9.16 — Mathematics after Calculus (ক্যালকুলাসের পরের গণিত)¶

এই অধ্যায়ে কী শিখব: ক্যালকুলাস শেষ — এখন কোথায়? এই ছোট্ট, অনুপ্রেরণামূলক অধ্যায়টা পুরো গণিতের একটা মানচিত্র (map): ক্যালকুলাসের পরে যে যে বড় বিষয় সামনে আসে — linear algebra (রৈখিক বীজগণিত), differential equation (অন্তরকল সমীকরণ), complex analysis (জটিল বিশ্লেষণ) ও Fourier analysis (ফুরিয়ে বিশ্লেষণ), probability (সম্ভাবনা) ও statistics (পরিসংখ্যান), numerical methods (সাংখ্যিক পদ্ধতি), optimization (অনুকূলায়ন) আর discrete mathematics (বিচ্ছিন্ন গণিত) — প্রতিটার "কী ও কেন" একদম বেসিক থেকে, আর ক্যালকুলাসের সঙ্গে তার সংযোগ। শেষে একটা ছোট্ট ঝলক: হাতে-কলমে একটা differential equation ও একটা linear system সমাধান করে দেখব — সামনের রাস্তা কেমন হবে তার স্বাদ নিতে। Strang-এর "Mathematics after Calculus" অধ্যায়ের সুরেই, কিন্তু পাঠকবান্ধব করে।

উৎস (source): Calculus — Gilbert Strang (MIT)।

১. কেন এই অধ্যায়?¶

তুমি এতক্ষণে ক্যালকুলাসের দুটো মহাশক্তি হাতে পেয়ে গেছ — derivative (অন্তরজ) = ঢাল আর integral (সমাকল) = ক্ষেত্রফল, আর জেনেছ এরা একে অপরের বিপরীত। কিন্তু গণিত এখানে থামে না; বরং বলা যায়, ক্যালকুলাস হলো দরজা — এর ওপারে বিশাল একটা জগত। Strang তাঁর বইয়ের একদম শেষে একটা সৎ প্রশ্ন তোলেন: "ক্যালকুলাসের পরে আমি কোন গণিতটা পড়ব?" উত্তরটা নির্ভর করে দুটো জিনিসের ওপর — (১) তুমি কোথায় যেতে চাও (engineering, management, teaching, science, নাকি অন্য কিছু), আর (২) বিষয়গুলো নিজে কোন দিকে যায়।

এই অধ্যায়টা কোনো নতুন কঠিন হিসাব শেখাবে না। এটা একটা গাইড — কোর্সের নাম যা বলতে পারে না, তার চেয়ে পরিষ্কার একটা ছবি। ভাবো এটাকে পাহাড়ের চূড়ায় দাঁড়িয়ে সামনের উপত্যকাগুলো দেখিয়ে দেওয়া: কোনটা linear algebra-র সমতল, কোনটা differential equation-এর নদী, কোনটা Fourier-এর ঢেউ। Strang-এর কথায় — বিশুদ্ধ গণিত (pure mathematics) মোটামুটি তিন ভাগে ভাগ: analysis (বিশ্লেষণ), algebra (বীজগণিত) ও geometry (জ্যামিতি)। এই তিনটে মিলেই তৈরি হয় "গণিতের চিন্তাপদ্ধতি" — logic (যুক্তি) আর idea (ধারণা)-র এক গভীর, সৃষ্টিশীল মিশ্রণ।

মূল স্বজ্ঞা

ক্যালকুলাস তোমাকে একটা মহাশক্তিশালী ধারণা দিয়েছে — function (ফাংশন): আকৃতি, জনসংখ্যা, হৃৎস্পন্দন, মুনাফা, বৃদ্ধির হার — সবই function, আর তারা সময়ের সঙ্গে বদলায়, তাদের derivative ও integral আছে।

ক্যালকুলাসের পরের প্রায় প্রতিটা বিষয়ই আসলে এই function-এর ধারণাটাকে নতুন দিকে টেনে নেওয়া:

অনেকগুলো function একসাথে (system) → linear algebra
function কীভাবে বদলায়, সেই নিয়ম দিয়ে function খোঁজা → differential equation
function-কে বিশুদ্ধ কম্পনে ভাঙা → Fourier analysis
অনিশ্চয়তার function → probability ও statistics
সূত্র নয়, algorithm দিয়ে function-এর মান বের করা → numerical methods

অর্থাৎ তুমি নতুন শহরে যাচ্ছ না — একই ভাষা (function ও change) নিয়ে নতুন নতুন মহল্লায় ঢুকছ।

২. সামনে কী কী আছে (Core idea)¶

Strang বলেন, ক্যালকুলাসের পর সবচেয়ে গুরুত্বপূর্ণ দুটো কোর্স হলো linear algebra আর differential equations — সম্ভব হলে দুটোই নাও। এদের একটা তুলনা করে শুরু করি, তারপর একে একে বাকি দিকগুলো।

২.১ Linear Algebra (রৈখিক বীজগণিত)¶

কী? Linear algebra হলো সমীকরণের সিস্টেম (system of equations) নিয়ে বিদ্যা। এখানে একটা নয়, \(n\)-টা চলক (variable) একসাথে সমাধান করতে হয় — আর একটা বদলালে বাকিদের ওপরও প্রভাব পড়ে। এই চলকগুলো হতে পারে দাম (price), বেগ (velocity), তড়িৎ (current), ঘনত্ব (concentration) — যেকোনো মডেলের পরস্পর-সংযুক্ত অংশের output।

কেন সহজ? Linear algebra মাত্র একটাই অনুমান করে — মডেলটা linear (রৈখিক) হতে হবে, অর্থাৎ এক চলকের পরিবর্তন সব চলকে সমানুপাতিক (proportional) পরিবর্তন আনে। মজার ব্যাপার, প্রায় প্রতিটা বিষয়ই শুরু হয় এভাবেই। (যখন সমস্যা nonlinear হয়, তখন আমরা সেটাকে একগুচ্ছ linear সমীকরণের ধারাবাহিকতায় সমাধান করি — এমনকি linear programming-ও আসলে nonlinear, কারণ সেখানে শর্ত থাকে \(x \ge 0\)।) Strang-এর বিখ্যাত মন্তব্য:

Strang

"Linear algebra ক্যালকুলাসের মতোই মৌলিক ও প্রয়োগযোগ্য হয়ে উঠেছে — আর সৌভাগ্যক্রমে এটা সহজ।"

ক্যালকুলাসের সঙ্গে সংযোগ। সবচেয়ে সরল linear সমীকরণ দুটো সরলরেখা: তাদের ছেদবিন্দুই সমাধান। এটাই সেই "কাছে গেলে সব সরল" স্বজ্ঞার বড় ভাই — একটা \(n\)-মাত্রিক সরল জগত। এই বইয়ের Part 9-এ 9.11 (Vectors ও Matrices) অধ্যায় linear algebra-র প্রথম স্বাদ দেয় (dot/cross product, matrix); সেখান থেকেই পুরো একটা কোর্সের রাস্তা খুলে যায়।

Two lines meeting at a point is the geometry of solving a linear system

কিড-চিত্র: দুটো সমীকরণ \(x+y=5\) আর \(x-y=1\) — প্রতিটা একটা সরলরেখা। তাদের ছেদবিন্দু \((3,2)\)-ই হলো সিস্টেমের সমাধান। এটাই linear algebra-র জ্যামিতিক হৃৎপিণ্ড: "সমীকরণ সমাধান করা মানে রেখাগুলো কোথায় মেলে তা খোঁজা"।

২.২ Differential Equations (অন্তরকল সমীকরণ)¶

কী? একটা differential equation হলো এমন সমীকরণ যেখানে অজানা জিনিসটা একটা সংখ্যা নয় — একটা পুরো function, আর সমীকরণটা সেই function-এর derivative নিয়ে কথা বলে। সবচেয়ে সরল রূপ: পরিবর্তনের হার \(dy/dt\) নির্ধারিত হয় বর্তমান অবস্থা \(y\) দিয়ে — আর সেই নিয়ম মেনেই \(y\) বদলাতে থাকে।

ক্যালকুলাসের সঙ্গে সংযোগ। Strang একটি contrast দেখান: differential equation continuous model-এর ভাষা, আর matrix equation discrete model-এর ভাষা। এটি representation-এর contrast; differential equation-এর solution-এর regularity আলাদা assumptions-এর ওপর নির্ভর করে। দুটির তুলনা:

দিক	Differential Equation	Linear Algebra (Matrix)
ধরন	continuous (ক্যালকুলাস থেকে)	discrete (algebra থেকে)
অজানা	একটা function \(y(t)\)	একটা vector \(x\)
সমীকরণ	\(y' = cy + s\)	\(Ax = b\)
ব্যবহার	economics, life science, physics	সব সংযুক্ত সিস্টেম

Strang-এর অধ্যায়ে দুটো প্রতিনিধিস্থানীয় সমীকরণ:

\[y' = cy + s(t) \quad (\text{economics and life science}), \qquad y'' + b\,y' + c\,y = f(t) \quad (\text{physics and engineering}).\]

প্রথমটা growth/decay (বৃদ্ধি/ক্ষয়) — চক্রবৃদ্ধি সুদ, তেজস্ক্রিয় ক্ষয়, জনসংখ্যা। দ্বিতীয়টা oscillation (দোলন) — স্প্রিং, দুলুনি, বৈদ্যুতিক বর্তনী। মূল সুরটা ক্যালকুলাসেরই: derivative জানলে function ফিরে পাওয়া যায় (integral)। নিচের সেকশন ৩-এ আমরা সবচেয়ে সরল differential equation \(y'=y\) হাতে সমাধান করব।

২.৩ Complex Analysis ও Fourier Analysis (জটিল বিশ্লেষণ ও ফুরিয়ে বিশ্লেষণ)¶

Complex number (জটিল সংখ্যা) কেন? অনেক বাস্তব সমস্যার সমাধানের একটা চমৎকার পথ complex number-এর ভেতর দিয়ে যায়। Strang দুটো রত্ন দেখান:

\[\text{any function } u(x+iy) \text{ solves } u_{xx} + u_{yy} = 0 \quad (\text{Laplace equation}),\]

\[\text{any function } e^{ik(x+ct)} \text{ solves } u_{tt} - c^2 u_{xx} = 0 \quad (\text{wave equation}).\]

এই "building block" (মৌলিক ইট)-গুলো জুড়ে জুড়ে আমরা বড় সমাধান বানাই।

Fourier analysis কী? ধরো একটা সংকেত (signal) \(t=0\)-তে শুরু হলো। সেটা আসলে অনেকগুলো বিশুদ্ধ কম্পন (pure oscillation) \(e^{ikx}\)-এর মিশ্রণ। এই মিশ্রণে কোন frequency কতটুকু আছে — সেই হিসাবই Fourier transform। একটা Fourier series সংকেতকে ভাঙে:

\[f(x) = \sum a_k \cos kx \quad \text{or} \quad \sum b_k \sin kx \quad \text{or} \quad \sum c_k e^{ikx}.\]

এই যোগফল অসীম হতে পারে (power series-এর মতো)। function-কে আর তার মান বা derivative দিয়ে নয়, বরং coefficient \(a_k, b_k, c_k\) দিয়ে বর্ণনা করা হয় — অনেক engineer/scientist \(f(x)\)-এর চেয়ে এই Fourier coefficient-ই বেশি জানতে চান। এগুলো বিদ্যুৎ-গতিতে হিসাব করে Fast Fourier Transform (FFT) — Strang-এর ভাষায়, "Newton's method-এর পর সবচেয়ে বড় algorithm।"

একটা সুন্দর স্বজ্ঞা: রেডিও সংকেত একটা frequency-র কাছাকাছি; step function-এ অনেক frequency; আর delta function-এ সব frequency সমান পরিমাণে (\(\delta(x) = \sum \cos kx\))।

ক্যালকুলাসের সঙ্গে সংযোগ। Part 9-এর 9.9 (Polar Coordinates ও Complex Numbers) complex number-এর সূচনা করে, আর 9.10 (Infinite Series) সেই অসীম যোগফলের ভিত্তি দেয়। এই বইয়ের Part 5 — Hilbert Space ও Fourier Analysis পুরো Fourier-এর কঠোর, গভীর রূপটা গড়ে তোলে।

২.৪ Probability ও Statistics (সম্ভাবনা ও পরিসংখ্যান)¶

কেন? আমাদের সমাজ প্রতিদিন তথ্যের সমুদ্র (oceans of data) তৈরি করে — কাউকে না কাউকে সেখান থেকে সিদ্ধান্ত টানতে হয়। নতুন ওষুধ কাজ করছে কিনা, তেল-দূষণ সাধারণ না বিরল ঘটনা, কত ঘনঘন স্বাস্থ্যপরীক্ষা দরকার — এসব কেবল আন্দাজে বলা যায় না। Strang একটা চমকপ্রদ কথা বলেন: ধূমপান ও স্বাস্থ্যের মধ্যে সম্পর্কটা শতাব্দীর পর শতাব্দী লুকিয়ে ছিল — অথচ সেটা তথ্যের মধ্যেই ছিল! শেষে statistician-রা সেটা খুঁজে বের করলেন।

ক্যালকুলাসের সঙ্গে সংযোগ। Probability-র হৃৎপিণ্ডে আছে integral — একটা probability density function-এর নিচের ক্ষেত্রফলই সম্ভাবনা, আর গড় (expected value) হলো একটা integral। ঘণ্টা-আকৃতির normal distribution, bell curve — সবই ক্যালকুলাসের ভাষায় লেখা। Part 9-এর 9.8 (Applications of the Integral) এই probability density-র প্রথম স্বাদ দেয়। আর এই বইয়ের Part 3 — Measure ও Lebesgue Integral হলো আধুনিক probability-র কঠোর ভিত্তি (measure-theoretic probability)।

২.৫ Numerical Methods / Scientific Computing (সাংখ্যিক পদ্ধতি)¶

কী? বাস্তব সমস্যায় প্রায়ই সুন্দর, বন্ধ (closed-form) সূত্র থাকে না — তখন algorithm সূত্রের জায়গা নেয়। nonlinear সমীকরণের জন্য এর মানে Newton's method; আর \(Ax=b\) সমাধানের জন্য এর মানে elimination (নির্মূলন)।

নতুন মূল্যবোধ। যখন নিখুঁত (exact) সমাধান আর নেই, তখন তিনটে জিনিস অপরিহার্য হয়ে ওঠে — speed (গতি), accuracy (নির্ভুলতা) ও stability (স্থিতিশীলতা)। Strang যুক্তি দেন, তাই scientific computing-কে applied mathematics-এরই অংশ ধরে, তত্ত্বের সঙ্গে algorithm একসাথে শেখানো উচিত।

ক্যালকুলাসের সঙ্গে সংযোগ। তুমি এর একটা টুকরো ইতিমধ্যে পেয়ে গেছ! 9.3 — Applications of the Derivative-এ Newton's method (\(x_{n+1} = x_n - f(x_n)/f'(x_n)\)) দিয়ে বিদ্যুৎ-গতিতে root বের করা শিখেছ — সেটাই numerical analysis-এর প্রথম ধাপ। trapezoidal rule বা Simpson's rule দিয়ে integral আসন্ন করাও ঠিক এই পরিবারের।

২.৬ Optimization (অনুকূলায়ন)¶

কী? "সবচেয়ে ভালো"-কে খুঁজে বের করা—maximum profit, minimum cost, shortest time। Differentiable function-এর interior unconstrained local extremum-এ \(df/dx=0\) necessary condition। Endpoint, nondifferentiable point এবং constraint boundary-তে extremum হলেও derivative zero নাও হতে পারে; \(df/dx=0\) point-ও extremum নাও হতে পারে।

সামনে কী? বাস্তব optimization-এ সাধারণত অনেক চলক থাকে এবং শর্ত (constraint) থাকে — যেমন "বাজেট \(\le\) এত", "\(x \ge 0\)"। শর্তসহ optimization-এর জন্য আসে Lagrange multiplier, আর রৈখিক শর্ত ও রৈখিক লক্ষ্যের জন্য linear programming। এখানেই optimization হাত মেলায় linear algebra-র সঙ্গে (সিস্টেম সমাধান) ও numerical methods-এর সঙ্গে (বড় সমস্যা algorithm দিয়ে solve)।

ক্যালকুলাসের সঙ্গে সংযোগ। এক চলকের max–min → বহু চলকের gradient ও Lagrange multiplier। Unconstrained differentiable interior optimum-এ gradient zero; constrained optimum-এ feasible direction-গুলো গুরুত্বপূর্ণ এবং gradient constraint gradient-গুলোর span-এ থাকতে পারে।

২.৭ Discrete Mathematics (বিচ্ছিন্ন গণিত) — বোনাস দিক¶

Strang একটা তৃতীয় বড় দিকের কথাও বলেন: discrete mathematics। এখানে matrix একটা ছোট অংশ; বড় অংশ হলো network (নেটওয়ার্ক) ও algorithm। মজার ব্যাপার — এখানে derivative নেই, তাই এটা ক্যালকুলাসের চেয়ে algebra-র কাছাকাছি, আর computer science-এ অপরিহার্য। একটা মজার নমুনা-প্রশ্ন (Strang-এর): "২৫টা রাজ্যকে ২৫টা প্রতিবেশীর সঙ্গে কি এমনভাবে জোড়া যায়, যেন প্রতিটা জোড়ায় অন্তত একটা রাজ্যের নামে জোড়-সংখ্যক অক্ষর থাকে?" — শুনতে গাণিতিক না লাগলেও, এটা খাঁটি matching (মিলকরণ) সমস্যা।

একটা সুন্দর সত্য: এই বইটাই 'analysis'-এর রাস্তা

মনে আছে — বিশুদ্ধ গণিত তিন ভাগ: analysis, algebra, geometry? তুমি এইমাত্র যে ক্যালকুলাস শেষ করলে, তার কঠোর, প্রমাণ-ভিত্তিক বড় ভাই হলো analysis (বিশ্লেষণ)। আর সেই রাস্তাটাই এই "থিওরি অব ম্যাথ" বইয়ের মূল স্পাইন —

Part 1 — বাস্তব সংখ্যা ও প্রাথমিক Analysis: limit, continuity, derivative-এর কঠোর (\(\epsilon\)–\(\delta\)) ভিত্তি।
Part 2 — Metric Space ও Topology: "কাছাকাছি" ও "convergence"-এর সাধারণ রূপ।
Part 3 — Measure ও Lebesgue Integral: integral-এর আধুনিক, শক্তিশালী রূপ।
Part 5 — Hilbert Space ও Fourier: function-দের জ্যামিতি ও Fourier-এর গভীরতা।

অর্থাৎ ক্যালকুলাস শেষ করে তুমি ইতিমধ্যে এই বইয়েরই এক বিরাট যাত্রার দোরগোড়ায়। 🎒

৩. একটা ঝলক: সহজ উদাহরণ¶

কথা অনেক হলো — এবার একটা differential equation নিজে হাতে সমাধান করে সামনের রাস্তার স্বাদ নিই। সবচেয়ে বিখ্যাত ও সরল সমীকরণটা নিই, যা ক্যালকুলাসের সবচেয়ে সুন্দর function-টাকে জন্ম দেয়।

সমস্যা: এমন একটা function \(y(t)\) খোঁজো যার পরিবর্তনের হার তার নিজের সমান — অর্থাৎ

\[y' = y, \qquad y(0) = 1.\]

সমাধান (separation of variables — চলক আলাদা করা): \(\dfrac{dy}{dt} = y\) লিখে \(y\)-গুলো এক পাশে, \(t\)-গুলো আরেক পাশে নিই:

\[\frac{dy}{y} = dt.\]

দুই পাশে integral (ক্যালকুলাস!):

\[\int \frac{dy}{y} = \int dt \;\Rightarrow\; \ln|y| = t + C.\]

দুই পাশে \(\exp\) নিয়ে \(y = e^{t+C} = A e^{t}\) (যেখানে \(A = e^C\))। শুরুর শর্ত \(y(0)=1\) বসিয়ে \(A=1\)। তাই সমাধান:

\[\boxed{y(t) = e^{t}.}\]

যাচাই: \(y = e^t\) হলে \(y' = e^t = y\) — মিলে গেল! এটাই সেই আশ্চর্য function যার ঢাল সবসময় তার উচ্চতার সমান (Highlights অধ্যায় 9.0-এ দেখা \(e^x\))। নিচের ছবিতে প্রতিটা বিন্দুতে দেখো — সবুজ উচ্চতা আর কমলা tangent-এর ঢাল হুবহু এক।

The solution of y prime equals y is the exponential, where slope equals height everywhere

কিড-চিত্র: \(y'=y\)-এর সমাধান \(y=e^{t}\)। প্রতিটা লাল বিন্দুতে সবুজ খাড়া দাগ (উচ্চতা) আর কমলা tangent-এর ঢাল সমান — এটাই "নিজের হারে বাড়া" function। বাস্তবে এটাই চক্রবৃদ্ধি সুদ ও প্রাকৃতিক বৃদ্ধির গণিত।

আরও একটু সাধারণ করলে \(y' = cy\)-এর সমাধান \(y(t) = y(0)\,e^{ct}\) — \(c>0\) হলে বৃদ্ধি, \(c<0\) হলে ক্ষয়। এটাই Strang-এর section 16.2-এর সেই প্রথম সমীকরণ, যা অর্থনীতি ও জীববিজ্ঞানের এত মডেল চালায়।

আর linear algebra-র ঝলক? সেটা সেকশন ২.১-এর ছবিতেই দেখেছ — দুটো সরলরেখার ছেদবিন্দু \((3,2)\)-ই \(x+y=5,\ x-y=1\) সিস্টেমের সমাধান। হাতে করলে: দুটো সমীকরণ যোগ করলে \(2x=6 \Rightarrow x=3\); বিয়োগ করলে \(2y=4 \Rightarrow y=2\)। matrix ভাষায় এটা \(Ax=b\), আর সমাধান \(x=A^{-1}b\)।

৪. Python-এ করো¶

নিচের প্রোগ্রামটা ঠিক এই দুটো ঝলকই কম্পিউটারে করে দেখায় — একটা differential equation (\(y'=y\)) সমাধান করে \(e^t\)-এর সঙ্গে মেলায়, আর একটা linear system (\(Ax=b\)) সমাধান করে। এই দুটোই ক্যালকুলাসের পরের দুই বড় স্তম্ভের হাতেখড়ি।

import numpy as np
from scipy.integrate import solve_ivp

# ---------- (i) differential equation: y' = y, y(0) = 1  ->  উত্তর e^t ----------
def rhs(t, y):
    return y                      # সমীকরণের ডান পাশ: dy/dt = y

sol = solve_ivp(rhs, [0, 2], [1.0], t_eval=[0, 0.5, 1.0, 1.5, 2.0])  # 0 থেকে 2 পর্যন্ত

print("t      scipy y(t)     সঠিক e^t     পার্থক্য")
for t, y in zip(sol.t, sol.y[0]):
    print(f"{t:<4}  {y:.6f}     {np.exp(t):.6f}   {abs(y-np.exp(t)):.2e}")
# লক্ষ করো: scipy-র সাংখ্যিক সমাধান আর সঠিক e^t প্রায় হুবহু মেলে

# ---------- (ii) linear system:  x + y = 5,  x - y = 1  ->  উত্তর (3, 2) ----------
A = np.array([[1.0, 1.0],
              [1.0, -1.0]])       # সহগ-matrix (coefficient matrix)
b = np.array([5.0, 1.0])          # ডান পাশের ধ্রুবক

x = np.linalg.solve(A, b)         # A x = b সমাধান (অভ্যন্তরে elimination চলে)
print("\nlinear system-এর সমাধান (x, y) =", x)   # আশা করি (3, 2)
print("যাচাই A @ x =", A @ x, " (b-এর সমান হওয়া উচিত)")

চালালে দেখবে (i)-তে scipy-র সমাধান আর সঠিক \(e^t\)-এর পার্থক্য ক্ষুদ্র (\(10^{-6}\) মাপের) — সাংখ্যিক পদ্ধতি (numerical method) কত নিখুঁত হতে পারে তার ঝলক। আর (ii)-তে np.linalg.solve চোখের পলকে \((3,2)\) বের করে — যেটা আমরা হাতে দুই লাইনের ছেদবিন্দু হিসেবে পেয়েছিলাম। একই ধারণা \(n=1000\) চলকেও কাজ করে, যেখানে হাতে করা অসম্ভব: এটাই linear algebra + scientific computing-এর শক্তি।

ছোট টীকা

উপরের np.linalg.solve(A, b) অভ্যন্তরে elimination চালায় — ঠিক সেই algorithm যার কথা সেকশন ২.৫-এ বললাম। সূত্র নয়, algorithm — এটাই ক্যালকুলাস-পরবর্তী গণিতের একটা বড় সুর।

৫. এক্সারসাইজ¶

এগুলো ধারণামূলক ও সহজ — উদ্দেশ্য মানচিত্রটা মনে গেঁথে দেওয়া, কঠিন হিসাব নয়।

\(y' = y\)-এর সমাধান কী, আর একে কেন "নিজের ঢাল নিজেই" function বলা হয়? এক লাইনে যাচাই করো।
linear system \(x + y = 5\) ও \(x - y = 1\) হাতে সমাধান করো (যোগ-বিয়োগ পদ্ধতিতে)।
Strang বলেন linear algebra "শুধু একটা অনুমান" করে — সেটা কী? আর সমস্যা nonlinear হলে আমরা কী করি?
Fourier series একটা signal-কে কীসে ভাঙে, আর সেই coefficient-গুলো বিদ্যুৎ-গতিতে বের করা algorithm-টার নাম কী?
একটা ব্যাংক-হিসাব একটানা চক্রবৃদ্ধিতে \(y' = 0.05\,y\) নিয়মে বাড়ে, শুরুতে \(y(0)=1000\) টাকা। ৪ নং সংযোগ কাজে লাগিয়ে \(t\) বছরের সূত্র লেখো, আর \(t=10\) বছরে আনুমানিক মান বের করো (\(e^{0.5}\approx 1.6487\))।

৬. সমাধান (ব্যাখ্যাসহ)¶

১-নং সমাধান দেখাও

\(y' = y\)-এর সমাধান \(y = e^{t}\) (শর্ত \(y(0)=1\) সহ)। একে "নিজের ঢাল নিজেই" বলা হয় কারণ প্রতিটা বিন্দুতে তার derivative (ঢাল) তার নিজের মানের (উচ্চতার) সমান।

যাচাই: \(\dfrac{d}{dt}e^{t} = e^{t}\), অর্থাৎ \(y' = y\) — সত্যি। এটাই \(e^t\)-কে ক্যালকুলাসের সবচেয়ে বিশেষ function বানায়।

২-নং সমাধান দেখাও

দুটো সমীকরণ যোগ করি:

\[(x+y) + (x-y) = 5 + 1 \;\Rightarrow\; 2x = 6 \;\Rightarrow\; x = 3.\]

এবার বিয়োগ করি:

\[(x+y) - (x-y) = 5 - 1 \;\Rightarrow\; 2y = 4 \;\Rightarrow\; y = 2.\]

সমাধান \((x, y) = (3, 2)\) — ঠিক দুই রেখার ছেদবিন্দু (সেকশন ২.১-এর ছবি)।

৩-নং সমাধান দেখাও

Linear map-এর defining property হলো superposition: \(T(a\mathbf x+b\mathbf y)=aT(\mathbf x)+bT(\mathbf y)\)। Linear algebra শুধু equation system নয়; vector space, subspace, basis, linear map, eigenvalue ইত্যাদি study করে।

সমস্যা nonlinear হলে আমরা সেটাকে সরাসরি সমাধান না করে একগুচ্ছ linear সমীকরণের ধারাবাহিকতা দিয়ে আসন্ন করি (যেমন Newton's method বারবার একটা linear approximation সমাধান করে এগোয়)।

৪-নং সমাধান দেখাও

Fourier series একটা signal \(f(x)\)-কে ভাঙে বিশুদ্ধ sine ও cosine (বা \(e^{ikx}\))-এর যোগফলে:

\[f(x) = \sum a_k \cos kx + \sum b_k \sin kx.\]

Coefficient \(a_k,b_k\) continuous Fourier-series content বোঝায়। Sampled data-এর discrete Fourier transform (DFT) দ্রুত compute করার algorithm হলো Fast Fourier Transform (FFT); continuous coefficient পেতে sampling/quadrature ও aliasing assumptions আলাদা করে দেখতে হয়।

৫-নং সমাধান দেখাও

\(y' = cy\) ধরনের সমীকরণের সাধারণ সমাধান \(y(t) = y(0)\,e^{ct}\)। এখানে \(c = 0.05\), \(y(0)=1000\), তাই

\[y(t) = 1000\,e^{0.05\,t}.\]

\(t = 10\) বছরে:

\[y(10) = 1000\,e^{0.05 \times 10} = 1000\,e^{0.5} \approx 1000 \times 1.6487 = 1648.7 \text{ taka}.\]

অর্থাৎ প্রায় \(1649\) টাকা। এটাই একটানা চক্রবৃদ্ধি (continuous compounding) — একটা differential equation-এর সরাসরি প্রয়োগ, আর \(e^x\)-এর সৌন্দর্য।

৭. সারসংক্ষেপ ও পরবর্তী পথ¶

এই অধ্যায়ে আমরা কোনো নতুন কঠিন যন্ত্র শিখিনি — বরং পাহাড়ের চূড়া থেকে সামনের পুরো গণিত-উপত্যকাটা দেখে নিলাম। নিজেকে যাচাই করো:

[ ] জানি ক্যালকুলাসের পরের দুই প্রধান কোর্স হলো linear algebra ও differential equations, আর বিশুদ্ধ গণিতের তিন শাখা analysis, algebra, geometry।
[ ] Linear map-এর superposition property বলতে পারি; \(Ax=b\)-এর solution দুই dimension-এ line intersection, higher dimension-এ hyperplane intersection, এবং solution none/one/infinitely many হতে পারে।
[ ] Continuous ও discrete model/representation-এর পার্থক্য বুঝি; differential-equation solution-এর regularity assumptions-এর ওপর নির্ভর করে।
[ ] Fourier series signal-কে sine/cosine-এ ভাঙে, আর FFT দ্রুত coefficient বের করে — এটা জানি।
[ ] probability/statistics-এর ভিত্তিতে integral আছে, আর numerical methods-এ সূত্রের জায়গা নেয় algorithm (speed, accuracy, stability) — বুঝি।
[ ] Optimization-এ differentiable interior unconstrained optimum-এর necessary condition \(f'=0\) বা \(\nabla f=0\); boundary, nondifferentiable point ও constraint আলাদাভাবে check করতে হয়।

Strang-এর একটা কথায় এই অধ্যায় শেষ করি — গণিত পড়ার একটা বড় কারণ হলো নিজের জীবনটাকে আরও ভালোভাবে জানা। চারপাশের আকৃতি, জনসংখ্যা, হৃৎস্পন্দন, মুনাফা, বৃদ্ধির হার — সবই function, সবই বদলায়, সবারই derivative ও integral আছে। এগুলো বুঝতে আর ব্যবহার করতে পরিশ্রম লাগে; অসংখ্য মানুষ যে যেভাবে পেরেছেন অবদান রেখেছেন — যেমন এখন তুমি আর আমি করছি। আমরা হয়তো Newton, Leibniz, Gauss বা Einstein নই — কিন্তু তাঁরা যা সৃষ্টি করে গেছেন, তার একটা অংশ আমরাও ভাগ করে নিতে পারি।

তাই ক্যালকুলাস শেষ মানে গল্পের শেষ নয় — এটা সবে শুরু। সামনের যেকোনো দরজা বেছে নাও; তুমি প্রস্তুত। 🚀

➡️ সমাপ্তি: এই নিয়ে Part 9 (Calculus) শেষ। Part 9 সূচিতে ফিরে যাও বা মূল সূচি।