probability-statsসহজ⏱ 12 মিনিট

Conditional Probability — শর্তসাপেক্ষ সম্ভাবনা

Conditional Probability

🌧️

বৃষ্টি আর জ্যামের গল্প

ধর ভাই, তুই গুলশান থেকে মতিঝিলে অফিসে যাবি। সাধারণত জ্যাম লাগে ৬০% দিন। কিন্তু আজকে সকালে উঠে দেখলি মুষলধারে বৃষ্টি হচ্ছে! এখন তোর মনে প্রশ্ন — বৃষ্টি হচ্ছে জানার পরে জ্যাম লাগার chance কত? তোর বউ বলল 'আজকে বৃষ্টি, ১০০% জ্যাম!' তুই ভাবলি — actually বৃষ্টি দিলে জ্যাম লাগে ৯০% দিন! মানে নতুন information (বৃষ্টি) পাওয়ার পরে তোর probability update হইয়া গেল — ৬০% থেকে ৯০% হইয়া গেল!

এইটাই Conditional Probability, মামা! নতুন information জানার পরে probability change হয়। P(জ্যাম) = 0.6 ছিল, কিন্তু P(জ্যাম | বৃষ্টি) = 0.9! ওই vertical bar '|' মানে 'given that' — 'যদি জানি যে'। ML-এ এইটা সবখানে — নতুন data পেলে prediction update হয়!

সংজ্ঞা

Conditional Probability P(A|B) হইল — B ঘটছে জানার পরে A ঘটার সম্ভাবনা। এইটা A এবং B দুইটাই ঘটার probability কে B ঘটার probability দিয়া ভাগ করলে পাওয়া যায়।

Conditional Probability Formula — শর্তসাপেক্ষ সম্ভাবনা

\[P(A|B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0\]

ব্যাখ্যা

Condition মানে কী?

Condition মানে নতুন information। বৃষ্টি হচ্ছে — এইটা condition। এই information পাওয়ার পরে তোর sample space ছোট হইয়া যায়। আগে সব দিন consider করতি, এখন শুধু বৃষ্টির দিনগুলা consider করবি। Sample space shrink হওয়াই conditional probability-র মূল কথা।

\[P(A|B): \text{ sample space S } \rightarrow \text{ reduced to B}\]

Formula বুঝি ঢাকাইয়া স্টাইলে

ধর ১০০ দিনের data আছে। ৩০ দিন বৃষ্টি হইছে (P(B)=0.3)। এর মধ্যে ২৭ দিন জ্যাম লাগছে (P(A∩B)=0.27)। তাইলে বৃষ্টি দিলে জ্যামের chance = ২৭/৩০ = ০.৯। Formula-তে: P(A|B) = 0.27/0.3 = 0.9!

\[P(\text{জ্যাম}|\text{বৃষ্টি}) = \frac{P(\text{জ্যাম} \cap \text{বৃষ্টি})}{P(\text{বৃষ্টি})} = \frac{0.27}{0.30} = 0.9\]

Chain Rule (Product Rule)

Conditional probability formula কে উল্টায়া লিখলে পাই: P(A ∩ B) = P(A|B) × P(B)। এইটাকে chain rule বলে। দুইটা event একসাথে ঘটার probability = একটা ঘটার probability × ওটা ঘটলে আরেকটা ঘটার conditional probability।

\[P(A \cap B) = P(A|B) \cdot P(B) = P(B|A) \cdot P(A)\]

Independence কী?

যদি B জানার পরেও A-র probability change না হয়, তাইলে A আর B independent। মানে P(A|B) = P(A)। যেমন, ঢাকায় বৃষ্টি হওয়া আর তোর ফোনের battery শেষ হওয়া — দুইটা independent event। কিন্তু বৃষ্টি আর জ্যাম? dependent!

\[\text{A, B independent} \iff P(A|B) = P(A) \iff P(A \cap B) = P(A) \cdot P(B)\]

ঢাকার বৃষ্টি-জ্যাম Problem

ঢাকায় যেকোনো দিনে বৃষ্টি হওয়ার probability 0.3, জ্যাম লাগার probability 0.6, এবং বৃষ্টি ও জ্যাম দুইটাই হওয়ার probability 0.27। (a) বৃষ্টি হইলে জ্যামের probability কত? (b) বৃষ্টি আর জ্যাম কি independent?

Step 1: Given তথ্য সাজাও

P(বৃষ্টি) = 0.3, P(জ্যাম) = 0.6, P(বৃষ্টি ∩ জ্যাম) = 0.27

\[P(R) = 0.3, \quad P(J) = 0.6, \quad P(R \cap J) = 0.27\]

Step 2: Conditional Probability বাইর কর

বৃষ্টি দিলে জ্যামের probability = P(জ্যাম | বৃষ্টি)

\[P(J|R) = \frac{P(J \cap R)}{P(R)} = \frac{0.27}{0.30} = 0.9\]

Step 3: Independence Test

P(J|R) = 0.9 কিন্তু P(J) = 0.6 — সমান না! তাই dependent।

\[P(J|R) = 0.9 \neq P(J) = 0.6 \implies \text{NOT independent}\]

Step 4: আরেকটা Independence Check

Independent হইলে P(R∩J) = P(R)×P(J) হইত, কিন্তু 0.3×0.6 = 0.18 ≠ 0.27।

\[P(R) \cdot P(J) = 0.3 \times 0.6 = 0.18 \neq 0.27 = P(R \cap J)\]

উত্তর:

বৃষ্টি দিলে জ্যামের probability 0.9 (90%) — সাধারণ দিনের 0.6 থেকে অনেক বেশি! বৃষ্টি আর জ্যাম dependent — ঢাকাবাসী হিসাবে তুই এইটা ভালোই জানিস!

ML-এ কোথায় লাগে?

💡

মনে রাখার ট্রিক

P(A|B) মনে রাখতে ভাবো: '|' চিহ্নটা হইল ঢাকার রাস্তার divider — ডান পাশে condition (B), বাম পাশে যেইটা জানতে চাও (A)। 'জ্যাম | বৃষ্টি' = বৃষ্টির road-এ জ্যাম! আর formula-টা? উপরে intersection (দুইটাই ঘটা), নিচে condition (যেইটা জানি) — মানে 'যেইটা জানি তার মধ্যে দুইটাই ঘটছে কতবার!'

#conditional-probability#independence#chain-rule#bayes#naive-bayes#markov-chain