আপনি যখন ডেটা শর্তাধীন বিতরণের জন্য সরল প্যারামেট্রিক মডেলগুলি বিবেচনা করছেন (অর্থাত্ প্রতিটি গোষ্ঠীর বিতরণ, বা ভবিষ্যদ্বাণী ভেরিয়েবলগুলির প্রতিটি সংমিশ্রণের জন্য প্রত্যাশিত বিতরণ), এবং আপনি ইতিবাচক ক্রমাগত বিতরণ নিয়ে কাজ করছেন, তখন দুটি সাধারণ পছন্দ হ'ল গামা এবং লগ-সাধারণ । বিতরণের ডোমেনের স্পেসিফিকেশন সন্তুষ্ট করার পাশাপাশি (শূন্যের চেয়ে বেশি সংখ্যক আসল সংখ্যা), এই বিতরণগুলি গণনাগত সুবিধার্থে এবং প্রায়শই যান্ত্রিক ধারণা তৈরি করে।
- লগ-স্বাভাবিক বন্টন সহজে একটি সাধারণ বন্টনের exponentiating থেকে নেওয়া হয়ে থাকে (বিপরীতভাবে, লগ-রূপান্তর লগ-স্বাভাবিক বিচ্যুত সাধারন বিচ্যুত দেয়)। যান্ত্রিক দৃষ্টিকোণ থেকে, লগ-নরমাল কেন্দ্রীয় সীমাবদ্ধ তত্ত্বের মাধ্যমে উত্থাপিত হয় যখন প্রতিটি পর্যবেক্ষণ প্রচুর পরিমাণে আইআইডি র্যান্ডম ভেরিয়েবলের পণ্য প্রতিবিম্বিত করে। একবার আপনি ডেটা লগ-ট্রান্সফার করার পরে, আপনার কাছে প্রচুর গণ্য এবং বিশ্লেষণমূলক সরঞ্জামগুলির অ্যাক্সেস থাকতে পারে (যেমন, সাধারণতা ধরে নেওয়া বা সর্বনিম্ন-স্কোয়ার পদ্ধতি ব্যবহার করে এমন কিছু)।
- আপনার প্রশ্নের দেখায় যে একটি উপায় যে একটি গামা বন্টন দেখা দেয় দুটো কারণে পর্যন্ত সময়ের অপেক্ষা বিতরণের হিসাবে একটি ধ্রুবক অপেক্ষা সময়ের সাথে সাথে স্বাধীন ঘটনা ঘটবে। আমি সহজে একটি জন্য একটি রেফারেন্স খুঁজে পাচ্ছি না মেকানিজম বীমা দাবী গামা ডিস্ট্রিবিউশন মডেল, কিন্তু এটি ইন্দ্রিয় একটি থেকে একটি গামা বন্টন ব্যবহার করে তোলে ফেনোমেনোলোজিকল (অর্থাত, তথ্য বর্ণনা / গণনীয় সুবিধা) দৃষ্টিকোণ। গামা বন্টন অংশ সূচকীয় পরিবার (যা সাধারন কিন্তু অন্তর্ভুক্ত না , যার মানে লগ-স্বাভাবিক) যে যন্ত্রপাতি সব সাধারণ রৈখিক মডেলএনλসহজলভ্য; এটি বিশ্লেষণের জন্য একটি বিশেষ সুবিধাজনক ফর্মও রয়েছে।
একজন অন্য বা অন্যটিকে বেছে নিতে পারে এমন অন্যান্য কারণ রয়েছে - উদাহরণস্বরূপ, বিতরণের লেজের "ভারীতা" , যা চরম ঘটনাগুলির ফ্রিকোয়েন্সি অনুমান করার ক্ষেত্রে গুরুত্বপূর্ণ হতে পারে। প্রচুর পরিমাণে ইতিবাচক, অবিচ্ছিন্ন বিতরণ রয়েছে (উদাঃ এই তালিকাটি দেখুন ) তবে সেগুলি আরও বিশেষায়িত অ্যাপ্লিকেশনগুলিতে ব্যবহার করার ঝোঁক রয়েছে।
এই বিতরণগুলির মধ্যে খুব কমই আপনি উপরের প্রান্তিক বিতরণগুলিতে যে মাল্টি-মোডালিটিটি দেখেন সেগুলি ক্যাপচার করবে, তবে পর্যবেক্ষিত শ্রেণিবদ্ধ ভবিষ্যদ্বাণীকারীদের দ্বারা বর্ণিত বিভাগগুলিতে ডেটাকে শ্রেণিবদ্ধ করে মাল্টি-মোডালিটি ব্যাখ্যা করা যেতে পারে। যদি মাল্টিডোডালটি ব্যাখ্যা করে এমন কোনও পর্যবেক্ষণযোগ্য ভবিষ্যদ্বাণী না থাকে তবে একটি (ছোট, বিচ্ছিন্ন) সংখ্যক ধনাত্মক ধারাবাহিক বিতরণের মিশ্রণের ভিত্তিতে সীমাবদ্ধ মিশ্রণ মডেলটি ফিট করতে পারে ।
