light mode
night mode
পরিসংখ্যান (Statistics)
পরিসংখ্যানের মৌলিক ধারণা এবং প্রয়োজনীয়তা পরিসংখ্যান কী এবং কেন প্রয়োজন? ডেটা সংগ্রহের পদ্ধতি এবং উদাহরণ পরিসংখ্যানের বিভিন্ন শাখা (Descriptive এবং Inferential) ডেটার শ্রেণিবিন্যাস (Qualitative vs. Quantitative) ভর ডেটার পরিমাপ (Measures of Mass Data) Frequency Distribution এবং Cumulative Frequency Percentiles এবং Quartiles এর ধারণা Frequency Polygon এবং Ogive Graphical Presentation of Data Bar Chart এবং Pie Chart এর ব্যবহার Histogram এবং Frequency Polygon Boxplot এর মাধ্যমে Data Visualization Stem-and-Leaf Plot এর মাধ্যমে ডেটার সামগ্রিক চিত্র Measures of Central Tendency Arithmetic Mean এবং তার প্রকারভেদ (Simple, Weighted) Geometric এবং Harmonic Mean Median এবং তার ব্যবহার Mode এবং তার ব্যবহার (Uni-modal, Bi-modal) Measures of Dispersion Range, Quartile Deviation এবং Mean Deviation Variance এবং Standard Deviation এর ব্যবহার Coefficient of Variation (CV) এর প্রয়োগ Relative এবং Absolute Measures of Dispersion Moments, Skewness এবং Kurtosis Moments এর মৌলিক ধারণা Skewness: Positive, Negative, Symmetrical Distributions Kurtosis এর প্রকারভেদ: Leptokurtic, Platykurtic, Mesokurtic Data Shape বিশ্লেষণের জন্য Moments এর ব্যবহার সম্ভাব্যতা (Probability) এর মৌলিক ধারণা Classical এবং Empirical Probability Axioms of Probability Law of Total Probability Compound Events এবং Conditional Probability Random Variables এবং Probability Distributions Random Variables এর ধারণা এবং প্রকারভেদ (Discrete এবং Continuous) Probability Mass Function (PMF) এবং Probability Density Function (PDF) Cumulative Distribution Function (CDF) Expectation এবং Variance of a Random Variable Special Probability Distributions Binomial Distribution এবং তার প্রয়োগ Poisson Distribution এর ব্যবহার Normal Distribution এবং তার বৈশিষ্ট্য Exponential এবং Uniform Distribution Sampling এবং Sampling Distribution Population এবং Sample এর পার্থক্য Sampling Techniques (Simple Random, Stratified, Cluster) Sampling Distribution এর ধারণা Standard Error এর ব্যবহার Estimation Theory Point এবং Interval Estimation এর প্রয়োজনীয়তা Properties of Estimators: Unbiasedness, Consistency, Efficiency Confidence Interval এবং তার ব্যাখ্যা Margin of Error এবং তার ব্যবহার Hypothesis Testing Null এবং Alternative Hypothesis এর ধারণা Type I এবং Type II Errors Significance Level এবং P-value এর ব্যবহার One-tailed এবং Two-tailed Tests Parametric এবং Non-parametric Tests Parametric Test এর মৌলিক ধারণা Z-test এবং T-test এর ব্যবহার Non-parametric Test: Mann-Whitney, Wilcoxon, Kruskal-Wallis Chi-square Test এর মাধ্যমে Hypothesis Testing Analysis of Variance (ANOVA) One-way এবং Two-way ANOVA F-test এর মাধ্যমে Variance বিশ্লেষণ Repeated Measures ANOVA Post-hoc Tests (Tukey, LSD, Scheffé) Correlation এবং Causality Correlation Coefficient (Pearson, Spearman) Positive এবং Negative Correlation এর ব্যাখ্যা Spurious Correlation এবং তার প্রভাব Causality এর সাথে Correlation এর পার্থক্য Regression Analysis Simple এবং Multiple Regression এর মৌলিক ধারণা Linear এবং Non-linear Regression Least Squares Method এর ব্যবহার Residual Analysis এবং Model Validation Time Series Analysis এবং Forecasting Time Series এর বিভিন্ন Components (Trend, Seasonal, Cyclic, Irregular) Moving Average এবং Exponential Smoothing এর ব্যবহার ARIMA Model এর মাধ্যমে Forecasting Techniques Seasonal Decomposition এর ব্যবহার Index Numbers এবং তার ব্যবহার Simple এবং Weighted Index Numbers এর ধারণা Laspeyres এবং Paasche Index এর প্রয়োগ Consumer Price Index (CPI) এবং Wholesale Price Index (WPI) Chain Base এবং Fixed Base Index Numbers Multivariate Statistical Analysis Multivariate Regression এবং Analysis of Covariance (ANCOVA) Principal Component Analysis (PCA) এবং তার ব্যবহার Factor Analysis এর মাধ্যমে Dimensionality Reduction Canonical Correlation এবং Discriminant Analysis Statistical Quality Control (SQC) Control Charts এর ব্যবহার (X-bar, R-chart, P-chart) Process Control এবং Product Control এর ধারণা Acceptance Sampling এবং Sampling Plan Six Sigma এবং Statistical Process Control (SPC) Statistical Inference এবং Decision Making Bayes' Theorem এর মাধ্যমে Decision Making Maximum Likelihood Estimation (MLE) Decision Trees এবং Random Forest এর ব্যবহার Risk Analysis এবং Statistical Decision Theory Statistical Software এবং Tools Excel এর মাধ্যমে Statistical Computation R Programming এর Advanced Statistical Functions Python এর Data Analysis Libraries (Pandas, NumPy, SciPy, Statsmodels) SPSS, SAS এবং Minitab এর ব্যবহার Real-world Applications of Statistics Healthcare Data Analysis এবং Epidemiology Social Science Research এবং Survey Analysis Marketing এবং Sales Data Forecasting Machine Learning এবং AI এর সাথে Statistics এর সমন্বয় Big Data এবং Advanced Statistical Techniques Big Data এর জন্য Statistics এর প্রয়োজনীয়তা Data Mining Techniques (Classification, Clustering, Association) High-dimensional Data Analysis এবং Machine Learning Cloud Computing এর মাধ্যমে Statistical Processing Statistics এর ভবিষ্যৎ এবং Trends Data Science এবং Statistics এর সমন্বয় AI, Machine Learning, এবং Deep Learning এর সাথে Statistics Bayesian Statistics এবং Decision Making এর ভবিষ্যৎ Quantum Computing এবং Statistics এর ভবিষ্যৎ প্রভাব

Cumulative Distribution Function (CDF)

Big Data and Analytics - পরিসংখ্যান (Statistics) - Random Variables এবং Probability Distributions
420

Cumulative Distribution Function (CDF) একটি পরিসংখ্যানিক ফাংশন যা একটি র‌্যান্ডম ভ্যারিয়েবলের মানের চেয়ে ছোট বা সমান মানের সম্ভাবনা (probability) প্রদর্শন করে। এটি একটি ডেটাসেটের কিউমুলেটিভ (সমষ্টিগত) সম্ভাবনা বণ্টন নির্দেশ করে, অর্থাৎ এটি কতটুকু সম্ভাবনা রয়েছে যে একটি র্যান্ডম ভ্যারিয়েবলের মান একটি নির্দিষ্ট মানের নিচে বা তার সমান হবে।

CDF এর ধারণা:

যদি XX একটি র‌্যান্ডম ভ্যারিয়েবল হয়, তাহলে CDF হল:

F(x)=P(X≤x)F(x) = P(X \leq x)

এখানে, F(x)F(x) হল CDF ফাংশন এবং P(X≤x)P(X \leq x) হল XX-এর xx মানের চেয়ে ছোট বা সমান হওয়ার সম্ভাবনা।

CDF এর বৈশিষ্ট্য:

  1. আনুপাতিক বৃদ্ধি: CDF ফাংশন কখনোই হ্রাস পায় না, এটি শুধুমাত্র বাড়ে। অর্থাৎ, CDF একটি নিরবচ্ছিন্ন বা অবিচ্ছিন্নভাবে বৃদ্ধি পায়।
  2. মানের সীমা: CDF এর মান সর্বদা 0 থেকে 1 এর মধ্যে থাকে: 0≤F(x)≤10 \leq F(x) \leq 1
    • F(x)=0F(x) = 0 এর মানে হল যে XX এর মান কখনোই xx এর চেয়ে কম হবে না।
    • F(x)=1F(x) = 1 এর মানে হল যে XX এর মান সর্বদা xx এর চেয়ে কম বা সমান।
  3. নিরবচ্ছিন্নতা: CDF ফাংশন একেবারে কোন গ্যাপ বা লাফিং (jumping) ছাড়াই একটি নিরবচ্ছিন্ন ফাংশন হয়। বিশেষত, এটি সাধারণত সোজা বা ঝুঁকির সাথে পরিবর্তিত হয়।
  4. ডিফারেন্সিয়েবল ফাংশন: CDF-এর ডেরিভেটিভ হলো Probability Density Function (PDF) (যদি XX একটি অবিচ্ছিন্ন র‌্যান্ডম ভ্যারিয়েবল হয়)। এটি মূলত দেখায় যে একটি নির্দিষ্ট পরিসরের মধ্যে কতটুকু সম্ভাবনা রয়েছে।

CDF এর ব্যবহার:

  1. সম্ভাবনা গণনা: CDF ব্যবহার করে, আপনি সহজেই কোনো ডেটার মানের চেয়ে কম বা সমান হওয়ার সম্ভাবনা বের করতে পারেন।
    • উদাহরণ: যদি XX হল একজন শিক্ষার্থীর পরীক্ষার ফলাফল এবং xx হল ৭০, তাহলে P(X≤70)P(X \leq 70) হল F(70)F(70), অর্থাৎ পরীক্ষায় ৭০ বা তার কম নম্বর পাওয়ার সম্ভাবনা।
  2. ক্যালকুলেশন এবং তুলনা: CDF ব্যবহার করে, বিভিন্ন ডেটাসেটের সম্ভাবনার তুলনা করা যায় এবং তাদের গড়, পরিবর্তনশীলতা বা আউটলায়ার মূল্যায়ন করা যায়।
  3. বণ্টন বিশ্লেষণ: CDF ফাংশন ডেটার বণ্টন, যেমন Normal Distribution, Uniform Distribution, বা Exponential Distribution বিশ্লেষণ করতে ব্যবহৃত হয়।

CDF এর উদাহরণ:

ধরা যাক, XX একটি র‌্যান্ডম ভ্যারিয়েবল, যা 0 থেকে 10 পর্যন্ত একটি Uniform Distribution অনুসরণ করে (অর্থাৎ, XX এর মান 0 থেকে 10 এর মধ্যে যেকোনো মান হতে পারে এবং সমস্ত মানের সম্ভাবনা সমান)। এর জন্য CDF ফাংশন হবে:

F(x)={0যদি x<0x10যদি 0≤x≤101যদি x>10F(x) = \begin{cases} 0 & \text{যদি } x < 0 \\ \frac{x}{10} & \text{যদি } 0 \leq x \leq 10 \\ 1 & \text{যদি } x > 10 \end{cases}

এখানে, যদি x=5x = 5, তাহলে:

F(5)=510=0.5F(5) = \frac{5}{10} = 0.5

অর্থাৎ, XX এর মান 5 বা তার কম হওয়ার সম্ভাবনা হল 0.5 বা 50%।

CDF এবং PDF এর মধ্যে সম্পর্ক:

  • PDF (Probability Density Function): CDF এর ডেরিভেটিভ হলো PDF। যদি F(x)F(x) হল CDF, তবে PDF হবে:

f(x)=ddxF(x)f(x) = \frac{d}{dx} F(x)

  • CDF এবং PDF এর সম্পর্ক: CDF ডেটার সম্ভাবনার সমষ্টি (cumulative probability) দেয়, যেখানে PDF ডেটার নির্দিষ্ট একটি পরিসরে সম্ভাবনার ঘনত্ব বা বন্টন প্রদর্শন করে।

CDF এর আউটপুট

  • CDF একটি সোজা গ্রাফের মতো হতে পারে যা নির্দিষ্ট সীমা xx-এর নিচে XX এর মানের সম্ভাবনা দেখায়। এটি 0 থেকে 1 এর মধ্যে বাড়ে।
  • যখন xx বৃদ্ধি পায়, CDF এর মানও বাড়ে, যা একটি একধরনের শিখর সৃষ্টি করে।

সারাংশ

Cumulative Distribution Function (CDF) হল একটি পরিসংখ্যানিক ফাংশন যা র‌্যান্ডম ভ্যারিয়েবলের মানের চেয়ে ছোট বা সমান হওয়ার সম্ভাবনা চিহ্নিত করে। এটি ডেটার কিউমুলেটিভ সম্ভাবনা প্রদর্শন করে এবং র‌্যান্ডম ভ্যারিয়েবলটির বণ্টন বুঝতে সহায়ক। CDF এবং PDF একে অপরের সাথে সম্পর্কিত, যেখানে CDF হল PDF এর সমষ্টি। CDF ফাংশন বিভিন্ন ডেটাসেটের বৈশিষ্ট্য বিশ্লেষণ করতে এবং সম্ভাবনা গণনা করতে ব্যবহার করা হয়।

Content added By
SATT Academy

Read more

Random Variables এর ধারণা এবং প্রকারভেদ (Discrete এবং Continuous) Probability Mass Function (PMF) এবং Probability Density Function (PDF) Expectation এবং Variance of a Random Variable

or

Don't have an account? Register

Promotion
NEW SATT AI এখন আপনাকে সাহায্য করতে পারে।

Satt AI

Are you sure to start over?