Statistics Calculator
নতুনCalculate mean, median, mode, standard deviation, variance and more from a data set.
Numbers separated by commas, spaces, or new lines — results update instantly
Summary Statistics
Frequency Distribution
Sorted Data
Runs entirely in your browser. Nothing is uploaded.
একটি ডেসক্রিপটিভ স্ট্যাটিস্টিক্স ক্যালকুলেটর আসলে কী করে
একটি ডেসক্রিপটিভ স্ট্যাটিস্টিক্স ক্যালকুলেটর কাঁচা সংখ্যার একটি সেট নেয় এবং স্বয়ংক্রিয়ভাবে সেই মূল সামারি পরিমাপগুলো হিসাব করে যা এর কেন্দ্রীয় প্রবণতা, বিস্তার, এবং আকার বর্ণনা করে। মান হাতে সাজানো, বর্গের যোগফল বের করা, এবং সূত্র প্রয়োগ করার বদলে, আপনি আপনার সংখ্যাগুলো পেস্ট করেন আর সাথে সাথেই গড়, মিডিয়ান, মোড, স্ট্যান্ডার্ড ডেভিয়েশন, ভ্যারিয়েন্স, কোয়ার্টাইল, স্কিউনেস, কার্টোসিস, কনফিডেন্স ইন্টারভাল এবং আরও পান। ডেসক্রিপটিভ স্ট্যাটিস্টিক্স যেকোনো ডেটা বিশ্লেষণের ভিত্তি: এগুলো আপনাকে বলে দেয় কোনো ইনফারেন্সিয়াল টেস্ট চালানোর আগে আপনার ডেটাটা দেখতে কেমন।
এই ফ্রি অনলাইন স্ট্যাটিস্টিক্স ক্যালকুলেটর যেকোনো আকারের ডেটাসেট সামলায়, কমা, স্পেস, বা নিউলাইন দিয়ে আলাদা করা সংখ্যা গ্রহণ করে, এবং আপনি ডেটা এডিট করার সাথে সাথে ফলাফল রিয়েল টাইমে আপডেট করে। এটি পপুলেশন এবং স্যাম্পল স্ট্যাটিস্টিক্স দুটোই হিসাব করে, ভিজ্যুয়াল আকার বিশ্লেষণের জন্য একটি ফ্রিকোয়েন্সি ডিস্ট্রিবিউশন হিস্টোগ্রাম প্রদর্শন করে, এবং সাজানো ডেটাসেট দেখায় যাতে আপনি যাচাই করতে পারেন ইনপুটটি সঠিকভাবে পার্স হয়েছে কিনা। কোনো অ্যাকাউন্ট, ডাউনলোড, বা ইনস্টলেশনের দরকার নেই — সব গণনা আপনার ব্রাউজারে স্থানীয়ভাবে চলে।
স্ট্যাটিস্টিক্স ক্যালকুলেটর কীভাবে ব্যবহার করবেন
টেক্সট এরিয়ায় আপনার ডেটাসেট লিখুন — কমা, স্পেস, বা নতুন লাইন দিয়ে আলাদা করা সংখ্যা টাইপ করুন বা পেস্ট করুন। ক্যালকুলেটর প্রতিটি কিস্ট্রোকে ইনপুট পার্স করে এবং সাথে সাথে সব ফলাফল প্রদর্শন করে। রেজাল্ট গ্রিডে প্রতিটি পরিসংখ্যান স্পষ্টভাবে লেবেল করা থাকে। সব মান পার্স হয়েছে কিনা যাচাই করতে count (n) দিয়ে শুরু করুন, তারপর স্কিউনেস অনুমান করতে গড় বনাম মিডিয়ান দেখুন, তারপর বিস্তার বুঝতে স্ট্যান্ডার্ড ডেভিয়েশন পর্যালোচনা করুন, এবং শেষে গড়টি কতটা নির্ভুলভাবে অনুমান করা হয়েছে তা দেখতে কনফিডেন্স ইন্টারভাল চেক করুন।
গ্রিডের নিচের ফ্রিকোয়েন্সি হিস্টোগ্রাম এক নজরে ডিস্ট্রিবিউশনের আকার দেখায়: একটি সিমেট্রিক বেল কার্ভ স্বাভাবিকতার ইঙ্গিত দেয়; একটি এক-লেজি হিস্টোগ্রাম স্কিউনেসের ইঙ্গিত দেয়; একটি বাইমোডাল (দুই-কুঁজবিশিষ্ট) আকার ইঙ্গিত দেয় ডেটা দুটি ভিন্ন উপগোষ্ঠী থেকে এসেছে। নিচের দিকের সাজানো ডেটা তালিকা আপনাকে দ্রুত সর্বনিম্ন, সর্বোচ্চ, এবং কোনো সন্দেহজনক মান বা ডুপ্লিকেট এন্ট্রি চিহ্নিত করতে দেয়।
Excel, SPSS, বা অন্যান্য অনলাইন টুলের চেয়ে এটি কেন ব্যবহার করবেন?
স্প্রেডশিট সূত্রের তুলনায়, এই ক্যালকুলেটরে কোনো সেটআপ, মুখস্থ করার মতো কোনো ফাংশন সিনট্যাক্স, এবং পপুলেশন বনাম স্যাম্পল ভ্যারিয়েন্সের জন্য ভুল সূত্র ব্যবহারের কোনো ঝুঁকি নেই। Excel-এ, আপনাকে STDEV.S, QUARTILE.INC, SKEW, এবং KURT-এর জন্য আলাদা সেল সেট করতে হতো — আর প্রতিটি সূত্রকে সঠিক রেঞ্জের দিকে নির্দেশ করতে হতো। SPSS সূত্র সমস্যার সমাধান করে কিন্তু ইনস্টলেশন এবং ব্যক্তিদের জন্য প্রায় ৯৯ ডলার/বছর থেকে শুরু হওয়া একটি লাইসেন্স প্রয়োজন। R ফ্রি কিন্তু এর একটি শেখার বক্ররেখা আছে যা একটি দ্রুত ডেসক্রিপটিভ সামারির জন্য অতিরিক্ত।
অন্যান্য ফ্রি অনলাইন ক্যালকুলেটরের তুলনায়, এটি একই জায়গায় অনেক বেশি সম্পূর্ণ সেট হিসাব করে। বেশিরভাগ ফ্রি টুল গড়, মিডিয়ান, এবং SD-তেই থেমে যায় — এটি স্কিউনেস, কার্টোসিস, সাতটি পার্সেন্টাইল, দুটি কনফিডেন্স ইন্টারভাল, এবং একটি হিস্টোগ্রাম যোগ করে। সব গণনা ক্লায়েন্ট-সাইড — আপনার ডেটা কখনো আপনার ব্রাউজার ছেড়ে যায় না এবং কখনো কোনো সার্ভারে পাঠানো হয় না। ফলাফল মোবাইল এবং ডেস্কটপ দুটোতেই কাজ করে। টুলটি সম্পূর্ণ ফ্রি, কোনো সাইনআপ প্রয়োজন নেই, এবং কোনো ব্যবহারের সীমা নেই।
মূল পরিসংখ্যানগত ধারণাগুলো ব্যাখ্যা করা হয়েছে
কেন্দ্রীয় প্রবণতা: গড় হলো ডেটার ভারসাম্য বিন্দু — প্রতিটি মান তার দূরত্বের অনুপাতে এটিকে টানে। মিডিয়ান হলো প্রকৃত মধ্যবিন্দু — অর্ধেক মান এর নিচে, অর্ধেক ওপরে থাকে। মোড হলো সবচেয়ে ঘন ঘন আসা মান; ডেটাসেট বাইমোডাল বা মাল্টিমোডাল হতে পারে। গড় এবং মিডিয়ান সমান হলে, ডেটা সিমেট্রিক। গড় > মিডিয়ান হলে, ডিস্ট্রিবিউশনটি রাইট-স্কিউড। গড় < মিডিয়ান হলে, ডিস্ট্রিবিউশনটি লেফট-স্কিউড।
বিস্তার: রেঞ্জ (সর্বোচ্চ − সর্বনিম্ন) হলো সবচেয়ে সহজ পরিমাপ কিন্তু এটি আউটলায়ারের প্রতি সংবেদনশীল। IQR (Q3 − Q1) মধ্যবর্তী ৫০% ডেটা শক্তভাবে পরিমাপ করে। ভ্যারিয়েন্স এবং স্ট্যান্ডার্ড ডেভিয়েশন গড় থেকে প্রতিটি মানের বিচ্যুতির হিসাব রাখে — SD হলো গড় থেকে 'সাধারণ' দূরত্ব। আকার: স্কিউনেস বাম-ডান অসাম্য পরিমাণ করে; কার্টোসিস একটি নরমাল কার্ভের তুলনায় লেজগুলো কতটা ভারী তা পরিমাণ করে। পরিসংখ্যানগত টেস্ট বেছে নেওয়ার সময় দুটোই গুরুত্বপূর্ণ — অনেক টেস্ট স্বাভাবিকতা ধরে নেয়, এবং উচ্চ স্কিউনেস বা কার্টোসিসে ডেটা ট্রান্সফরমেশন বা নন-প্যারামেট্রিক বিকল্প প্রয়োজন হতে পারে।
ব্যবহারিক প্রয়োগ: QC, গ্রেডিং, গবেষণা এবং অর্থ
দুটি গ্রুপ তুলনা করতে, প্রতিটি গ্রুপের জন্য আলাদাভাবে গড় ও SD হিসাব করুন, তারপর দেখুন গড়গুলো দুই SD-এর বেশি ভিন্ন কিনা — একটি অর্থপূর্ণ পার্থক্যের মোটামুটি ইঙ্গিত। স্বাভাবিকতা যাচাই-এর জন্য, স্কিউনেস এবং এক্সেস কার্টোসিস দেখুন: স্কিউনেসের জন্য −0.5 থেকে +0.5-এর মধ্যেকার মান কাছাকাছি-স্বাভাবিকতার ইঙ্গিত দেয়; ±2-এর বাইরে যাওয়া মান তীব্র অ-স্বাভাবিকতার সংকেত। হিস্টোগ্রামটি একটি ভিজ্যুয়াল চেক প্রদান করে।
কোয়ালিটি কন্ট্রোলের জন্য, গড় ± ৩ SD রেঞ্জ Six Sigma এবং প্রসেস মনিটরিংয়ে ব্যবহৃত কন্ট্রোল লিমিট সংজ্ঞায়িত করে। কার্ভের ওপর গ্রেডিংয়ের জন্য, ক্লাসের গড় ও SD হিসাব করুন, তারপর প্রতিটি শিক্ষার্থীর z-স্কোর = (মান − গড়) / SD হিসাব করুন যে তারা গড় থেকে কত স্ট্যান্ডার্ড ডেভিয়েশন ওপরে বা নিচে স্কোর করেছে তা দেখতে। আর্থিক ডেটার জন্য, একটি উচ্চ কোয়েফিশিয়েন্ট অফ ভ্যারিয়েশন (SD/গড়) উচ্চ আপেক্ষিক অস্থিরতার সংকেত দেয়। কনফিডেন্স ইন্টারভাল দেখায় যে একই উৎস থেকে আরও ডেটা সংগ্রহ করলে আপনার অনুমিত গড় কতটা বদলে যেতে পারে।
নরমাল ডিস্ট্রিবিউশন এবং এম্পিরিক্যাল রুল
নরমাল ডিস্ট্রিবিউশন — গণিতবিদ জোহান কার্ল ফ্রিডরিখ গাউসের নামানুসারে গাউসিয়ান ডিস্ট্রিবিউশন-ও বলা হয়, যিনি ১৮০৯ সালে এটি প্রথম আনুষ্ঠানিক রূপ দেন — পরিসংখ্যানের সবচেয়ে গুরুত্বপূর্ণ সম্ভাবনা ডিস্ট্রিবিউশন। এটি পরিচিত বেল-আকৃতির কার্ভ তৈরি করে, যা তার কেন্দ্রের চারপাশে সিমেট্রিক, এবং মাত্র দুটি প্যারামিটার দিয়ে সম্পূর্ণভাবে বর্ণিত হয়: গড় (μ), যা চূড়াটি কোথায় বসবে তা নিয়ন্ত্রণ করে, এবং স্ট্যান্ডার্ড ডেভিয়েশন (σ), যা বেলটি কতটা চওড়া বা সংকীর্ণ তা নিয়ন্ত্রণ করে। একটি ছোট σ একটি লম্বা, শক্তভাবে জড়ানো চূড়া তৈরি করে; একটি বড় σ একটি ছোট, প্রশস্ত বিস্তার তৈরি করে। নরমাল ডিস্ট্রিবিউশন স্বাভাবিকভাবেই দেখা যায় যেখানেই একটি পরিমাপকৃত রাশি অনেক স্বাধীন এলোমেলো প্রভাবের যোগফল বা গড়, যে কারণে এটি জীববিজ্ঞান, প্রকৌশল, এবং সামাজিক বিজ্ঞানে এত ঘন ঘন দেখা যায়।
এম্পিরিক্যাল রুল (৬৮-৯৫-৯৯.৭ রুল-ও বলা হয়) যেকোনো নরমাল ডিস্ট্রিবিউশন থেকে একটি স্ট্যান্ডার্ড ডেভিয়েশন ব্যাখ্যা করার একটি তাৎক্ষণিক, ব্যবহারিক উপায় দেয়: প্রায় ৬৮% মান গড়ের ১σ-এর মধ্যে পড়ে, ৯৫% ২σ-এর মধ্যে, এবং ৯৯.৭% ৩σ-এর মধ্যে। বাস্তবে এর মানে গড় থেকে ৩ স্ট্যান্ডার্ড ডেভিয়েশনের বেশি দূরের একটি মান সত্যিকার অর্থেই বিরল — এটি প্রতি ১,০০০ পর্যবেক্ষণে মাত্র ৩টিতে ঘটে, যা এটিকে আউটলায়ার বা উৎপাদন ত্রুটি চিহ্নিত করার একটি স্বাভাবিক থ্রেশহোল্ড করে তোলে। ক্লাসিক উদাহরণে আছে IQ স্কোর (গড় = ১০০, SD = ১৫, তাই জনসংখ্যার ৯৫% ৭০ থেকে ১৩০-এর মধ্যে স্কোর করে) এবং প্রাপ্তবয়স্ক মানুষের উচ্চতা (পুরুষদের জন্য মোটামুটি গড় = ১৭৫ সেমি, SD ≈ ৭ সেমি)। স্ট্যান্ডার্ডাইজড টেস্ট ডিজাইনাররা এই বৈশিষ্ট্যটি ইচ্ছাকৃতভাবে ব্যবহার করেন: কাঁচা স্কোর নরমালি ডিস্ট্রিবিউটেড হলে, এম্পিরিক্যাল রুল ঠিক ভবিষ্যদ্বাণী করে কতজন পরীক্ষার্থী প্রতিটি ব্যান্ডে স্কোর করবে।
যখন আপনি z = (x − μ) / σ সূত্র দিয়ে পৃথক মানকে Z-স্কোরে রূপান্তর করেন, আপনি ডিস্ট্রিবিউশনকে স্ট্যান্ডার্ড নরমাল ডিস্ট্রিবিউশনে (Z-ডিস্ট্রিবিউশন: μ = 0, σ = 1) সরিয়ে নেন। একটি Z-স্কোর বলে দেয় একটি মান গড় থেকে কত স্ট্যান্ডার্ড ডেভিয়েশন ওপরে বা নিচে বসে আছে — +২.০ একটি Z-স্কোরের মানে মানটি গড়ের দুই স্ট্যান্ডার্ড ডেভিয়েশন ওপরে, যা এটিকে প্রায় ৯৭.৭তম পার্সেন্টাইলে রাখে। সেন্ট্রাল লিমিট থিওরেম নরমাল ডিস্ট্রিবিউশনের নাগাল আরও বিস্তৃত করে: এমনকি যখন পৃথক ডেটা পয়েন্ট একটি অ-স্বাভাবিক ডিস্ট্রিবিউশন অনুসরণ করে, স্যাম্পল গড়ের ডিস্ট্রিবিউশন স্যাম্পল সাইজ বাড়ার সাথে সাথে একটি নরমাল ডিস্ট্রিবিউশনে কনভার্জ করে। এই কারণেই কনফিডেন্স ইন্টারভাল, t-টেস্ট, এবং ANOVA অনেক বাস্তব-বিশ্বের বিশ্লেষণে বৈধ থাকে এমনকি যখন কাঁচা ডেটা পুরোপুরি বেল-আকৃতির নয়।
ভ্যারিয়েন্স, স্ট্যান্ডার্ড ডেভিয়েশন, এবং কোয়েফিশিয়েন্ট অফ ভ্যারিয়েশন
ভ্যারিয়েন্স-কে সংজ্ঞায়িত করা হয় গড় থেকে বর্গকৃত বিচ্যুতির গড় হিসেবে: প্রতিটি ডেটা পয়েন্টের জন্য, গড় বিয়োগ করুন, ফলাফলটি বর্গ করুন, তারপর সেই সব বর্গকৃত পার্থক্যের গড় নিন। বর্গ করার দুটি উদ্দেশ্য আছে: এটি প্রতিটি বিচ্যুতিকে ধনাত্মক করে (যাতে ঋণাত্মক ও ধনাত্মক বিচ্যুতি একে অপরকে বাতিল না করে) এবং এটি বড় বিচ্যুতিকে ছোটগুলোর চেয়ে বেশি শাস্তি দেয়, যা চরম মানের প্রতি সংবেদনশীল একটি পরিমাপ তৈরি করে। অসুবিধাটি হলো ভ্যারিয়েন্স বর্গ এককে প্রকাশিত হয় — আপনার ডেটা কিলোগ্রামে হলে, ভ্যারিয়েন্স হয় kg²-এ। এই এককের গরমিল ভ্যারিয়েন্সকে সরাসরি ব্যাখ্যা করা কঠিন করে তোলে, যে কারণে বেশিরভাগ বিশ্লেষণ পরিবর্তে স্ট্যান্ডার্ড ডেভিয়েশন রিপোর্ট করে।
স্ট্যান্ডার্ড ডেভিয়েশন হলো ভ্যারিয়েন্সের বর্গমূল, যা বিস্তার পরিমাপকে আসল ডেটার সমান একক-এ ফিরিয়ে দেয়। পপুলেশন ভ্যারিয়েন্স সূত্রটি n (পুরো পপুলেশনের আকার) দিয়ে ভাগ করে, যেখানে স্যাম্পল ভ্যারিয়েন্স সূত্রটি n − 1 দিয়ে ভাগ করে। সেই বিয়োগ করা ১-কে বলা হয় বেসেলের সংশোধন, জার্মান গণিতবিদ ফ্রিডরিখ বেসেলের নামানুসারে। কারণটি হলো: একটি স্যাম্পলের মানগুলো স্বাভাবিকভাবেই আসল পপুলেশন গড়ের চেয়ে তাদের নিজস্ব গড়ের কাছাকাছি জড়ো হয়, যার মানে n দিয়ে ভাগ করলে পদ্ধতিগতভাবে পপুলেশনের বিস্তার কম অনুমান করা হয়। n − 1 দিয়ে ভাগ করা এই পক্ষপাত সংশোধন করে, স্যাম্পল ভ্যারিয়েন্সকে σ²-এর একটি নিরপেক্ষ অনুমানকারী করে তোলে। এই সংশোধনটি ছোট স্যাম্পলের (n < 30) জন্য সবচেয়ে বেশি গুরুত্বপূর্ণ এবং বড় ডেটাসেটের জন্য নগণ্য হয়ে যায়।
যখন আপনার ভিন্ন এককে পরিমাপ করা — বা খুব ভিন্ন গড়যুক্ত — ডেটাসেট জুড়ে বিস্তার তুলনা করার প্রয়োজন হয়, তখন ভ্যারিয়েন্স বা SD কোনোটিই সরাসরি তুলনাযোগ্য নয়। কোয়েফিশিয়েন্ট অফ ভ্যারিয়েশন (CV = SD ÷ গড় × ১০০%) বিস্তারকে গড়ের একটি শতাংশ হিসেবে প্রকাশ করে এই সমস্যার সমাধান করে। দুটি শেয়ার বিবেচনা করুন: একটি ১০ ডলারের শেয়ার যার দৈনিক SD ২.০০ ডলার, এবং একটি ১০০ ডলারের শেয়ার যার দৈনিক SD ৫.০০ ডলার। পরম অর্থে দ্বিতীয় শেয়ারটি বেশি ওঠানামা করে। কিন্তু প্রথম শেয়ারের CV ২০% যেখানে দ্বিতীয়টি মাত্র ৫% — তাই তার দামের সাপেক্ষে, ১০ ডলারের শেয়ারটি চার গুণ বেশি অস্থির। CV ব্যাপকভাবে ব্যবহৃত হয় বিশ্লেষণাত্মক রসায়নে (পরিমাপ পদ্ধতির পুনরাবৃত্তিযোগ্যতা তুলনা করতে), উৎপাদন কোয়ালিটি কন্ট্রোলে (প্রোডাক্ট লাইন জুড়ে প্রসেস পরিবর্তনশীলতার বেঞ্চমার্ক করতে), এবং অর্থে (ভিন্ন দামের স্তরের অ্যাসেট জুড়ে প্রতি-ইউনিট-রিটার্ন ঝুঁকি তুলনা করতে)।
স্কিউনেস, কার্টোসিস, এবং অ-স্বাভাবিক ডিস্ট্রিবিউশন
স্কিউনেস একটি ডিস্ট্রিবিউশনের গড়ের চারপাশের অসাম্য পরিমাপ করে। একটি পজিটিভলি স্কিউড (রাইট-স্কিউড) ডিস্ট্রিবিউশনে, লেজটি ডানদিকে প্রসারিত হয় যখন বেশিরভাগ মান বামে জড়ো থাকে — এবং গড়টি মিডিয়ানের ওপরে টানা হয়: গড় > মিডিয়ান > মোড। আয় এবং সম্পদের ডিস্ট্রিবিউশন প্রামাণিক উদাহরণ: বেশিরভাগ মানুষ মিডিয়ানের কাছাকাছি উপার্জন করে, কিন্তু অল্প কিছু খুব উচ্চ উপার্জনকারী গড়কে ওপরের দিকে টেনে নেয়। একটি নেগেটিভলি স্কিউড (লেফট-স্কিউড) ডিস্ট্রিবিউশনে প্যাটার্নটি উল্টে যায় — অল্প কিছু খুব নিচু মান গড়কে মিডিয়ানের নিচে টেনে নিয়ে যায়। বাধ্যতামূলক আগাম-অবসর স্কিমযুক্ত দেশগুলোতে অবসরের বয়স প্রায়ই লেফট-স্কিউড। ±১-এর বেশি একটি স্কিউনেস মাত্রা সাধারণত যথেষ্ট বলে বিবেচিত হয়; ±২-এর বাইরে প্রায়ই মানে ডেটার স্বাভাবিকতা ধরে নেওয়া টেস্ট প্রয়োগ করার আগে ট্রান্সফরমেশন (যেমন একটি লগ ট্রান্সফরম) প্রয়োজন।
কার্টোসিস একটি নরমাল ডিস্ট্রিবিউশনের তুলনায় একটি ডিস্ট্রিবিউশনের লেজের ওজন পরিমাপ করে। লেপ্টোকার্টিক ডিস্ট্রিবিউশনে (পজিটিভ এক্সেস কার্টোসিস) একটি ধারালো কেন্দ্রীয় চূড়া এবং ভারী লেজ থাকে — নরমাল মডেল যা ভবিষ্যদ্বাণী করে তার চেয়ে চরম মান বেশি ঘন ঘন ঘটে। প্ল্যাটিকার্টিক ডিস্ট্রিবিউশনে (নেগেটিভ এক্সেস কার্টোসিস) হালকা লেজ এবং একটি সমতল, প্রশস্ত চূড়া থাকে। সবচেয়ে গুরুত্বপূর্ণ বাস্তব-বিশ্বের উদাহরণ হলো শেয়ার বাজারের রিটার্ন: অভিজ্ঞতাগতভাবে, দৈনিক ইকুইটি রিটার্ন লেপ্টোকার্টিক — বড় ধস এবং বড় বাজার-বৃদ্ধি একটি নরমাল ডিস্ট্রিবিউশন যা প্রস্তাব করবে তার চেয়ে অনেক বেশি ঘন ঘন ঘটে। এই কারণেই ঝুঁকি মডেল যা স্বাভাবিকতা ধরে নেয় (যেমন পুরনো Value-at-Risk ফর্মুলেশন) পদ্ধতিগতভাবে চরম ক্ষতির সম্ভাবনা কম অনুমান করে, একটি ব্যর্থতা যা ২০০৮ সালের আর্থিক সংকটে অবদান রেখেছিল। একটি মেসোকার্টিক ডিস্ট্রিবিউশনের এক্সেস কার্টোসিস ০-এর কাছাকাছি, যা নরমাল কার্ভের লেজের সাথে মেলে।
অনেক প্রাকৃতিক এবং মানুষ-সৃষ্ট প্রসেস মৌলিকভাবে অ-স্বাভাবিক ডিস্ট্রিবিউশন তৈরি করে। ওয়েবসাইট ট্রাফিক এবং ফাইল সাইজ প্রায়ই একটি লগ-নরমাল ডিস্ট্রিবিউশন অনুসরণ করে — মানগুলোর লগারিদম নরমালি ডিস্ট্রিবিউটেড, যা একটি লম্বা উচ্চ লেজসহ একটি রাইট-স্কিউড আকার তৈরি করে। ভূমিকম্পের মাত্রা এবং শহরের জনসংখ্যার আকার একটি পাওয়ার-ল ডিস্ট্রিবিউশন অনুসরণ করে, যেখানে অত্যন্ত বড় ঘটনা বিরল কিন্তু একটি নরমাল মডেল যা ভবিষ্যদ্বাণী করবে তার চেয়ে অনেক বেশি সাধারণ। আপনি যখন অ-স্বাভাবিকতা সন্দেহ করেন, দুটি ফর্মাল টেস্ট সাধারণত ব্যবহৃত হয়: শাপিরো-উইল্ক টেস্ট (ছোট স্যাম্পলের জন্য নির্ভরযোগ্য, n < 50) এবং একটি Q-Q প্লট (কোয়ান্টাইল-কোয়ান্টাইল প্লট)-এর ভিজ্যুয়াল পরিদর্শন, যা পর্যবেক্ষিত কোয়ান্টাইলকে একটি নরমাল ডিস্ট্রিবিউশনের তাত্ত্বিক কোয়ান্টাইলের সাথে তুলনা করে — সরলরৈখিক সারিবদ্ধতা স্বাভাবিকতার ইঙ্গিত দেয়, যখন S-আকৃতির বাঁক বা বাঁকানো প্রান্ত স্কিউনেস বা ভারী লেজের ইঙ্গিত দেয়। এই ডায়াগনস্টিকগুলো চেক না করেই তীব্র অ-স্বাভাবিক ডেটায় t-টেস্ট বা ANOVA প্রয়োগ করলে অবৈধ p-মানের ঝুঁকি থাকে।
ডেসক্রিপটিভ বনাম ইনফারেন্সিয়াল স্ট্যাটিস্টিক্স: আপনার সংখ্যা কী দাবি করে তা জানা
ডেসক্রিপটিভ স্ট্যাটিস্টিক্স আপনার কাছে থাকা ডেটার সামারি দেয়, কোনো বৃহত্তর পপুলেশন সম্পর্কে দাবি না করেই। গড়, মিডিয়ান, মোড, রেঞ্জ, ভ্যারিয়েন্স, স্ট্যান্ডার্ড ডেভিয়েশন, কোয়ার্টাইল, স্কিউনেস, এবং কার্টোসিস সবই ডেসক্রিপটিভ — এগুলো এই ডেটাসেটটি বর্ণনা করে। আপনার কাছে যদি একটি একক বাস্কেটবল দলের প্রতিটি খেলোয়াড়ের উচ্চতা থাকে, তাহলে আপনার হিসাব করা গড় উচ্চতা সেই দলের পপুলেশন গড় হয়েই যায়; কোনো ইনফারেন্সের দরকার নেই। ডেসক্রিপটিভ স্ট্যাটিস্টিক্স এই প্রশ্নের উত্তর দেয়: 'এই ডেটাটা দেখতে কেমন?'
ইনফারেন্সিয়াল স্ট্যাটিস্টিক্স একটি পপুলেশন সম্পর্কে সিদ্ধান্তে পৌঁছাতে একটি স্যাম্পল ব্যবহার করে যা সম্পূর্ণভাবে মাপা হয়নি। একটি t-টেস্ট জিজ্ঞাসা করে স্যাম্পল গড়টি একটি অনুমিত পপুলেশন গড় (বা অন্য একটি স্যাম্পল গড়) থেকে যথেষ্ট দূরে কিনা যাতে পার্থক্যটি নিছক কাকতালীয়ভাবে হওয়ার সম্ভাবনা কম। ANOVA এটিকে তিন বা তার বেশি গ্রুপে প্রসারিত করে। Chi-squared টেস্ট পরীক্ষা করে পর্যবেক্ষিত ফ্রিকোয়েন্সি প্রত্যাশিত ফ্রিকোয়েন্সির সাথে মেলে কিনা। রিগ্রেশন ভেরিয়েবলগুলোর মধ্যেকার সম্পর্ক মডেল করে। এই সবই স্যাম্পল বনাম পপুলেশন পার্থক্যের ওপর নির্ভর করে: পপুলেশন গড়কে μ বলা হয়, স্যাম্পল গড় x̄; পপুলেশন স্ট্যান্ডার্ড ডেভিয়েশন σ, স্যাম্পল SD হলো s। স্যাম্পল এলোমেলোভাবে পরিবর্তিত হওয়ার কারণে, প্রতিটি ইনফারেন্সিয়াল ফলাফল অনিশ্চয়তা বহন করে — যা একটি p-মান বা কনফিডেন্স ইন্টারভাল হিসেবে পরিমাপ করা হয়।
বিজ্ঞানে p-মান সবচেয়ে বেশি ভুল বোঝা সংখ্যাগুলোর একটি। একটি p-মান < 0.05-এর মানে এই নয় যে ফলাফলটি গুরুত্বপূর্ণ, বড়, বা বাস্তবিকভাবে অর্থবহ — এর মানে শুধু এই যে, যদি নাল হাইপোথিসিসটি সত্য হতো, আপনার মতো অন্তত চরম ডেটা নিছক কাকতালীয়ভাবে ৫%-এর কম সময়ে ঘটত। সেই ০.০৫ থ্রেশহোল্ডটি সম্পূর্ণভাবে স্বেচ্ছাচারী (রোনাল্ড ফিশার এটিকে ১৯২৫ সালে একটি সুবিধাজনক গোল সংখ্যা হিসেবে বেছে নিয়েছিলেন) এবং সত্যের ওপর এর কোনো বিশেষ দাবি নেই। n = ১০,০০০-এর একটি গবেষণা এমন একটি পার্থক্যের জন্য p = 0.001 তৈরি করতে পারে যা এতটাই ছোট যে এর কোনো বাস্তব-বিশ্বের পরিণতি নেই। এই কারণেই পরিসংখ্যানবিদরা p-মানের পাশাপাশি এফেক্ট সাইজ (যেমন গড় তুলনার জন্য Cohen's d) জোর দেন: এফেক্ট সাইজ উত্তর দেয় 'পার্থক্যটি কতটা বড়?' যেখানে p শুধু উত্তর দেয় 'পার্থক্যটি শূন্য হলে আমার কতটা অবাক হওয়া উচিত?' ডেটা থেকে যথাযথ সিদ্ধান্তে পৌঁছানোর জন্য দুটোই বোঝা অপরিহার্য।
Frequently asked questions
গড় এবং মিডিয়ানের মধ্যে পার্থক্য কী?
গড় হলো পাটিগণিতীয় গড়: সব মান যোগ করে সংখ্যা দিয়ে ভাগ করা। মিডিয়ান হলো ডেটা সাজানোর পর মধ্যবর্তী মান; জোড় সংখ্যক মানের ক্ষেত্রে এটি দুটি মধ্যবর্তী মানের গড়। গড় প্রতিটি মান অন্তর্ভুক্ত করে এবং আউটলায়ারের প্রতি সংবেদনশীল — একটি খুব বড় মান একে কেন্দ্র থেকে অনেক দূরে টেনে নিতে পারে। মিডিয়ান আউটলায়ারের প্রতি প্রতিরোধী এবং আয়, বাড়ির দাম, বা প্রতিক্রিয়া সময়ের মতো স্কিউড ডিস্ট্রিবিউশনের জন্য সাধারণত 'সাধারণ' মানের একটি ভালো পরিমাপ।
স্ট্যান্ডার্ড ডেভিয়েশন কী এবং আমি এটি কীভাবে ব্যাখ্যা করব?
স্ট্যান্ডার্ড ডেভিয়েশন গড়ের চারপাশে মানগুলো কতটা ছড়িয়ে আছে তা পরিমাপ করে। একটি ছোট স্ট্যান্ডার্ড ডেভিয়েশন মানে মানগুলো গড়ের কাছাকাছি শক্তভাবে জড়ো; একটি বড় মানে সেগুলো ব্যাপকভাবে ছড়িয়ে আছে। একটি নরমাল ডিস্ট্রিবিউশনে মোটামুটি ৬৮% মান গড়ের ১ SD-এর মধ্যে পড়ে, ৯৫% ২ SD-এর মধ্যে, এবং ৯৯.৭% ৩ SD-এর মধ্যে (এম্পিরিক্যাল রুল)। দুটি ডেটাসেট একই গড় কিন্তু ভিন্ন SD শেয়ার করলে, বড় SD-যুক্তটি বেশি পরিবর্তনশীল এবং কম অনুমানযোগ্য।
কখন আমার পপুলেশন বনাম স্যাম্পল স্ট্যান্ডার্ড ডেভিয়েশন ব্যবহার করা উচিত?
পপুলেশন স্ট্যান্ডার্ড ডেভিয়েশন (σ, n দিয়ে ভাগ করে) ব্যবহার করুন যখন আপনার ডেটাসেটে আপনার পরোয়া করা গ্রুপের প্রতিটি সদস্য থাকে — উদাহরণস্বরূপ, একটি নির্দিষ্ট ক্লাসের সব টেস্ট স্কোর। স্যাম্পল স্ট্যান্ডার্ড ডেভিয়েশন (s, n−1 দিয়ে ভাগ করে, বেসেলের সংশোধন) ব্যবহার করুন যখন আপনার ডেটাসেট একটি বড় পপুলেশন থেকে একটি এলোমেলো স্যাম্পল — উদাহরণস্বরূপ, একটি স্কুলের সব শিক্ষার্থীর মধ্য থেকে নেওয়া ৫০টি টেস্ট স্কোর। n−1 সংশোধন স্যাম্পল SD-কে পপুলেশন SD-এর একটি নিরপেক্ষ অনুমানকারী করে তোলে। সন্দেহ থাকলে, বেশিরভাগ গবেষণা প্রেক্ষাপট স্যাম্পল স্ট্যাটিস্টিক্স ব্যবহার করে।
কোয়ার্টাইল এবং IQR কী?
কোয়ার্টাইল সাজানো ডেটাকে চারটি সমান অংশে ভাগ করে। Q1 (২৫তম পার্সেন্টাইল) হলো ডেটার নিচের অর্ধেকের মিডিয়ান; Q3 (৭৫তম পার্সেন্টাইল) হলো ওপরের অর্ধেকের মিডিয়ান। ইন্টারকোয়ার্টাইল রেঞ্জ (IQR) = Q3 − Q1 ডেটার মধ্যবর্তী ৫০% বিস্তৃত করে। এটি ওপরের ও নিচের ২৫% উপেক্ষা করার কারণে, IQR চরম মানের প্রতি প্রতিরোধী এবং বক্স প্লটে ব্যবহৃত বিস্তারের স্ট্যান্ডার্ড পরিমাপ। Q1 বা Q3-এর ১.৫ × IQR-এর বাইরের ডেটা পয়েন্টগুলোকে প্রথাগতভাবে আউটলায়ার হিসেবে চিহ্নিত করা হয়।
স্কিউনেস আমার ডেটা সম্পর্কে কী বলে?
স্কিউনেস গড়ের চারপাশে ডিস্ট্রিবিউশনের অসাম্য পরিমাপ করে। ০-এর কাছাকাছি একটি মান মোটামুটি সিমেট্রিক ডেটার ইঙ্গিত দেয়। পজিটিভ স্কিউনেস (রাইট স্কিউ) মানে ডানদিকে একটি লম্বা লেজ — অল্প কিছু খুব বড় মান গড়কে মিডিয়ানের ডানদিকে টেনে নিয়ে যায়। নেগেটিভ স্কিউনেস (লেফট স্কিউ) মানে বামদিকে একটি লম্বা লেজ। অনেক বাস্তব-বিশ্বের ডিস্ট্রিবিউশন পজিটিভলি স্কিউড (আয়, সম্পদ, প্রতিক্রিয়া সময়)। ±১-এর বেশি স্কিউনেসকে সাধারণত যথেষ্ট স্কিউড বিবেচনা করা হয়; ±২-এর বাইরে অত্যন্ত স্কিউড।
এক্সেস কার্টোসিস কী এবং এটি কেন গুরুত্বপূর্ণ?
এক্সেস কার্টোসিস একটি নরমাল ডিস্ট্রিবিউশনের (যার এক্সেস কার্টোসিস = ০) তুলনায় ডিস্ট্রিবিউশনের 'লেজত্ব' পরিমাপ করে। পজিটিভ এক্সেস কার্টোসিস (লেপ্টোকার্টিক) মানে ভারী লেজ এবং একটি ধারালো কেন্দ্রীয় চূড়া — একটি নরমাল ডিস্ট্রিবিউশন ভবিষ্যদ্বাণী করে তার চেয়ে বেশি চরম আউটলায়ার। নেগেটিভ এক্সেস কার্টোসিস (প্ল্যাটিকার্টিক) মানে হালকা লেজ এবং একটি সমতল চূড়া। কার্টোসিস ঝুঁকির জন্য গুরুত্বপূর্ণ: উচ্চ কার্টোসিসযুক্ত একটি আর্থিক রিটার্ন ডিস্ট্রিবিউশনে একটি নরমাল মডেল যা প্রস্তাব করবে তার চেয়ে বেশি ঘন ঘন চরম ক্ষতি বা লাভ ঘটে।
কনফিডেন্স ইন্টারভাল কীভাবে কাজ করে?
একটি ৯৫% কনফিডেন্স ইন্টারভাল (CI) মানে: আপনি যদি একই আকারের স্যাম্পল বারবার পপুলেশন থেকে নিতেন এবং প্রতিবার CI হিসাব করতেন, সেই ইন্টারভালগুলোর ৯৫%-এ আসল পপুলেশন গড় থাকত। এটি গড় ± ১.৯৬ × SE হিসেবে হিসাব করা হয়, যেখানে SE = s/√n হলো স্ট্যান্ডার্ড এরর। একটি প্রশস্ত ইন্টারভাল হয় ছোট স্যাম্পল অথবা উচ্চ ভ্যারিয়েন্সের প্রতিফলন। CI প্রস্থ অর্ধেক করতে, আপনার স্যাম্পল সাইজ চার গুণ করতে হবে। ৯৯% CI ব্যবহার করে ±২.৫৭৬ × SE এবং এটি প্রশস্ত — নির্ভুলতার বদলে বেশি নিশ্চয়তা দেয়।
পার্সেন্টাইল কীভাবে হিসাব করা হয়?
এই ক্যালকুলেটর লিনিয়ার ইন্টারপোলেশন পদ্ধতি ব্যবহার করে (R এবং NumPy সহ বেশিরভাগ পরিসংখ্যান সফটওয়্যারের মতোই)। p-তম পার্সেন্টাইলের জন্য, index = (p/100) × (n−1) হিসাব করুন। ইনডেক্সের পূর্ণসংখ্যা অংশ সাজানো অ্যারেতে একটি এলিমেন্ট বেছে নেয়, এবং ভগ্নাংশ অংশ সেই এলিমেন্ট ও পরেরটির মধ্যে রৈখিকভাবে ইন্টারপোলেট করে। উদাহরণস্বরূপ, [1, 2, 3, 4]-এর ২৫তম পার্সেন্টাইল index = 0.75 ব্যবহার করে, যা 1 + 0.75×(2−1) = 1.75 দেয়। এই কারণেই পার্সেন্টাইল পদ্ধতি থেকে Q1 স্প্লিট-মিডিয়ান কোয়ার্টাইল পদ্ধতি থেকে সামান্য ভিন্ন হতে পারে।
স্ট্যান্ডার্ড এরর (SE) কী?
স্ট্যান্ডার্ড এরর SE = s/√n হলো গড়ের স্যাম্পলিং ডিস্ট্রিবিউশনের স্ট্যান্ডার্ড ডেভিয়েশন। স্ট্যান্ডার্ড ডেভিয়েশন আপনার ডেটাসেটে বিস্তার বর্ণনা করলেও, স্ট্যান্ডার্ড এরর বর্ণনা করে আপনার স্যাম্পল গড় আসল পপুলেশন গড়কে কতটা নির্ভুলভাবে অনুমান করে। একটি বড় স্যাম্পল একটি ছোট SE এবং আরও নির্ভুল অনুমান দেয়। SE কনফিডেন্স ইন্টারভাল এবং t-টেস্টের সূত্রে দেখা যায়। এটি স্যাম্পল সাইজের বর্গমূলের সমানুপাতে কমে যায় — স্যাম্পল সাইজ দ্বিগুণ করলে SE √২ ≈ ১.৪১ গুণ কমে।
আমি স্ট্যাটিস্টিক্স ক্যালকুলেটরে ডেটা কীভাবে ইনপুট করব?
টেক্সট এরিয়ায় সরাসরি আপনার সংখ্যা টাইপ করুন বা পেস্ট করুন। মানগুলো কমা (যেমন 4, 7, 13, 2), স্পেস, বা নিউলাইন অক্ষর দিয়ে আলাদা করা যেতে পারে — তিনটি সেপারেটরই স্বয়ংক্রিয়ভাবে চেনা যায়। আপনি একই ইনপুটে সেপারেটর মিশিয়ে ব্যবহার করতে পারেন। নন-নিউমেরিক টোকেন নীরবে ফিল্টার করে ফেলা হয়, তাই কলাম হেডারসহ একটি স্প্রেডশিট থেকে একটি কলাম পেস্ট করলেও ঠিক আছে। প্রতিটি কিস্ট্রোকে ক্যালকুলেটর সাথে সাথে আবার চালায়, তাই আপনি ডেটা এডিট করার সাথে সাথে ফলাফল রিয়েল টাইমে আপডেট হয়।
এই ক্যালকুলেটর কোন কোন পরিসংখ্যান হিসাব করে?
ক্যালকুলেটরটি হিসাব করে: count (n), sum, গড়, মিডিয়ান, মোড(গুলো), সর্বনিম্ন, সর্বোচ্চ, রেঞ্জ, Q1, Q3, IQR, পপুলেশন ভ্যারিয়েন্স (σ²), পপুলেশন স্ট্যান্ডার্ড ডেভিয়েশন (σ), স্যাম্পল ভ্যারিয়েন্স (s²), স্যাম্পল স্ট্যান্ডার্ড ডেভিয়েশন (s), স্ট্যান্ডার্ড এরর (SE), স্কিউনেস, এক্সেস কার্টোসিস, ৯৫% কনফিডেন্স ইন্টারভাল, ৯৯% কনফিডেন্স ইন্টারভাল, এবং P10, P25, P50, P75, P90, P95, এবং P99-এ পার্সেন্টাইল। এটি একটি ফ্রিকোয়েন্সি ডিস্ট্রিবিউশন হিস্টোগ্রামও দেখায় এবং সাজানো ডেটাসেট প্রদর্শন করে — কোনো অ্যাকাউন্ট ছাড়াই সব একই জায়গায়।
ফাইভ-নম্বর সামারি কী?
ফাইভ-নম্বর সামারি হলো একটি ডেটাসেটের একটি সংক্ষিপ্ত বর্ণনা যাতে থাকে: সর্বনিম্ন, Q1 (২৫তম পার্সেন্টাইল), মিডিয়ান (Q2, ৫০তম পার্সেন্টাইল), Q3 (৭৫তম পার্সেন্টাইল), এবং সর্বোচ্চ। এই ক্যালকুলেটর তার আউটপুট গ্রিডে পাঁচটি মানই প্রদর্শন করে। ফাইভ-নম্বর সামারি হলো বক্স প্লট (বক্স-অ্যান্ড-হুইস্কার প্লট)-এর ভিত্তি, যা ডেটার বিস্তার এবং স্কিউনেস গ্রাফিকভাবে দেখায়। বক্সটি Q1 থেকে Q3 পর্যন্ত বিস্তৃত (IQR), বক্সের ভেতরের রেখাটি মিডিয়ান, এবং হুইস্কারগুলো সর্বনিম্ন ও সর্বোচ্চ পর্যন্ত বিস্তৃত।
এই ক্যালকুলেটর ব্যবহার করে আউটলায়ার কীভাবে সনাক্ত করব?
আউটলায়ার সনাক্তকরণের স্ট্যান্ডার্ড নিয়ম IQR ব্যবহার করে: Q1 − ১.৫×IQR-এর নিচে বা Q3 + ১.৫×IQR-এর ওপরে যেকোনো ডেটা পয়েন্টকে একটি মাইল্ড আউটলায়ার হিসেবে চিহ্নিত করা হয়; Q1 − ৩×IQR বা Q3 + ৩×IQR-এর বাইরের পয়েন্টগুলো এক্সট্রিম আউটলায়ার। ফলাফল গ্রিডে দেখানো Q1, Q3, এবং IQR মান থেকে এই ফেন্স মানগুলো ম্যানুয়ালি হিসাব করুন। আউটলায়ার উচ্চ স্কিউনেস হিসেবেও দেখা দেয় (এগুলো ডিস্ট্রিবিউশনকে অসামঞ্জস্যপূর্ণভাবে টানে) এবং হিস্টোগ্রামের নিচে দেখানো সাজানো ডেটা তালিকায় বড় ফাঁক হিসেবেও দেখা দেয়।
ভ্যারিয়েন্স এবং স্ট্যান্ডার্ড ডেভিয়েশনের মধ্যে পার্থক্য কী?
ভ্যারিয়েন্স (s² বা σ²) হলো গড় থেকে গড় বর্গকৃত বিচ্যুতি। স্ট্যান্ডার্ড ডেভিয়েশন (s বা σ) হলো ভ্যারিয়েন্সের বর্গমূল। দুটোই বিস্তার পরিমাপ করে, কিন্তু স্ট্যান্ডার্ড ডেভিয়েশন আসল ডেটার মতো একই এককে প্রকাশিত হয় — যা এটিকে ব্যাখ্যা করা অনেক সহজ করে তোলে। উদাহরণস্বরূপ, উচ্চতা সেমি-তে হলে, SD সেমি-তে কিন্তু ভ্যারিয়েন্স হয় সেমি²-তে। ভ্যারিয়েন্স গাণিতিকভাবে সুবিধাজনক (এটি স্বাধীন ভেরিয়েবলের জন্য যোগযোগ্য: Var(X+Y) = Var(X) + Var(Y)) যেখানে SD ফলাফল রিপোর্ট করার জন্য ব্যাখ্যামূলকভাবে সুবিধাজনক।
এম্পিরিক্যাল রুল (৬৮-৯৫-৯৯.৭) মানে কী?
এম্পিরিক্যাল রুল বলে যে একটি নরমালি ডিস্ট্রিবিউটেড ডেটাসেটের জন্য, মোটামুটি ৬৮% মান গড়ের এক স্ট্যান্ডার্ড ডেভিয়েশনের মধ্যে পড়ে (μ ± σ), প্রায় ৯৫% দুই স্ট্যান্ডার্ড ডেভিয়েশনের মধ্যে (μ ± 2σ), এবং প্রায় ৯৯.৭% তিন স্ট্যান্ডার্ড ডেভিয়েশনের মধ্যে (μ ± 3σ)। এই নিয়মটি আপনাকে দ্রুত বিচার করতে সাহায্য করে একটি মান অস্বাভাবিক কিনা — গড় থেকে ৩ SD-এর বেশি দূরের একটি মান মাত্র প্রায় ০.৩% ক্ষেত্রে ঘটে, যা এটিকে একটি আউটলায়ার বা ডেটা এন্ট্রি ত্রুটির জন্য একটি শক্তিশালী প্রার্থী করে তোলে।
এটি Excel, SPSS, বা R ব্যবহারের সাথে কীভাবে তুলনীয়?
Excel-এ প্রতিটি পরিসংখ্যানের জন্য সঠিক ফাংশনের নাম জানা দরকার — STDEV.S বনাম STDEV.P, QUARTILE.INC বনাম QUARTILE.EXC — আর প্রতিটি পরিমাপের জন্য আলাদা সেল সেট করতে হয়। SPSS এবং R একই সংখ্যা তৈরি করে কিন্তু ইনস্টল করতে হয়, এবং SPSS-এর জন্য ব্যক্তিদের জন্য প্রায় ৯৯ ডলার/বছর থেকে শুরু হওয়া একটি লাইসেন্স প্রয়োজন। R ফ্রি কিন্তু এর একটি শেখার বক্ররেখা আছে যা একটি দ্রুত সামারির জন্য অতিরিক্ত। এই ক্যালকুলেটর শুধু পেস্ট করা সংখ্যা চায় এবং এক পেজে ২৫+ পরিসংখ্যান ফেরত দেয়, কোনো ইনস্টল, লাইসেন্স, সিনট্যাক্স, বা সাইনআপ ছাড়াই।
Related tools
সব টুল দেখুন
নতুন JSON ⇄ CSV কনভার্টার
JSON অ্যারেকে CSV-তে এবং CSV-কে আবার JSON-এ রূপান্তর করুন — সঠিক কোটিং সহ।
নতুন XML ফরম্যাটার
আপনার ব্রাউজারেই XML সুন্দর করুন, মিনিফাই ও যাচাই করুন।
নতুন SQL ফরম্যাটার
কীওয়ার্ড কেসিং ও clause ব্রেক সহ SQL কোয়েরি সুন্দর ও মিনিফাই করুন।
নতুন JSON থেকে TypeScript
একটি JSON নমুনা থেকে নেস্টেড টাইপ সহ TypeScript ইন্টারফেস তৈরি করুন।
নতুন CSV ভিউয়ার
CSV বা TSV ফাইল পরিচ্ছন্ন টেবিল হিসেবে দেখুন, সাজান ও খুঁজুন — আপনার ব্রাউজারে।
নতুন Matrix Calculator
Add, subtract, multiply matrices and compute determinant, inverse and transpose for 2×2–4×4 matrices.