সহজ ভাষায় স্টাটিসটিক্যাল এনালাইসিস (পর্ব ০১)

⭕ সহজ ভাষায় স্টাটিসটিক্যাল এনালাইসিস (পর্ব ০১)

মোঃ বাবুল মিয়া, পিএইচডি গবেষক, জিওনবুন ন্যাশনাল বিশ্ববিদ্যালয়, দক্ষিণ কোরিয়া । 

-------------------------------------------

🔰 বিষয়ঃ হাইপোথিসিস টেস্টিং (Hypothesis Testing)

✔️ হাইপোথিসিস টেস্টিং (Hypothesis Testing):

হাইপোথিসিস টেস্টিং হলো একটি পরিসংখ্যানিক পদ্ধতি, যা মধ্যেমে আমরা দেখতে পাই আমরা যে অনুমান করছি তা সঠিক কি না। ধরা যাক, আমরা জানতে চাই যে বাষ্পীভবন (Evapotranspiration) কি আসলেই জল সংকট বা খরার (Drought) প্রধান কারণ। এই প্রশ্নের উত্তর খুঁজতে, আমরা Hypothesis Testing ব্যবহার করি।

দুটি গুরুত্বপূর্ণ অংশ:

শূন্য অনুমান (Null Hypothesis, H0​):

- কোনো পার্থক্য বা পরিবর্তন নেই।

- উদাহরণ: "বাষ্পীভবনের কোনো প্রভাব খরার উপর নেই।"

বিকল্প অনুমান (Alternative Hypothesis, Ha​):

- পার্থক্য বা পরিবর্তন আছে।

- উদাহরণ: "বাষ্পীভবনের কারণে খরা হয়।"

আমাদের লক্ষ্য:

আমরা যাচাই করব, H0​ সত্য নাকি মিথ্যা। যদি H0​ মিথ্যা হয়, তাহলে আমরা Ha​-কে গ্রহণ করব।

প্রশ্ন যা আমাদের বিশ্লেষণে সাহায্য করবে:

১, সম্পর্ক কি ইতিবাচক (Positive) নাকি নেতিবাচক (Negative)?

    - বাষ্পীভবন বেশি হলে খরাও কি বাড়ে? নাকি কমে?

২, সম্পর্ক কি শক্তিশালী (Strong) নাকি দুর্বল (Weak)?

   - বাষ্পীভবন কি খরার প্রধান কারণ, নাকি এটি একাধিক কারণের একটি?

৩, সম্পর্ক কি নির্ভরযোগ্য (Reliable)?

   -একাধিক ডেটাতে এই সম্পর্ক দেখা যায়, নাকি কেবল নির্দিষ্ট ডেটাতে?

৪, সম্পর্ক কি প্রাসঙ্গিক (Relevant)?

  - এটি কি খরা মোকাবেলায় কার্যকর সমাধান খুঁজতে সাহায্য করবে?

Null এবং Alternative Hypothesis এর উদাহরণ

Null Hypothesis (H0​​):

"বাষ্পীভবনের খরার উপর কোনো প্রভাব নেই।"

যদি H0​​ সত্য হয়, তাহলে এর মানে হলো:

- বাষ্পীভবন খরার জন্য দায়ী নয়।

- অন্য কারণগুলো (যেমন বৃষ্টির অভাব, ভূগর্ভস্থ পানির ঘাটতি) খরার মূল কারণ।

Alternative Hypothesis (Ha​):

"বাষ্পীভবন খরার একটি গুরুত্বপূর্ণ কারণ।"

যদি Ha সত্য হয়, তাহলে এর মানে হলো:

- বাষ্পীভবন বেশি হলে খরার ঝুঁকি বেড়ে যায়।

✔️ Hypothesis Testing কিভাবে কাজ করে?

ডেটা সংগ্রহ:

বাষ্পীভবন এবং খরার ডেটা সংগ্রহ করা হবে (যেমন বাষ্পীভবনের পরিমাণ এবং একই সময়ে খরার তীব্রতা)।

পরিসংখ্যান বিশ্লেষণ:

ডেটা বিশ্লেষণ করে দেখা হবে, বাষ্পীভবন এবং খরার মধ্যে কোনো সম্পর্ক আছে কিনা।

সিদ্ধান্ত নেওয়া:

যদি ডেটা প্রমাণ করে যে H0​​​ ভুল, তাহলে Ha ​ গ্রহণ করা হবে।

উদাহরণ: যদি দেখা যায়, বাষ্পীভবন বাড়লে খরার তীব্রতা বাড়ে, তবে Ha ​ গ্রহণ করতে হবে।

✔️ কেন Hypothesis Testing গুরুত্বপূর্ণ?

H0​ এবং Ha ​ যাচাই করে আমরা বুঝতে পারি, বাষ্পীভবন খরার প্রধান কারণ কি না।

যদি Ha​ সত্য হয়, তাহলে খরা মোকাবেলায় বাষ্পীভবন নিয়ন্ত্রণের জন্য কার্যকর পদক্ষেপ নেওয়া যাবে।

✔️ হাইপোথিসিস টেস্টিংয়ে দুই ধরনের ত্রুটি: টাইপ I এবং টাইপ II

Hypothesis Testing করার সময় আমরা দুটি প্রধান ধরনের ত্রুটি (Error) দেখতে পাই:

১. টাইপ I ত্রুটি (Type I Error):

* কি ঘটে?

শূন্য অনুমান (Null Hypothesis, H0​​​​) ভুলভাবে বাতিল করা হয়, যদিও এটি আসলে সত্য।

উদাহরণ:

আমরা বললাম, "বাষ্পীভবন (Evapotranspiration) খরার (Drought) কারণ," কিন্তু আসলে তা নয়।

*কেন গুরুত্বপূর্ণ?

এটি ভুল সিদ্ধান্ত এবং অপ্রয়োজনীয় পদক্ষেপের দিকে নিয়ে যেতে পারে।

২. টাইপ II ত্রুটি (Type II Error):

*কি ঘটে?

শূন্য অনুমান (H0) সত্য বলে ধরে নেওয়া হয়, যদিও এটি আসলে মিথ্যা।

উদাহরণ:

আমরা বললাম, "বাষ্পীভবনের খরার উপর কোনো প্রভাব নেই," কিন্তু বাস্তবে এর প্রভাব আছে।

*কেন গুরুত্বপূর্ণ?

এটি প্রকৃত সমস্যাকে অগ্রাহ্য করে এবং সঠিক সমাধান নিতে ব্যর্থ হতে পারে।

✔️ p-মান (p-value):

p-মান আমাদের সিদ্ধান্ত নিতে সাহায্য করে যে H0H_0H0​ গ্রহণ করা উচিত কিনা।

যদি p-মান খুব ছোট হয় (p<α ): H0​ বাতিল করা হবে।

এর মানে, ডেটা বলছে H0​ সঠিক নয়।

যদি p-মান বড় হয় (p>α): H0 গ্রহণ করা হবে।

এর মানে, ডেটা H0-কে সমর্থন করছে।

p-মান এবং ত্রুটির সম্পর্ক:

p-মান আমাদের টাইপ I ত্রুটি এড়াতে সাহায্য করে।

p-মান এবং সিগনিফিক্যান্স লেভেল (α\alpha) ব্যবহার করে, আমরা সিদ্ধান্ত নিতে পারি যে H0 গ্রহণ বা বাতিল করব কিনা।