখ্যানের একটি অপরিহার্য অংশ। এই ধারণাটি বোঝার মাধ্যমে, আমরা বিভিন্ন বাস্তব জীবনের পরিস্থিতিতে ঘটনাগুলির যৌথ সম্ভাবনা আরও নির্ভুলভাবে গণনা করতে পারি। সর্বদা মনে রাখতে হবে যে, যখন ঘটনাগুলি অ-একচেটিয়া হয়, তখন ওভারল্যাপিং অঞ্চলে দ্বৈত গণনা এড়াতে তাদের যৌথ সম্ভাবনা অবশ্যই সমন্বয় করতে হবে। এই পদ্ধতিটি কেবল পরিসংখ্যানগত বিশ্লেষণে সহায়তা করে না, বরং তথ্য-ভিত্তিক সিদ্ধান্ত গ্রহণকেও শক্তিশালী করে।
এই নিবন্ধটি দেখায় কিভাবে আমরা বিভিন্ন প্রেক্ষাপটে এই ধারণাটি ব্যবহার করতে পারি এবং সম্ভাবনা ও পরিসংখ্যান সম্পর্কিত যেকোনো ক্ষেত্রে এর আরও প্রয়োগের জন্য একটি মজবুত ভিত্তি প্রদান করে।
