ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତ ନିମନ୍ତେ ଆଧାର ଦେଖିବେ

କୌଣସି ଘଟଣା ଘଟିବାର ଗାଣିତିକ ସମ୍ଭାବନା “ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତ” ବା “ସମ୍ଭାବନା ସିଦ୍ଧାନ୍ତ” (ଈଂରାଜୀରେ Probability Theory)ଦ୍ୱାରା ନିରୂପିତ ହୋଇଥାଏ । ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତ ଗଣିତର ଏକ ଶାଖା । ଗୋଟିଏ ଘଟଣା ଭିନ୍ନ ଭିନ୍ନ ଉପାୟରେ ଘଟିବାର ସମ୍ଭାବନା ରହିଥାଏ । ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତରେ ଏହାକୁ ଅନେକ ସ୍ୱୟଂସିଦ୍ଧ ସୂତ୍ରର ବ୍ୟବହାର କରି ଗାଣିତିକ ଭାଷାରେ ପ୍ରକାଶ କରାଯାଏ ।  ସାଧାରଣତଃ ଏହି ସ୍ୱୟଂସିଦ୍ଧ ସୂତ୍ରଗୁଡ଼ିକ ସମ୍ଭାବନାକୁ ଏକ ସମ୍ଭାବ୍ୟତା ପରିସୀମା (ଈଂରାଜୀରେ Probability Space) ମାଧ୍ୟମରେ ପ୍ରକାଶ କରନ୍ତି । ଏହି ସମ୍ଭାବ୍ୟତା ପରିସୀମା ମଧ୍ୟରେ ଘଟଣାର ସମ୍ଭାବନାର ସର୍ବନିମ୍ନ ମାନ ୦ (ଶୂନ୍ୟ) ଓ ସର୍ବାଧିକ ମାନ ୧ ହୋଇପାରେ । ଯେଉଁ ସବୁ ପରିଣାମରୁ ସମ୍ଭାବନା ନିରୂପିତ ହୁଏ ତାଙ୍କୁ ସମୂହ ଭାବେ ପ୍ରତିଦର୍ଶ ସମଷ୍ଟି (ଈଂରାଜୀରେ Sample Space) ବୋଲି କୁହାଯାଏ ।  ପ୍ରତିଦର୍ଶ ସମଷ୍ଟିର କୌଣସି ଏକ ଉପସେଟ୍‍କୁ ଘଟଣା (ଈଂରାଜୀରେ Event) ବୋଲି କୁହାଯାଏ । ଉଦାହରଣ ସ୍ୱରୂପ : ୬ଟି ପାର୍ଶ୍ୱ ବିଶିଷ୍ଟ ଏକ ପଶାକୁ ଗଡ଼ାଇଲେ ୬ ପଡ଼ିବାର ସମ୍ଭାବନା କେତେ – ତାହା ଜାଣିବା ପାଇଁ ବିଭିନ୍ନ ପରିଣାମମାନଙ୍କ ସେଟ୍ ଗଢ଼ିଲେ ଆମେ {୧, ୨, ୩, ୪, ୫, ୬} ପାଇବା । ଏହା ହିଁ ଆମର ପରିଦର୍ଶ ସମଷ୍ଟି । ୧ ପଡ଼ିବା, ୨ ପଡ଼ିବା, ୩ ପଡ଼ିବା ଇତ୍ୟାଦି ଭିନ୍ନ ଭିନ୍ନ ଘଟଣା । 

ଯଦିଓ କୌଣସି ଏକ ଘଟଣା ଘଟିବାର ସମ୍ଭାବନ ବିଷୟରେ ପୂର୍ବାନୁମାନ କରିହେବ ନାହିଁ, ତଥାପି ଏହାକୁ ଏକ ଗାଣିତିକ ସମ୍ଭାବନାର ପରିଧି ମଧ୍ୟରେ ରଖାଯାଇପାରିବ । ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ଦୁଇଟି ତତ୍ତ୍ୱ ହେଲେ ବୃହତ୍ ସଂଖ୍ୟାଙ୍କ ନିୟମ (ଈଂରାଜୀରେ Law of Large Numbers) ଓ ମଧ୍ୟ ଆବଦ୍ଧତା ପ୍ରମେୟ (ଈଂରାଜୀରେ Central Limit Theorem - CLT) । 

ସମ୍ଭାବ୍ୟତା ଶାଖା ପରିସଂଖ୍ୟାନ ନିରୂପଣର ଏକ ଉପଶାଖା ଓ ବିଭିନ୍ନ ପ୍ରକାର ତଥ୍ୟର ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ବ୍ୟବହାର କରାଯାଏ ।<ref>[http://home.ubalt.edu/ntsbarsh/stat-data/Topics.htm Inferring From Data<!-- Bot generated title -->]</ref> କୌଣସି ଜଟିଳ ବ୍ୟବସ୍ଥା ବିଷୟରେ ଆଂଶିକ ଜ୍ଞାନ ବା ବିବରଣୀ ରହିଥିଲେ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତ ବ୍ୟବହାର କରି ଏହାର ଅନ୍ୟ ପ୍ରକୃତି ବିଷୟରେ କଳନା କରାଯାଏ । ପ୍ରମାତ୍ର ବିଜ୍ଞାନ (ଈଂରାଜୀରେ Quantum Physics)ରେ ଆଣବିକ ସ୍ତରରେ ଘଟୁଥିବା ବିଷୟମାନଙ୍କ ସମ୍ପୂର୍ଣ୍ଣ ଜ୍ଞାନ ନଥିବା ବେଳେ, ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ପ୍ରୟୋଗ କରି ଏକବିଂଶ ଶତାବ୍ଦୀରେ ଅନେକ ଅଗ୍ରଗତି ହୋଇପାରିଛି ।<ref>{{cite web |title=Why is quantum mechanics based on probability theory? |work=StackExchange |date=July 1, 2014|url=https://physics.stackexchange.com/questions/69718/why-is-quantum-mechanics-based-on-probability-theory }}{{Unreliable source?|date=February 2016}}</ref>

ସମ୍ଭାବନାକୁ ପ୍ରକାଶ କରିବାର ଏକ ଉଦାହରଣ ହେଲା : 
{| class="wikitable"
|+
!'''କଣ ସମ୍ଭାବନା '''
!କେତେ (ପ୍ରତିଶତ ସମ୍ଭାବନାର ମାପ)
!କେତେ (ସମ୍ଭାବନାର ମାପ)
|-
|ସୁନିଶ୍ଚିତ (Absolutely Certain)
|୧୦୦%
|୧୦
|-
|ପ୍ରାୟ ନିଶ୍ଚିତ (Very Likely)
|୯୦%
|୦.୯
|-
|ଅଧିକ ସମ୍ଭାବନା (Quite Likely)
|୭୦%
|୦.୭
|-
|ସମ-ସମ୍ଭାବନା(Evens ବା Equally likely)
|୫୦%
|୦.୫
|-
|କମ୍ ସମ୍ଭାବନା (Not Likely)
|୩୦%
|୦.୩
|-
|ପ୍ରାୟ ଅସମ୍ଭବ (Not Very Likely)
|୨୦%
|୦.୨
|-
|ଅସମ୍ଭବ (Never ବା Absolutely no chance)
|୦%
|୦
|}

==ଇତିହାସ==
ସପ୍ତାଦଶ ଶତାବ୍ଦୀରେ ଫ୍ରାଂସ୍ ଦେଶରେ ସେଭାଲିଏ ଡି ମେରେ ନାମକ ଜଣେ ବ୍ୟକ୍ତି ବାସ କରୁଥିଲେ । ବିଭିନ୍ନ ସ୍ଥାନରେ ବାଜି ଲଗାଇବା ତାଙ୍କର ସଉକ ଥିଲା । ପଶାକୁ ଚାରିଥର ଗଡ଼ାଇଲେ ଥରେ ନିଶ୍ଚୟ ୬ ପଡ଼ିବ ବୋଲି ସେ ଦିନେ ପଇସା ବାଜି ଲଗାଇଲେ କିନ୍ତୁ ବାଜି ହାରିଲେ । ଏହା ପରେ ୨୪ ଥର ପଶାକୁ ଗଡ଼ାଇଲେ ଥରେ ନିଶ୍ଚୟ ୬ ପଡ଼ିବ ବୋଲି ଆଉ ଏକ ବାଜି ଲଗାଇ ମଧ୍ୟ ହାରିଗଲେ । ନିଜ ଦୁର୍ଭାଗ୍ୟ ବିଷୟରେ ସେ ନିଜ ଗଣିତଜ୍ଞ ବନ୍ଧୁ ପାସ୍କାଲଙ୍କୁ ଜଣାଇଥିଲେ । ପାସ୍କାଲ୍ ଆଉ ଜଣେ ସହକର୍ମୀ ଗଣିତଜ୍ଞ ପିଏରେ ଡି ଫେର୍ମାଟ୍‍ଙ୍କୁ ଚିଠି ଲେଖି ଏହି ବିଷୟ ଜଣାଇଥିଲେ । ପତ୍ର ମାଧ୍ୟମରେ ସେ ଦୁହିଁଙ୍କ ମଧ୍ୟରେ ହୋଇଥିବା ଚର୍ଚ୍ଚାରୁ ପରେ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ଜନ୍ମ ହୋଇଥିଲା । 

ଷୋଡ଼ଶ ଶତାବ୍ଦୀରେ ଗେରୋଲାମୋ କାର୍ଡାନୋ ଓ ସପ୍ତଦଶ ଶତାବ୍ଦୀରେ ବ୍ଲେଇ ପାସ୍କାଲ୍ ତଥା ପିଏରେ ଡି ଫେର୍ମାଟ୍‍ଙ୍କଦ୍ୱାରା ଖେଳରେ ବାଜି ଲଗାଇ ଜିତିବାର ବିଶ୍ଳେଷଣ ଏହି ଗାଣିତିକ ସିଦ୍ଧାନ୍ତର ମୂଳଦୁଆ ପକାଇଥିଲା । ୧୬୫୭ ମସିହାରେ ଖ୍ରୀଷ୍ଟିୟାନ୍ ହାଇଜେନ୍ସ୍ ଏହି ସିଦ୍ଧାନ୍ତ ବିଷୟରେ ଏକ ପୁସ୍ତକର ପ୍ରକାଶନ କରାଇଥିଲେ । ଉନବିଂଶ ଶତାବ୍ଦୀରେ ପିଏରେ ଲାପ୍ଲାସ୍ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର କିଛି ଅଂଶକୁ ପୂର୍ଣ୍ଣତା ପ୍ରଦାନ କରିଥିଲେ ଯାହା ଆଜିର ସମୟରେ ପାରମ୍ପରିକ ବ୍ୟାଖ୍ୟା ଭାବେ ଜଣାଶୁଣା ।

ପ୍ରାରମ୍ଭିକ ଅବସ୍ଥାରେ ଅଲଗା ଅଲଗା ଘଟଣା ପାଇଁ ସମ୍ଭାବନା ନିରୂପଣ ପାଇଁ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ଉପଯୋଗ କରାଗଲା । ପରବର୍ତ୍ତୀ ସମୟରେ ଅନେକ ଘଟଣାକୁ ମିଶାଇ ଗୋଟିଏ ଅସ୍ଥାୟୀ ରାଶିର ସମାଧାନ ପାଇଁ ଏହି ସିଦ୍ଧାନ୍ତର ଉପଯୋଗ କରାଗଲା ।

ରିଚାର୍ଡ୍ ଭୋନ୍ ମିଜେସ୍‍ଙ୍କ ପରିଦର୍ଶ ସମଷ୍ଟି ତତ୍ତ୍ୱ ସହିତ ଆଣ୍ଡ୍ରେ ନିକୋଲାଭିକ୍ କୋଲ୍ମୋଗ୍ରୋଭ୍ ଅନ୍ୟ କେତେକ ସୂତ୍ର ଓ ପ୍ରଣାଳୀ ମିଶାଇ ୧୯୯୩ ମସିହାରେ ଆଧୁନିକ ସମ୍ଭାବ୍ୟତା ସିଦ୍ଧାନ୍ତର ସ୍ୱୟଂସିଦ୍ଧମାନଙ୍କ ବ୍ୟାଖ୍ୟା ପ୍ରକାଶ କରିଥିଲେ । ବ୍ରୁନୋ ଡି ଫିନେଟ୍ଟି ଗଣନୀୟ ସଂଖ୍ୟାମାନଙ୍କ ସମଷ୍ଟି ପ୍ରଣାଳୀର ଆବିଷ୍କାର କରିଥିଲେ । <ref>{{cite web |url=http://www.probabilityandfinance.com/articles/04.pdf |title="The origins and legacy of Kolmogorov's Grundbegriffe", by Glenn Shafer and Vladimir Vovk |format=PDF |accessdate=2012-02-12 |archive-date=2012-02-05 |archive-url=https://web.archive.org/web/20120205182429/http://www.probabilityandfinance.com/articles/04.pdf |url-status=dead }}</ref>

==ପୃଥକ୍ ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ନିରୂପଣର ଉଦାହରଣ==
[[File:NYW-DK-Poisson(5).png|thumb|300px|ପୃଥକ୍ ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନର ଏକ ଗ୍ରାଫ୍ ହେଉଛି ପୋଇସନ୍ ବଣ୍ଟନ]]
ପୃଥକ୍ ଘଟଣାରେ ପରିଦର୍ଶ ସମଷ୍ଟିର ସମସ୍ତ ପରିଣାମ ଗଣନା କରିହେବ । ଏପରି ଘଟଣାର ଉଦାହରଣମାନ ହେଲେ : ପଶା ଗଡ଼ାଇବା, ତାସ୍ ଖେଳର କାର୍ଡ୍ ଉଠାଇବା, ମୁଦ୍ରାକୁ ଟସ୍ କରିବା ଇତ୍ୟାଦି । ପାରମ୍ପରିକ ପରିଭାଷା ଅନୁଯାୟୀ ସମ୍ଭାବନା ସୃଷ୍ଟି କରୁଥିବା ସମସ୍ତ ପରିଣାମର ସଂଖ୍ୟାକୁ ସର୍ବମୋଟ ପରିଣାମ ସଂଖ୍ୟାଦ୍ୱାରା ବିଭାଜିତ କଲେ ସମ୍ଭାବ୍ୟତା ନିରୂପିତ ହୋଇପାରିବ ।

ଗୋଟିଏ ମୁଦ୍ରାକୁ ଉପରକୁ ଫିଙ୍ଗିଲେ ଚିତୁ ବା ମାକୁ ପଡ଼େ । ଏହି କ୍ଷେତ୍ରରେ ପରିଦର୍ଶ ସମଷ୍ଟିରେ ସର୍ବମୋଟ ଦୁଇଟି ସମ୍ଭାବନା ରହିଛି । ତେଣୁ ଚିତୁ ପଡ଼ିବାର ସମ୍ଭାବନା ୫୦% ଓ ମାକୁ ପଡ଼ିବାର ସମ୍ଭାବନା ୫୦% । 
[[File:Dice-prob-1.svg|thumb|300px|left|ପରିଦର୍ଶ ସମଷ୍ଟି]]
[[File:Dice-prob-2.svg|thumb|300px|right|ସମସଂଖ୍ୟା ପଡ଼ିବାର ୩ଟି ସମ୍ଭାବନା ରହିଛି । ଅସମସଂଖ୍ୟା ସମ୍ଭାବନାଗୁଡ଼ିକ A ସେଟ୍ ରୂପେ ପ୍ରଦର୍ଶିତ ]]

ଦୁଇଟି ପଶାକୁ ଗଡ଼ାଇଲେ ସମୁଦାୟ ୩୬ଟି ପରିଣାମ ମିଳିପାରେ । ତେଣୁ ପରିଦର୍ଶ ସମଷ୍ଟିରେ  ୩୬ଟି ସମ୍ଭାବନା ରହିଛି । ଦୁଇଟି ପଶାରେ ପଡ଼ୁଥିବା ପରିଣାମକୁ (i,j) ରୂପରେ ପ୍ରକାଶ କଲେ ଆମକୁ (୧,୧), (୧,୨), (୧,୩), (୧,୪),....(୬,୫), (୬,୬) ଏପରି ସର୍ବମୋଟ ୩୬ଟି ସମ୍ଭାବନା ରହିଥାଏ । ମନେକର ଦୁଇଟି ପଶାରେ ପଡ଼ୁଥିବା ସଂଖ୍ୟାର ସମଷ୍ଟି ୬ ହେବ ବୋଲି ବାଜି ଲଗାଯାଉ । ଏପରି କ୍ଷେତ୍ରରେ ୫ଟି କ୍ଷେତ୍ରରେ ହିଁ - (୧,୫), (୨,୪), (୩,୩), (୪,୨), (୫,୧) ଜିତିବାର ସମ୍ଭାବନା ଅଛି । ତେଣୁ ଜିତିବାର ସମ୍ଭାବନା ୫/୩୬ ବା ୧୩.୮୯% ।

ସେହିପରି ପଶାକୁ ଗଡ଼ାଇଲେ ୧ରୁ ନେଇ ୬ ପର୍ଯ୍ୟନ୍ତ ପଡ଼ିବାର ସର୍ବମୋଟ ୬ଟି ସମ୍ଭାବନା ରହିଛି । ଏକ ସମସଂଖ୍ୟା (ଯଥା ୨, ୪,୬) ପଡ଼ିବାର ସମ୍ଭାବନା ହେଉଛି <math>\tfrac{3}{6}=\tfrac{1}{2}</math> । 
ଦୁଇଟି ଯାକ ପଶା ଏକା ଆକାର ଓ ପ୍ରକାରର ହେଲେ ଉପରୋକ୍ତ ତିନୋଟି (୧, ୫), (୨, ୪), (୩, ୩) ସମ୍ଭାବନା ଅଛି । କିନ୍ତୁ ପଶା ଦୁଇଟିଙ୍କୁ ଭିନ୍ନ ଭିନ୍ନ ବୋଲି କହିଲେ (୧,୫), (୨,୪), (୩,୩), (୩,୩), (୪,୨), (୫,୧) ଏପରି ୬ଟି ସମ୍ଭାବନା ରହିପାରିବ । ସମ୍ଭାବ୍ୟତା ନିରୂପଣର ଏପରି ଏକ ପରିଦୃଶ୍ୟରୁ ବୋଷ-ଆଇନ୍‍ଷ୍ଟାଇନ୍ ପରିସଂଖ୍ୟାନର ଜନ୍ମ ହୋଇଥିଲା । 

ଆଧୁନିକ ପରିଭାଷାରେ ଫଳନ ମାଧ୍ୟମରେ ପରିଭାଷାକୁ ପ୍ରକାଶ କରାଯାଇଥାଏ । ସମସ୍ତ ଗଣନୀୟ ପରିଣାମକୁ ନେଇ ଗଠିତ ସେଟ୍ ପରିଦର୍ଶ ସମଷ୍ଟି <math>\Omega</math> ବୋଲାଏ । ପ୍ରତ୍ୟେକ ଘଟଣା <math>x \in \Omega\,</math> ଅର୍ଥାତ୍ ପରିଦର୍ଶ ସମଷ୍ଟିର ଏକ ଉପସେଟ୍ । ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଘଟଣା ଘଟିବାର ସମ୍ଭାବନାକୁ <math>f(x)\,</math> ଆକାରରେ ଲେଖିବା । 

ଏହି ଫଳନ <math>f(x)\,</math>ର ମାନ ୦ରୁ ୧ ମଧ୍ୟରେ ରହିଥାଏ । କାରଣ ଘଟଣା ନଘଟିବାର ସମ୍ଭାବନା ୦% ଓ ଘଟଣା ଘଟିବାର ସର୍ବାଧିକ ୧୦୦% ।  ପରିଦର୍ଶ ସମଷ୍ଟି ''Ω''ର ସମସ୍ତ ''x'' ପାଇଁ  <math>f(x)\,</math>ର ମାନ ୦ରୁ ୧ ମଧ୍ୟରେ ରହିଥାଏ । ତେଣୁ <math>f(x)\in[0,1]\mbox{ for all }x\in \Omega\,;</math>
ପୁଣି ପରିଦର୍ଶ ସମଷ୍ଟି ''Ω''ର ସମସ୍ତ ''x'' ପାଇଁ  <math>f(x)\,</math>ର ମାନଗୁଡ଼ିକର ସମଷ୍ଟି ୧ । ଏହାକୁ ଗାଣିତିକ ସୂତ୍ରଭାବେ ଲେଖିଲେ <math>\sum_{x\in \Omega} f(x) = 1\,.</math>
କୌଣସି ଏକ ଘଟଣା <math>E\,</math>ର ସମ୍ଭାବ୍ୟତାକୁ ଗାଣିତିକ ସୂତ୍ରରେ ଲେଖିଲେ 
:<math>P(E)=\sum_{x\in E} f(x)\,.</math>
==ନିରନ୍ତର ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ==
[[File:Gaussian distribution 2.jpg|thumb|300px|ନିରନ୍ତର ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନର ଏକ ଗ୍ରାଫ୍ ହେଲା ଗସ୍ ବଣ୍ଟନ ବା ପ୍ରସାମାନ୍ୟ ବଣ୍ଟନ]]

ଅନେକ ଛୋଟ ଛୋଟ ବ୍ୟବଧାନରେ ଘଟୁଥିବା ଘଟଣାମାନଙ୍କ ପରିଦର୍ଶ ସମଷ୍ଟିକୁ ନିରନ୍ତର ପରିଦର୍ଶ ସମଷ୍ଟି କୁହାଯାଏ । 

ନିରନ୍ତର ପରିଦର୍ଶ ସମଷ୍ଟିର ପାରମ୍ପରିକ ପରିଭାଷା ନାହିଁ । 

ଏକ ଅସ୍ଥିରାଙ୍କ ''X''ର ସମସ୍ତ ପରିଣାମ ପୂର୍ଣ୍ଣସଂଖ୍ୟା (<math>\mathbb{R}</math>)ମାନଙ୍କର ଏକ ସେଟ୍ ହେଲେ ବା ଏହି ସେଟ୍‍ର ଏକ ଉପସେଟ୍ ହେଲେ ଚକ୍ରବୃଦ୍ଧି ବଣ୍ଟନ ଫଳନ (Cumulative Distribution Function-CDF) <math>F\,</math>କୁ <math>F(x) = P(X\le x) \,</math> ଭାବେ ଲେଖାଯାଇପାରିବ । 

ଚକ୍ରବୃଦ୍ଧି ଫଳନ ବଣ୍ଟନ ପାଇଁ ନିମ୍ନ ଲିଖିତ ଅବସ୍ଥା ସର୍ବଦା ସତ୍ୟ ପ୍ରମାଣିତ ହୋଇଥାଏ : 
# <math>F\,</math> ଏକ ନିରନ୍ତର ଫଳନ;
# <math>\lim_{x\rightarrow -\infty} F(x)=0\,;</math>
# <math>\lim_{x\rightarrow \infty} F(x)=1\,.</math>

==ଆଧାର==
{{ଆଧାର}}

[[ଶ୍ରେଣୀ:ଗଣିତ]]