Probability Mass Function (PMF) এবং Probability Density Function (PDF)

Big Data and Analytics - পরিসংখ্যান (Statistics) - Random Variables এবং Probability Distributions
576

Probability Mass Function (PMF) এবং Probability Density Function (PDF) দুটি পরিসংখ্যানিক ধারণা যা প্রোবাবিলিটি থিওরি এবং সম্ভাবনা তত্ত্বে ব্যবহৃত হয়। এই দুটি ফাংশন সম্ভবনা বা প্রোবাবিলিটির বণ্টন বোঝাতে ব্যবহৃত হয়, তবে তাদের ব্যবহার এবং প্রকারে পার্থক্য রয়েছে। এখানে আমরা PMF এবং PDF এর মধ্যে পার্থক্য এবং তাদের বৈশিষ্ট্যগুলো আলোচনা করব।


১. Probability Mass Function (PMF)

Probability Mass Function (PMF) একটি ডিসক্রিট (discrete) সম্ভাবনা ফাংশন যা নির্দিষ্ট ডেটার জন্য প্রোবাবিলিটি বা সম্ভাবনা নির্ধারণ করে। এটি ডিসক্রিট র্যান্ডম ভেরিয়েবল বা বৈশিষ্ট্যের সম্ভাবনা বণ্টন প্রদান করে, যেখানে প্রতিটি সম্ভব মানের জন্য সম্ভাবনার একটি নির্দিষ্ট পরিমাণ থাকে।

PMF এর বৈশিষ্ট্য:

  • PMF শুধুমাত্র discrete (ডিসক্রিট) ডেটা সেটের জন্য ব্যবহারযোগ্য, যেমন পুরো সংখ্যাগুলি বা আলাদা আলাদা মান।
  • PMF সাধারণত P(X=x)P(X = x) হিসেবে চিহ্নিত করা হয়, যেখানে XX র্যান্ডম ভেরিয়েবল এবং xx সম্ভাব্য মান।
  • P(X=x)=1\sum P(X = x) = 1, অর্থাৎ সব সম্ভাবনার যোগফল ১ হতে হবে।

উদাহরণ:

ধরা যাক, একটি সিক্স-ফেসড ডাইসের ফলাফল একটি ডিসক্রিট র্যান্ডম ভেরিয়েবল। XX যদি ডাইসের ফলাফল হয়, তবে PMF হবে:

P(X=1)=16,P(X=2)=16,,P(X=6)=16P(X = 1) = \frac{1}{6}, P(X = 2) = \frac{1}{6}, \dots, P(X = 6) = \frac{1}{6}

এখানে প্রতিটি ফলাফলের জন্য 16\frac{1}{6} সম্ভাবনা থাকবে এবং তাদের যোগফল ১ হবে।


২. Probability Density Function (PDF)

Probability Density Function (PDF) একটি কন্টিনিউয়াস (continuous) র্যান্ডম ভেরিয়েবলের সম্ভাবনা ফাংশন। এটি কন্টিনিউয়াস ডেটার জন্য ব্যবহৃত হয়, যেখানে নির্দিষ্ট একটি মানে সম্ভাবনা হিসাব করা যায় না, কিন্তু নির্দিষ্ট একটি রেঞ্জের মধ্যে সম্ভাবনা বের করা যায়।

PDF এর বৈশিষ্ট্য:

  • PDF সাধারণত continuous (কন্টিনিউয়াস) ডেটা সেটের জন্য ব্যবহৃত হয়, যেমন গতি, উচ্চতা বা সময়।
  • PDF ফাংশন f(x)f(x) দিয়ে চিহ্নিত করা হয়, এবং সম্ভাবনার যোগফল ১ হতে হবে, অর্থাৎ: f(x)dx=1\int_{-\infty}^{\infty} f(x) dx = 1
  • PDF এর মান কখনও নেগেটিভ হতে পারে না, অর্থাৎ f(x)0f(x) \geq 0

উদাহরণ:

ধরা যাক, একটি গড় উচ্চতা বিশ্লেষণ করা হচ্ছে। যদি XX হয়ে থাকে উচ্চতা, তবে PDF এ f(x)f(x) নির্দেশ করবে উচ্চতার নির্দিষ্ট রেঞ্জে সম্ভাবনা। উদাহরণস্বরূপ, কোন একজন মানুষের উচ্চতা 170 সেন্টিমিটার হওয়ার সম্ভাবনা P(170X171)P(170 \leq X \leq 171) হবে, যা একটি নির্দিষ্ট রেঞ্জে PDF ফাংশনের অধীনে সন্নিবেশিত।


PMF এবং PDF এর মধ্যে পার্থক্য

বৈশিষ্ট্যPMF (Probability Mass Function)PDF (Probability Density Function)
ডেটার ধরনডিসক্রিট (Discrete) ডেটাকন্টিনিউয়াস (Continuous) ডেটা
ফাংশনের মানফাংশনটি নির্দিষ্ট মানে সম্ভাবনা প্রদান করেফাংশনটি সম্ভাবনা ঘনত্ব (density) প্রদান করে
যতটুকু সম্ভব পরিসীমানির্দিষ্ট মানের জন্য সম্ভাবনারেঞ্জ বা সন্নিবেশিত পরিসীমা
ফাংশন সংজ্ঞাP(X=x)P(X = x)f(x)f(x)
সম্ভাবনাপ্রতিটি সম্ভব মানের জন্য সম্ভাবনা গণনা করা হয়নির্দিষ্ট রেঞ্জে সম্ভাবনা গণনা করা হয়
যোগফলP(X=x)=1\sum P(X = x) = 1f(x)dx=1\int_{-\infty}^{\infty} f(x) dx = 1

সারাংশ

PMF এবং PDF উভয়ই সম্ভাবনা বা প্রোবাবিলিটি বণ্টন বোঝাতে ব্যবহৃত হয়, তবে তাদের মধ্যে প্রধান পার্থক্য হল: PMF ডিসক্রিট ডেটার জন্য এবং PDF কন্টিনিউয়াস ডেটার জন্য। PMF প্রতিটি নির্দিষ্ট মানের জন্য সম্ভাবনা প্রদান করে, যেখানে PDF একটি নির্দিষ্ট রেঞ্জের মধ্যে সম্ভাবনা প্রদান করে। PMF এর জন্য যোগফল ১ হয়, আর PDF এর জন্য ইন্টিগ্রেশন (integration) দ্বারা মান নির্ধারণ করা হয়।

Content added By
Promotion
NEW SATT AI এখন আপনাকে সাহায্য করতে পারে।

Are you sure to start over?

Loading...