স্বাভাৱিক বণ্টন গণনাকাৰী
এটা স্বাভাবিক মানৰ বাবে সম্ভাৱনা ঘনত্ব আৰু সংগ্ৰহী সম্ভাৱনা বিচাৰি লওক।
টাইপ কৰাৰ সময় ফলাফল আপডেইট কৰা হ'ব।
এই ক্যালকুলেটৰ সম্পৰ্কে
the standard-normal distribution, the probability density at x is equal to the cumulative probability P(X ≤ x) (the area under the curve to the left). The right-tail probability P(X ≥ x) is equal to the equivalent z-score. The probability density at x is equal to the cumulative probability P(X ≤ x) (the area under the curve to the left). The right-tail probability P(X ≥ x) is equal to the equivalent z-score. The cumulative probability P(Worked example: x = 100 and σ = 100). The right-tail probability P(X ≥ x) is equal to the equivalent z-score. The standard-normal distribution is equal to the equivalent z-score.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked example: x = 100 and σ = 100.Worked
প্ৰায়শঃ জিজ্ঞাসিত প্ৰশ্নসমূহ
pdf আৰু cdfৰ মাজত কি পাৰ্থক্য আছে?
সম্ভাৱনা ঘনত্ব (pdf) x ত ঘণ্টা বক্রৰেখাৰ উচ্চতা; ই নিজেই এটা সম্ভাৱনা নহয়। সংগ্ৰহীয় বন্টন (cdf) x ত বক্ৰৰেখাৰ তলত থকা এৰিয়াত, যি x ত অথবা তলত এটা মানৰ সম্ভাৱনা দিয়ে।
কিয় এটা সঠিক মানৰ সম্ভাৱনা শূণ্য?
স্বাভাৱিকৰ দৰে এটা অবিৰত বণ্টনৰ বাবে, যিকোনো এটা সঠিক বিন্দুৰ শূণ্য সম্ভাৱনা আছে - কেৱল সীমাৰ শূণ্য নহয় সম্ভাৱনা আছে। এই কাৰণে আমি x ত घनত্ব আৰু P(X = x) ৰ পৰিবৰ্তে সংগ্ৰহীয় ক্ষেত্ৰৰ প্ৰতিবেদন কৰোঁ।
৬৮-৯৫-৯৯.৭ নিয়মটো কি?
স্বাভাৱিক বিতৰণত মানৰ ৬৮% গড়ৰ এক মানদণ্ড বিভ্ৰান্তিৰ ভিতৰত, ৯৫% দুটা মানদণ্ড বিভ্ৰান্তিৰ ভিতৰত আৰু ৯৯.৭% তিনিটা মানদণ্ড বিভ্ৰান্তিৰ ভিতৰত থাকে। সঠিক ক্ষেত্ৰ গণনা নকৰি মানৰ অসাধাৰণতা নিৰ্ণয়ৰ বাবে এইটো এক দ্রুত পদ্ধতি।
দুটা মানৰ মাজত সম্ভাৱ্যতা কেনেকৈ বিচাৰিম?
x ৰ নিম্ন মান আৰু x₂ ৰ ওপৰত মান লিখক; গণক দ্বাৰা P(x ≤ X ≤ x₂) প্ৰদৰ্শন কৰা হ'ব, যিটো নিম্ন বিন্দুৰ সঞ্চিত সম্ভাৱনাকে উচ্চ বিন্দুৰ পৰা বাদ দিয়ে প্ৰদৰ্শন কৰা হ'ব।
স্বাভাৱিক বণ্টন আৰু প্ৰমিত স্বাভাৱিকৰ মাজত কি পাৰ্থক্য আছে?
প্ৰমিত স্বাভাৱিক 0ৰ গড় আৰু 1 ৰ প্ৰমিত বিভ্ৰান্তিৰ সৈতে স্বাভাৱিক বিতৰণ। যিকোনো মানক ইয়াৰ z-স্কোৰলৈ পৰিবৰ্তন কৰিলে ই প্ৰমিত স্বাভাৱিকত মেপ কৰে, যিটো এই সৰঞ্জামে যিকোনো μ আৰু σ ৰ বাবে সম্ভাৱনা গণনা কৰে।
মোৰ তথ্য সম্পূৰ্ণ স্বাভাৱিক হ'ব লাগিব নে?
কোনো প্ৰকৃত তথ্য সঠিকভাৱে স্বাভাৱিক নহয়, কিন্তু ফলাফলৰ বিশ্বাসযোগ্যতা আছে যেতিয়া তথ্য প্ৰায় ঘন্টা-আকৃতিৰ আৰু সমতাপূৰ্ণ। শক্তিশালীভাবে উল্টানো বা ভাৰি-টেইল্ড তথ্যৰ বাবে সম্ভাৱনাসমূহ কেৱল প্ৰায়শই।
API — কোডৰ পৰা এই গণক ব্যৱহাৰ কৰক
এই ক্যালকুলেটৰক এটা মুক্ত JSON অন্তবিন্দু হিচাপে কল কৰক - কোনো চাবিৰ প্ৰয়োজন নাই। তলত ক্ষেত্ৰৰ মানসমূহক প্ৰশ্ন প্ৰাচল অথবা JSON হিচাপে প্ৰেৰণ কৰক। Anything you omit uses the same default this page is pre-filled with; an unknown parameter is a 400, never a silent zero. সম্পূৰ্ণ API ডকুমেন্ট পঢ়ক →
অন্তিম বিন্দু
GET https://calculator.free/api/v1/normal-distribution/curl
curl "https://calculator.free/api/v1/normal-distribution/?x=120&mean=100&sd=15"JavaScript fetch()
const r = await fetch(
"https://calculator.free/api/v1/normal-distribution/?" + new URLSearchParams({
"x": "120",
"mean": "100",
"sd": "15"
}));
const data = await r.json();
console.log(data.results);এই তথ্যসমূহ কেৱল সাধাৰণ দিশ নিৰ্দেশৰ বাবে, আৰ্থিক, চিকিৎসা বা কৰৰ পৰামৰ্শৰ বাবে নহয়।