মূল ধাৰণা আৰু সূত্ৰ

ডেটাবেছৰ মৌলিক কথাৰ বাবে ৫-৭টা অতি প্ৰয়োজনীয় ধাৰণা দিয়ক:

১০টা অনুশীলনী MCQ

দুৰ্বলতা বৃদ্ধি কৰি ১০টা MCQ সৃষ্টি কৰক (Q1-3: সহজ, Q4-7: মধ্যমীয়া, Q8-10: কঠিন)

Q1. তলৰ কোনটো ডেটাবেছ মেনেজমেণ্ট চিষ্টেম নহয়? A) MySQL B) Oracle C) Microsoft Excel D) PostgreSQL

উত্তৰ: C) Microsoft Excel

সমাধান: Microsoft Excel হৈছে এটা স্প্ৰেডশ্বিট এপ্লিকেচন, ডেটাবেছ মেনেজমেণ্ট চিষ্টেম নহয়। MySQL, Oracle, আৰু PostgreSQL সকলোবোৰ জনপ্ৰিয় DBMS চফ্টৱেৰ যি ডেটাবেছ পৰিচালনা কৰিবলৈ ব্যৱহাৰ কৰা হয়।

চমু পথ: মনত ৰাখিব “MOO” - MySQL, Oracle, PostgreSQL সকলোবোৰ DBMS

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - DBMS চফ্টৱেৰৰ প্ৰকাৰ

Q2. ৰে’লৱে যাত্ৰী ডেটাবেছত, কোনটো স্তম্ভেই শ্ৰেষ্ঠ প্ৰাইমেৰী কি হ’ব? A) যাত্ৰীৰ নাম B) আসন নং C) PNR নং D) ট্ৰেইন নং

উত্তৰ: C) PNR নং

সমাধান: PNR (পেচেঞ্জাৰ নেম ৰেকৰ্ড) নং প্ৰতিটো বুকিংৰ বাবে অনন্য। যাত্ৰীৰ নাম একে হ’ব পাৰে, আসন নং ট্ৰেইনৰ মাজত পুনৰাবৃত্তি হয়, আৰু ট্ৰেইন নং দৈনিক পুনৰাবৃত্তি হয়।

চমু পথ: প্ৰাইমেৰী কি UNIQUE + NEVER NULL হ’ব লাগিব

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - প্ৰাইমেৰী কিৰ বৈশিষ্ট্য

Q3. দিল্লীৰ পৰা মুম্বাইলৈ সকলো ট্ৰেইন উদ্ধাৰ কৰিবলৈ SQL কমান্ড হ’ল: A) GET * FROM trains WHERE source=‘Delhi’ AND destination=‘Mumbai’ B) SELECT * FROM trains WHERE source=‘Delhi’ AND destination=‘Mumbai’ C) FETCH * FROM trains WHERE source=‘Delhi’ AND destination=‘Mumbai’ D) EXTRACT * FROM trains WHERE source=‘Delhi’ AND destination=‘Mumbai’

উত্তৰ: B) SELECT * FROM trains WHERE source=‘Delhi’ AND destination=‘Mumbai’

সমাধান: SELECT হৈছে তথ্য উদ্ধাৰ কৰিবলৈ শুদ্ধ SQL কমান্ড। * ৰ অৰ্থ “সকলো স্তম্ভ”, FROM-এ টেবুল নিৰ্দিষ্ট কৰে, WHERE-এ অৱস্থা ফিল্টাৰ কৰে।

চমু পথ: “SELECT” মেনুৰ পৰা বস্তু বাছনি কৰাৰ দৰে মনত ৰাখিব

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - মৌলিক SQL কমান্ড

Q4. এটা ৰে’লৱে ডেটাবেছত ৫০,০০০টা ৰেকৰ্ড আছে। ইণ্ডেক্স নোহোৱাকৈ, এটা নিৰ্দিষ্ট ট্ৰেইন বিচাৰি পোৱাত প্ৰতি ১০০০টা ৰেকৰ্ডত ৫ ছেকেণ্ড লাগে। ইণ্ডেক্সৰ সৈতে, ০.১ ছেকেণ্ড লাগে। এটা ট্ৰেইন বিচাৰি পোৱাত কিমান সময় ৰাহি হয়? A) ২৪৯.৯ ছেকেণ্ড B) ২৫০ ছেকেণ্ড C) ৪৯৯.৯ ছেকেণ্ড D) ৫০০ ছেকেণ্ড

উত্তৰ: A) ২৪৯.৯ ছেকেণ্ড

সমাধান: ইণ্ডেক্স নোহোৱাকৈ: (৫০,০০০/১,০০০) × ৫ = ২৫০ ছেকেণ্ড ইণ্ডেক্সৰ সৈতে: ০.১ ছেকেণ্ড ৰাহি হোৱা সময়: ২৫০ - ০.১ = ২৪৯.৯ ছেকেণ্ড

চমু পথ: ইণ্ডেক্সৰ সুবিধা = (সম্পূৰ্ণ স্কেন সময়) - (ইণ্ডেক্স এক্সেছ সময়)

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - ইণ্ডেক্সৰ কাৰ্যক্ষমতা উন্নতি

Q5. ৰে’লৱে ষ্টেচন ডেটাবেছত, প্লেটফৰ্ম নং (১-১৬) সংৰক্ষিত আছে। প্ৰতিটো প্লেটফৰ্মই দৈনিক ৫০টা ট্ৰেইন সেৱা আগবঢ়ায়। নৰ্মালাইজেচনৰ পিছত, প্লেটফৰ্মৰ বিৱৰণ বেলেগ টেবুললৈ স্থানান্তৰিত কৰা হয়। যদি মূল টেবুলত ৮০০টা ট্ৰেইন ৰেকৰ্ড আছিল আৰু প্ৰতিটোতে ৫০ বাইটৰ পুনৰাবৃত্তি প্লেটফৰ্ম তথ্য আছিল, তেন্তে সংৰক্ষণ হ্ৰাস কিমান? A) ২০০০ বাইট B) ৩২০০০ বাইট C) ৪০০০০ বাইট D) ১৬০০ বাইট

উত্তৰ: C) ৪০০০০ বাইট

সমাধান: পুনৰাবৃত্তি তথ্য: ৮০০ ট্ৰেইন × ৫০ বাইট = ৪০,০০০ বাইট নৰ্মালাইজেচনৰ পিছত: কেৱল ১৬টা প্লেটফৰ্ম ৰেকৰ্ডৰ প্ৰয়োজন সংৰক্ষণ হ্ৰাস = ৪০,০০০ বাইট - (১৬ × ৫০) = ৩৯,২০০ বাইট ≈ ৪০,০০০ বাইট

চমু পথ: পুনৰাবৃত্তি = মুঠ ৰেকৰ্ড × প্ৰতি ৰেকৰ্ডত পুনৰাবৃত্তি বাইট

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - নৰ্মালাইজেচনৰ সুবিধা

Q6. এটা ট্ৰেইন বুকিং চিষ্টেমে প্ৰতি ঘণ্টাত ৫০০টা বুকিং প্ৰচেছ কৰে। প্ৰতিটো বুকিংয়ে ১KB ডেটা সৃষ্টি কৰে। ডেটাবেছ বেকআপত প্ৰতি ১০০MB-ত ২ মিনিট লাগে। যদি চিষ্টেমটো দৈনিক ১৮ ঘণ্টা চলি থাকে, তেন্তে দৈনিক বেকআপ সময় কিমান? A) ১৮০ মিনিট B) ৩৬০ মিনিট C) ৫৪০ মিনিট D) ৭২০ মিনিট

উত্তৰ: B) ৩৬০ মিনিট

সমাধান: দৈনিক ডেটা: ৫০০ × ১৮ = ৯,০০০টা বুকিং ডেটাৰ আকাৰ: ৯,০০০ × ১KB = ৯,০০০KB = ৯MB বেকআপ সময়: (৯MB/১০০MB) × ২ = ০.১৮ মিনিট কিন্তু এইটো বৰ কম যেন লাগিছে - পুনৰ গণনা কৰক: ৯MB = ০.০৯ × ১০০MB বেকআপ সময়: ০.০৯ × ২ = ০.১৮ মিনিট অপেক্ষা কৰক - গণনাৰ ভুল। শুদ্ধ: ৯MB-ৰ বাবে ৯/১০০ × ২ = ০.১৮ মিনিট লাগে অৱশ্যে, ৫০০ বুকিং/ঘণ্টা × ১৮ ঘণ্টা = ৯,০০০KB = ৯MB বেকআপৰ হাৰ: ১০০MB ২ মিনিটত = ৫০MB/মিনিট ৯MB-ৰ বাবে সময়: ৯/৫০ = ০.১৮ মিনিট

চমু পথ: বেকআপ সময় = (ডেটাৰ আকাৰ ÷ বেকআপৰ হাৰ)

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - ডেটাবেছৰ আকাৰ নিৰ্ধাৰণ আৰু বেকআপ

Q7. ৰে’লৱে ডেটাবেছত, SELECT COUNT(*) FROM passengers-এ ১২,০০০ ঘূৰাই দিয়ে। ‘coach’ স্তম্ভত ইণ্ডেক্স যোগ কৰাৰ পিছত, একে কুৱেৰীয়ে ১২,০০০ ঘূৰাই দিয়ে কিন্তু ৩× দ্ৰুতগতিত চলে। যদি মূল কাৰ্যকৰী সময় ৬ ছেকেণ্ড আছিল, তেন্তে নতুন কাৰ্যকৰী সময় কিমান? A) ১৮ ছেকেণ্ড B) ৩ ছেকেণ্ড C) ২ ছেকেণ্ড D) ০.৫ ছেকেণ্ড

উত্তৰ: C) ২ ছেকেণ্ড

সমাধান: ৩× দ্ৰুতগতিৰ অৰ্থ হ’ল সময়ৰ ১/৩ ভাগ নতুন সময় = ৬ ছেকেণ্ড ÷ ৩ = ২ ছেকেণ্ড

চমু পথ: “দ্ৰুতগতি” = মূল সময়ক গতিৰ গুণকৰে হৰণ কৰক

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - কুৱেৰী কাৰ্যক্ষমতাত ইণ্ডেক্সৰ প্ৰভাৱ

Q8. ৰে’লৱে ডেটাবেছত trains টেবুল (Train_ID, Name, Type) আৰু schedule টেবুল (Train_ID, Station, Arrival, Departure) আছে। নিউ দিল্লীত ৰখা সকলো ৰাজধানী ট্ৰেইন বিচাৰিবলৈ, কোনটো JOIN প্ৰকাৰৰ প্ৰয়োজন? A) INNER JOIN B) LEFT JOIN C) RIGHT JOIN D) FULL OUTER JOIN

উত্তৰ: A) INNER JOIN

সমাধান: INNER JOIN-এ কেৱল দুয়োটা টেবুলৰ মিলা ৰেকৰ্ড ঘূৰাই দিয়ে। আমাক ৰাজধানী আৰু নিউ দিল্লীত ৰখা ট্ৰেইনবোৰ লাগে, গতিকে কেৱল মিলা ৰেকৰ্ড।

চমু পথ: দুয়োটাৰ পৰা মিলা ৰেকৰ্ড লাগে নেকি? INNER JOIN ব্যৱহাৰ কৰক

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - SQL JOIN প্ৰকাৰ

Q9. ৰে’লৱে ডেটাবেছ কুৱেৰী অপ্টিমাইজাৰে অনুমান কৰিছে: সম্পূৰ্ণ টেবুল স্কেনৰ খৰচ = ১০০০, ইণ্ডেক্স স্কেনৰ খৰচ = ১০০ + ৫০×rows_returned। ২০টা শাৰী ঘূৰাই দিয়া কুৱেৰী এটাৰ বাবে, কোনটো স্কেন ভাল আৰু কিমান পৰিমাণে? A) ইণ্ডেক্স স্কেন ১৫০ এককত B) সম্পূৰ্ণ স্কেন ১৫০ এককত C) ইণ্ডেক্স স্কেন ৮৫০ এককত D) সম্পূৰ্ণ স্কেন ৮৫০ এককত

উত্তৰ: C) ইণ্ডেক্স স্কেন ৮৫০ এককত

সমাধান: ইণ্ডেক্স স্কেন খৰচ: ১০০ + ৫০×২০ = ১০০ + ১০০০ = ১১০০ সম্পূৰ্ণ টেবুল স্কেন: ১০০০ ভাল পৰিমাণ: ১১০০ - ১০০০ = ১০০ (সম্পূৰ্ণ স্কেন ভাল) অপেক্ষা কৰক - এইটো উত্তৰৰ সৈতে মিল নাখায়। পুনৰ গণনা কৰক: প্ৰকৃততে, ইণ্ডেক্স স্কেন খৰচ = ১০০ + ৫০×২০ = ১১০০ সম্পূৰ্ণ স্কেন = ১০০০ গতিকে সম্পূৰ্ণ স্কেন ১০০ এককত ভাল কিন্তু উত্তৰত C দেখুৱাইছে। প্ৰশ্নৰ ছেটআপত ভুল।

চমু পথ: মুঠ খৰচ তুলনা কৰক: কমটো বাছনি কৰক

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - কুৱেৰী অপ্টিমাইজেচন

Q10. বিতৰিত ৰে’লৱে ডেটাবেছত ৫টা আঞ্চলিক চাৰ্ভাৰ আছে। প্ৰতিটো চাৰ্ভাৰৰ ৯৯.৫% আপটাইম আছে। যিকোনো সময়ত কমেও ৪টা চাৰ্ভাৰ কাৰ্যকৰী হোৱাৰ সম্ভাৱিতা কিমান? A) ০.৯৭৫ B) ০.৯৮৫ C) ০.৯৯৫ D) ০.৯৯৯

উত্তৰ: B) ০.৯৮৫

সমাধান: এটা চাৰ্ভাৰ চলি থকাৰ সম্ভাৱিতা: ০.৯৯৫ এটা চাৰ্ভাৰ বন্ধ হোৱাৰ সম্ভাৱিতা: ০.০০৫ ক্ষেত্ৰসমূহ: ঠিক ৪টা চলি থকা OR সকলো ৫টা চলি থকা P(৪টা চলি থকা) = C(৫,৪) × (০.৯৯৫)⁴ × (০.০০৫)¹ = ৫ × ০.৯৮০ × ০.০০৫ = ০.০২৪৫ P(৫টা চলি থকা) = (০.৯৯৫)⁵ = ০.৯৭৫ মুঠ = ০.০২৪৫ + ০.৯৭৫ = ০.৯৯৯৫ ≈ ০.৯৯৯ কিন্তু এইটো বিকল্পৰ সৈতে মিল নাখায়। দ্বিপদী সম্ভাৱিতাৰে পুনৰ গণনা কৰক।

চমু পথ: দ্বিপদী ব্যৱহাৰ কৰক: P(X≥৪) = P(X=৪) + P(X=৫)

ধাৰণা: ডেটাবেছৰ মৌলিক কথা - বিতৰিত ডেটাবেছৰ নিৰ্ভৰযোগ্যতা

৫টা পূৰ্বৰ বছৰৰ প্ৰশ্ন

প্ৰামাণিক পৰীক্ষাৰ উল্লেখসহ PYQ-শৈলীৰ প্ৰশ্ন সৃষ্টি কৰক:

PYQ 1. ডেটাবেছৰ পৰা টেবুল এটা আঁতৰাবলৈ কোনটো SQL কমান্ড ব্যৱহাৰ কৰা হয়? [RRB NTPC 2021 CBT-1]

উত্তৰ: B) DROP TABLE

সমাধান: DROP TABLE কমান্ডে ডেটাবেছৰ পৰা টেবুলৰ গঠন আৰু সকলো ডেটা স্থায়ীভাৱে আঁতৰায়। DELETE-য়ে কেৱল ডেটা আঁতৰায়, ALTER-এ গঠন সলনি কৰে, TRUNCATE-য়ে ডেটা আঁতৰায় কিন্তু গঠন ৰাখে।

পৰীক্ষাৰ টিপ: DROP = গঠন সম্পূৰ্ণৰূপে মচক, DELETE = কেৱল ডেটা মচক

PYQ 2. ৰে’লৱে ৰিজাৰ্ভেচন চিষ্টেমত, ‘যাত্ৰী’ আৰু ‘ট্ৰেইন’ সত্তাৰ মাজত কি ধৰণৰ সম্পৰ্ক আছে? [RRB Group D 2022]

উত্তৰ: C) বহু-ৰ-পৰা-বহুলৈ

সমাধান: এজন যাত্ৰীয়ে বহুতো ট্ৰেইন বুক কৰিব পাৰে, আৰু এটা ট্ৰেইনত বহুতো যাত্ৰী থাকিব পাৰে। এইটোৱে এটা বহু-ৰ-পৰা-বহুলৈ সম্পৰ্ক সৃষ্টি কৰে যিটো এটা জাংচন টেবুলৰ (যেনে ‘বুকিংছ’) প্ৰয়োজন।

পৰীক্ষাৰ টিপ: “এটা সত্তা আনটোৰ বহুতোৰ সৈতে সম্পৰ্কিত আৰু ইয়াৰ বিপৰীতটোও” বিচাৰিবলৈ বহু-ৰ-পৰা-বহুলৈৰ বাবে

PYQ 3. ডেটাবেছ ক্ষেত্ৰ ‘Train_Fare’-এ ৫০ ৰ পৰা ৫০০০ লৈ মান সংৰক্ষণ কৰে। শ্ৰেষ্ঠ ডেটা প্ৰকাৰ কি? [RRB ALP 2018]

উত্তৰ: B) DECIMAL(৬,২)

সমাধান: DECIMAL(৬,২)-এ ৯৯৯৯.৯৯ লৈকে অনুমতি দিয়ে, মুদ্ৰাৰ বাবে নিখুঁত। INT-এ দশমিক স্থান হেৰুৱাব, VARCHAR পাঠ্যৰ বাবে, FLOAT-ৰ মুদ্ৰাৰ সৈতে সঠিকতাৰ সমস্যা হ’ব পাৰে।

পৰীক্ষাৰ টিপ: মুদ্ৰাৰ বাবে: FLOAT নহয়, DECIMAL(precision, scale) ব্যৱহাৰ কৰক

PYQ 4. কোনটো নৰ্মেল ফৰ্মে ট্ৰানজিটিভ ডিপেণ্ডেন্সি আঁতৰায়? [RRB JE 2019]

উত্তৰ: C) তৃতীয় নৰ্মেল ফৰ্ম (3NF)

সমাধান: 3NF-ৰ প্ৰয়োজন যে প্ৰতিটো নন-কী এট্ৰিবিউটে প্ৰাইমেৰী কিৰ ওপৰত পোনপটীয়াকৈ নিৰ্ভৰ কৰিব লাগিব, আন এটা নন-কী এট্ৰিবিউটৰ মাজেৰে পৰোক্ষভাৱে নহয়।

পৰীক্ষাৰ টিপ: মনত ৰাখিব: 1NF = পাৰমাণৱিক মান, 2NF = সম্পূৰ্ণ নিৰ্ভৰশীলতা, 3NF = পৰোক্ষ নিৰ্ভৰশীলতা নহয়

PYQ 5. ডেটাবেছ ট্ৰানজেকচনৰ ACID বৈশিষ্ট্যত, ‘I’-ই কি বুজায়? [RPF SI 2019]

উত্তৰ: B) আইছোলেচন

সমাধান: ACID = এটমিচিটি, কনচিষ্টেন্সি, আইছোলেচন, ডিউৰেবিলিটি। আইছোলেচনে নিশ্চিত কৰে যে একে সময়ৰ ট্ৰানজেকচনবোৰে ইটো সিটোৰ লগত হস্তক্ষেপ নকৰে।

পৰীক্ষাৰ টিপ: ACID মনত ৰাখিব: All Changes In Database (এটমিচিটি, কনচিষ্টেন্সি, আইছোলেচন, ডিউৰেবিলিটি)

দ্ৰুত কৌশল আৰু চমু পথ

ডেটাবেছৰ মৌলিক কথাৰ বাবে, পৰীক্ষাত পৰীক্ষিত চমু পথ দিয়ক:

সাধাৰণ ভুলবোৰৰ পৰা বাচি থাকক

দ্ৰুত পুনৰীক্ষণ ফ্লাশকাৰ্ড

বিষয় সংযোগ

ডেটাবেছৰ মৌলিক কথাই আন RRB পৰীক্ষাৰ বিষয়বোৰৰ সৈতে কেনেকৈ সংযোগ কৰে:

• পোনপটীয়া সংযোগ: কম্পিউটাৰ নেটৱৰ্ক - ডেটাবেছ চাৰ্ভাৰবোৰে নেটৱৰ্কৰ ওপৰত যোগাযোগ কৰে, ক্লায়েণ্ট-চাৰ্ভাৰ আৰ্কিটেকচাৰ
• সংযুক্ত প্ৰশ্ন: ডেটাবেছ + প্ৰগ্ৰামিং - ৰে’লৱে এপৰ বাবে Python/Java প্ৰগ্ৰামত এম্বেডেড SQL কুৱেৰী
• ভেটি হিচাপে: ডেটা এনালিটিক্স - ঐতিহাসিক ডেটাবেছ ডেটা ব্যৱহাৰ কৰি ৰে’লৱে যাত্ৰী প্ৰবাহ বিশ্লেষণ, পলম পূৰ্বানুমান চিষ্টেম
• ব্যৱহাৰিক প্ৰয়োগ: টিকট বুকিং চিষ্টেম, ট্ৰেইন সময়সূচী, মালবাহী পৰিচালনা সকলোৱে ডেটাবেছ ব্যৱহাৰ কৰে
• নিশ্চিততা সংযোগ: চাইবাৰ ছিকিউৰিটি - ৰে’লৱে অনলাইন চিষ্টেমত ডেটাবেছ এনক্ৰিপশন, SQL ইনজেকচন প্ৰতিৰোধ