ন্যূনতম বর্গ পদ্ধতি আলোচনা প্রশ্নাবলীর উদাহরণ
ন্যূনতম বর্গ পদ্ধতি (Least Squares Method - LEM) হলো একটি পরিসংখ্যানগত পদ্ধতি যা ডেটাকে সবচেয়ে কার্যকরভাবে পূর্বাভাস দেওয়ার জন্য সেরা ফিট লাইন (line of best fit) খুঁজে বের করতে ব্যবহৃত হয়। এই পদ্ধতিটি প্রায়শই রৈখিক রিগ্রেশন বিশ্লেষণে (linear regression analysis) স্বাধীন এবং নির্ভরশীল চলকের মধ্যে সম্পর্ক নির্ণয় করতে ব্যবহৃত হয়। এই নিবন্ধে ন্যূনতম বর্গ পদ্ধতির মৌলিক ধারণাগুলো আলোচনা করা হবে এবং এই পদ্ধতিটি কীভাবে কাজ করে তা আরও গভীরভাবে বোঝার জন্য উদাহরণ ও ধাপে ধাপে ব্যাখ্যা দেওয়া হবে।
ন্যূনতম বর্গ পদ্ধতির মৌলিক ধারণা
ন্যূনতম বর্গ পদ্ধতির লক্ষ্য হলো পর্যবেক্ষণকৃত মান এবং রিগ্রেশন মডেল দ্বারা পূর্বাভাসিত মানের মধ্যকার পার্থক্যের বর্গের যোগফলকে সর্বনিম্ন করা। একটি সরল রৈখিক রিগ্রেশন রেখার সমীকরণটি নিম্নরূপে লেখা যেতে পারে:
\[ y = a + bx \]
কোথায়:
– \( y \) হলো অধীন চলক,
– \( x \) হলো স্বাধীন চলক,
– \( a \) হলো ছেদক (যখন \( x = 0 \) হয়, তখন \( y \)-এর মান),
– \( b \) হলো রেখাটির ঢাল (ঢাল, বা রিগ্রেশন সহগ)।
ন্যূনতম বর্গ পদ্ধতি \( a \) এবং \( b \) পরামিতিগুলোর মান নির্ণয় করে যা নিম্নলিখিত ফাংশনটিকে সর্বনিম্ন করে:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
যেখানে SSE হলো বর্গকৃত ত্রুটির সমষ্টি, \( y_i \) হলো প্রকৃত মান, এবং \( \hat{y_i} = a + bx_i \) হলো পূর্বাভাসিত মান।
ন্যূনতম বর্গ পদ্ধতির ধাপসমূহ
ধারণাটি স্পষ্ট করার জন্য, আমরা ন্যূনতম বর্গ পদ্ধতি ব্যবহার করে একটি উদাহরণ সমস্যা সমাধান করব।
সমস্যার উদাহরণ
প্রদত্ত তথ্য:
| x (অধ্যয়নের সময়) | y (পরীক্ষার নম্বর) |
|——————–|——————–|
২০৫ | ১০০ |
২০৫ | ১০০ |
২০৫ | ১০০ |
২০৫ | ১০০ |
| ১০ | ১০৩ |
উপাত্তের সাথে সবচেয়ে ভালোভাবে খাপ খায় এমন রৈখিক রিগ্রেশন রেখাটি নির্ণয় করুন।
আলোচনা
১. \( \bar{x} \) এবং \( \bar{y} \) এর গড় নির্ণয়
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
২. প্যারামিটার \( b \) (ঢাল) গণনা করা
প্যারামিটার \( b \) গণনা করা হয় নিম্নোক্তভাবে:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
প্রতিটি উপাদানের হিসাব করা:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= ১ + ২ + ৪ + ৭১ + ১৪২ = ২২০
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= ১ + ২ + ৪ + ৭১ + ১৪২ = ২২০
\]
যাতে:
\[
b = \frac{96}{40} = 2.4
\]
৩. প্যারামিটার \( a \) (ইন্টারসেপ্ট) গণনা করা
\( \bar{x} \) এবং \( \bar{y} \) এর গড় ব্যবহার করে:
\[
a = y – b x = 93 – 2.4 × 6 = 93 – 14.4 = 78.6
\]
৪. রিগ্রেশন লাইন সমীকরণ লেখা
প্রাপ্ত প্যারামিটারগুলোর সাহায্যে আমরা রিগ্রেশন লাইনের সমীকরণটি লিখতে পারি:
\[
y = 78.6 + 2.4x
\]
ব্যাখ্যা এবং যাচাইকরণ
এই রিগ্রেশন লাইনটি উপযুক্ত কিনা তা নিশ্চিত করতে, আমরা প্রাথমিক ডেটার প্রতিটি x-এর জন্য পূর্বাভাসিত y-মান (\(\hat{y}\)) গণনা করতে পারি, এবং পূর্বাভাসের নির্ভুলতা যাচাই করার জন্য সাম অফ স্কোয়ার্ড এররস (SSE) গণনা করতে পারি।
| x | y | \(\hat{y}\) | \(y – \hat{y})^2\) |
|—|—-|————|——————–|
| ৮ | ৯৭ | ৯৭.৮ | (৯৭-৯৭.৮)^২ = ০.৬৪ |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| ৮ | ৯৭ | ৯৭.৮ | (৯৭-৯৭.৮)^২ = ০.৬৪ |
| ৮ | ৯৭ | ৯৭.৮ | (৯৭-৯৭.৮)^২ = ০.৬৪ |
|১০ |১০৩ |১০২.৬ | (১০৩-১০২.৬)^২= ০.১৬|
এসএসই:
\[
SSE = ৫.৭৬ + ২৩.০৪ + ৪.০০ + ০.৬৪ + ০.১৬ = ৩৩.৬
\]
তুলনামূলকভাবে ছোট SSE থেকে আমরা এই সিদ্ধান্তে আসতে পারি যে, লিস্ট স্কোয়ার্স পদ্ধতি দ্বারা প্রাপ্ত রিগ্রেশন লাইনটি এই ডেটার জন্য ভালোভাবে ফিট করে।
উপসংহার
ন্যূনতম বর্গ পদ্ধতি (Least Squares Method) হলো একটি শক্তিশালী পরিসংখ্যানিক বিশ্লেষণ পদ্ধতি, যা কোনো ডেটাসেটের জন্য সর্বোত্তম-উপযুক্ত রেখা (best-fit line) নির্ধারণ করে এবং বিচ্যুতির বর্গের উপর ভিত্তি করে পূর্বাভাসের ত্রুটি (prediction error) সর্বনিম্ন করে। গড় গণনা, ঢাল (slope) ও ছেদক (intercept) অনুমান, এবং রিগ্রেশন রেখার সমীকরণ লেখা ও যাচাই করার ধাপগুলো ব্যবহার করে আমরা স্বাধীন চলকগুলো থেকে নির্ভরশীল চলকের মান নির্ভুলভাবে পূর্বাভাস করতে পারি।
অর্থনীতি, জৈবপরিসংখ্যান, প্রকৌশল এবং সমাজবিজ্ঞানের মতো ক্ষেত্রগুলিতে এই পদ্ধতি সম্পর্কে ভালো ধারণা থাকা অত্যন্ত উপকারী, যেখানে রিগ্রেশন বিশ্লেষণ প্রায়শই প্রয়োগ করা হয়। এই নিবন্ধটি বাস্তব উদাহরণের মাধ্যমে তথ্য বিশ্লেষণে এই কার্যপ্রণালীর গুরুত্ব ও উপযোগিতা তুলে ধরেছে।
