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 ।[୧] 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 ।[୨]

ସମ୍ଭାବନାକୁ ପ୍ରକାଶ କରିବାର ଏକ ଉଦାହରଣ ହେଲା :

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%

ଇତିହାସସମ୍ପାଦନ କରନ୍ତୁ

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 । [୩]

ପୃଥକ୍ ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ନିରୂପଣର ଉଦାହରଣସମ୍ପାଦନ କରନ୍ତୁ

 
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% ।

 
ପରିଦର୍ଶ ସମଷ୍ଟି
 
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   । 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   ବୋଲାଏ । ପ୍ରତ୍ୟେକ ଘଟଣା   ଅର୍ଥାତ୍ ପରିଦର୍ଶ ସମଷ୍ଟିର ଏକ ଉପସେଟ୍ । ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଘଟଣା ଘଟିବାର ସମ୍ଭାବନାକୁ   ଆକାରରେ ଲେଖିବା ।

ଏହି ଫଳନ  ର ମାନ ୦ରୁ ୧ ମଧ୍ୟରେ ରହିଥାଏ । କାରଣ ଘଟଣା ନଘଟିବାର ସମ୍ଭାବନା ୦% ଓ ଘଟଣା ଘଟିବାର ସର୍ବାଧିକ ୧୦୦% । ପରିଦର୍ଶ ସମଷ୍ଟି Ωର ସମସ୍ତ x ପାଇଁ  ର ମାନ ୦ରୁ ୧ ମଧ୍ୟରେ ରହିଥାଏ । ତେଣୁ   ପୁଣି ପରିଦର୍ଶ ସମଷ୍ଟି Ωର ସମସ୍ତ x ପାଇଁ  ର ମାନଗୁଡ଼ିକର ସମଷ୍ଟି ୧ । ଏହାକୁ ଗାଣିତିକ ସୂତ୍ରଭାବେ ଲେଖିଲେ   କୌଣସି ଏକ ଘଟଣା  ର ସମ୍ଭାବ୍ୟତାକୁ ଗାଣିତିକ ସୂତ୍ରରେ ଲେଖିଲେ

 

ନିରନ୍ତର ଘଟଣାରେ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନସମ୍ପାଦନ କରନ୍ତୁ

 
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 Xର ସମସ୍ତ ପରିଣାମ ପୂର୍ଣ୍ଣସଂଖ୍ୟା ( )ମାନଙ୍କର ଏକ ସେଟ୍ ହେଲେ ବା ଏହି ସେଟ୍‍ର ଏକ ଉପସେଟ୍ ହେଲେ ଚକ୍ରବୃଦ୍ଧି ବଣ୍ଟନ ଫଳନ (Cumulative Distribution Function-CDF)  କୁ   ଭାବେ ଲେଖାଯାଇପାରିବ ।

ଚକ୍ରବୃଦ୍ଧି ଫଳନ ବଣ୍ଟନ ପାଇଁ ନିମ୍ନ ଲିଖିତ ଅବସ୍ଥା ସର୍ବଦା ସତ୍ୟ ପ୍ରମାଣିତ ହୋଇଥାଏ :

  1.   ଏକ ନିରନ୍ତର ଫଳନ;
  2.  
  3.  

ଆଧାରସମ୍ପାଦନ କରନ୍ତୁ

  1. Inferring From Data
  2. "Why is quantum mechanics based on probability theory?". StackExchange. July 1, 2014.[unreliable source?]
  3. ""The origins and legacy of Kolmogorov's Grundbegriffe", by Glenn Shafer and Vladimir Vovk" (PDF). Retrieved 2012-02-12.