Beta বিতরণ কী?
Beta বিতরণ (0,1) পরিসরে সংজ্ঞায়িত একটি continuous বিতরণ। সম্ভাবনা, অনুপাত, rate বা অংশ-এর মতো মানে এটি ব্যবহার করা যায়।
PDF: f(x)=x^(α-1)(1-x)^(β-1)/B(α,β). গড়: α/(α+β). বিচরণ: αβ/[(α+β)^2(α+β+1)].
প্রিসেট
সাধারণ আকৃতি দ্রুত সেট করুন; পরে মান বদলাতে পারবেন।
জেনারেটর
α/β, নমুনা আকার, বিন সংখ্যা ও RNG সেটিং দিন। তারপর নমুনা তৈরি করে ফল export করুন।
নমুনা পরিসংখ্যান
নমুনা (প্রথম 20)
এই টুল কীভাবে ব্যবহার করবেন
0 থেকে 1-এর মধ্যে থাকতে হবে এমন সম্ভাবনা, অনুপাত বা অংশ-এর জন্য এই পেজ ব্যবহার করুন।
৩ ধাপে ব্যবহার
- প্রত্যাশিত আকৃতি অনুযায়ী
αওβদিন। - নমুনা তৈরি করে হিস্টোগ্রাম-কে তাত্ত্বিক গড় ও বিচরণের সঙ্গে তুলনা করুন।
- বাম tail, ডান tail ও কেন্দ্রীভবনের প্রভাব আলাদা দেখতে একবারে একটি প্যারামিটার বদলান।
ফলাফল কীভাবে পড়বেন
গ্রাফে 0 থেকে 1-এর মধ্যে ভর কীভাবে ছড়ায় তা দেখা যায়। বড় α ও β মান নমুনাকে মাঝামাঝি টানে; 1-এর নিচের মান ঘনত্বকে সীমার দিকে ঠেলে দিতে পারে।
সীমা পরীক্ষা
α<1হলে 0-এর কাছে ঘনত্ব দ্রুত বাড়তে পারে।β<1হলে 1-এর কাছে ঘনত্ব দ্রুত বাড়তে পারে।- তুলনার সময় মনে রাখুন, Beta হলো Dirichlet-এর
K=2বিশেষ রূপ।
সাধারণ প্রশ্ন
α ও β কী নিয়ন্ত্রণ করে?
ভর 0 ও 1-এর মধ্যে কোথায় থাকে এবং বিতরণ কেন্দ্র বা সীমায় কতটা কেন্দ্রীভূত হয় তা নিয়ন্ত্রণ করে।
মান 0 বা 1-এর কাছে জমে কেন?
α বা β 1-এর নিচে গেলে ঘনত্ব কেন্দ্রের বদলে সংশ্লিষ্ট সীমার কাছে বাড়তে পারে।
Dirichlet-এর সঙ্গে সম্পর্ক কী?
Beta হলো দুই উপাদানের Dirichlet অবস্থার এক উপাদান দিয়ে দেখা রূপ।
অন্য টুল ভিন্ন ফল দেখাতে পারে কেন?
প্যারামিটার অর্থ, rounding, random seed বা নমুনা আকার দৃশ্যমান আউটপুট বদলাতে পারে।
আগে কী করব?
α=β ধরনের symmetric অবস্থা দিয়ে শুরু করুন; তারপর কোন সীমা বেশি ওজন পাচ্ছে তা দেখতে এক পাশ বদলান।