কিভাবে একটি বক্সপ্লট থেকে skewness মূল্যায়ন?


19

এই ডেটা থেকে তৈরি একটি বক্সপ্লট দেখে কীভাবে সঙ্কোচনের সিদ্ধান্ত নেওয়া যায়:

340, 300, 520, 340, 320, 290, 260, 330

একটি বই বলে, "যদি নিম্ন চতুর্ভুজটি মধ্যের থেকে উপরের কোয়ার্টাইলের চেয়ে বেশি দূরে থাকে, তবে বিতরণটি নেতিবাচকভাবে সঙ্কুচিত হয়।" আরও কয়েকটি সূত্র কম-বেশি একই কথা বলেছে।

আমি আর ব্যবহার করে একটি বক্সপ্লট তৈরি করেছি এটি নীচের মত:

বক্স চক্রান্ত

আমি মনে করি এটি নেতিবাচকভাবে স্কিউড হয়েছে , কারণ নিম্ন চতুর্ভুজটি মধ্যের থেকে উপরের কোয়ার্টাইলের চেয়ে অনেক বেশি দূরে। তবে সমস্যাটি যখন আমি স্কিউনেস নির্ধারণের জন্য অন্য পদ্ধতিটি ব্যবহার করি:

গড় (337.5)> মিডিয়ান (325)

এটি নির্দেশ করে যে ডেটা ইতিবাচকভাবে স্কিউড । আমি কি কিছু রেখে গেলাম?

উত্তর:


19

স্কিউনেসের এক পরিমাপ মিডিয়েন মিডিয়ানের উপর ভিত্তি করে - পিয়ারসনের দ্বিতীয় স্কিউনেস সহগ

Skewness এর অন্য একটি পরিমাপ অনুপাত হিসাবে প্রকাশিত আপেক্ষিক চতুর্ভুজ পার্থক্য (Q3-Q2) বনাম (Q2-Q1) উপর ভিত্তি করে

(Q3-Q2) বনাম (Q2-Q1) পরিবর্তে একটি পার্থক্য হিসাবে প্রকাশ করা হয় (বা সমানভাবে মিডহিন্জ-মিডিয়ান), এটি মাত্রাবিহীন করতে হবে (সাধারণত একটি skewness পরিমাপের জন্য সাধারণত প্রয়োজন হয়), আইকিউআর বলে, এখানে ( রেখে )u=0.25

সর্বাধিক সাধারণ পরিমাপটি অবশ্যই তৃতীয়-মুহুর্তের স্কিউনেস

এই তিনটি পদক্ষেপ প্রয়োজনীয়ভাবে সামঞ্জস্যপূর্ণ হওয়ার কোনও কারণ নেই। এগুলির যে কোনও একটি অন্য দুটি থেকে আলাদা হতে পারে।

আমরা "স্কিউনেস" হিসাবে যা বিবেচনা করি তা হ'ল কিছুটা পিচ্ছিল এবং দুষ্টু সংজ্ঞায়িত ধারণা। আরও আলোচনার জন্য এখানে দেখুন ।

যদি আমরা আপনার ডেটাটিকে একটি সাধারণ কিউকিপ্লট দিয়ে দেখি:

এখানে চিত্র বর্ণনা লিখুন

[সেখানে চিহ্নিত রেখাটি কেবল প্রথম 6 পয়েন্টের উপর ভিত্তি করে তৈরি করা হয়েছে, কারণ আমি সেখানে প্যাটার্ন থেকে শেষ দুটিটির বিচ্যুতি নিয়ে আলোচনা করতে চাই want]

আমরা দেখতে পাই যে ক্ষুদ্রতম 6 টি পয়েন্ট লাইনে প্রায় পুরোপুরি নিখুঁত।

তারপরে the ম পয়েন্টটি রেখার নীচে রয়েছে (বাম প্রান্ত থেকে একই দ্বিতীয় পয়েন্টের তুলনায় তুলনামূলকভাবে মধ্যের কাছাকাছি), যখন অষ্টম পয়েন্টটি উপরে উঠে গেছে।

7th ম পয়েন্টটি হালকা বাম স্কু, শেষ, শক্তিশালী ডান স্কু প্রস্তাব দেয়। আপনি যদি উভয় বিন্দুটিকে উপেক্ষা করেন তবে স্কিউনেসের ছাপ সম্পূর্ণরূপে অন্য দ্বারা নির্ধারিত হয়।

যদি আমি বলতে পারি এটি একটি বা অন্যটি ছিল তবে আমি তাকে "ডান স্কিউ" বলব তবে আমি আরও উল্লেখ করতে পারি যে ছাপ পুরোপুরি সেই খুব বড় পয়েন্টের প্রভাবের কারণে। এটি ছাড়া সত্যিকারের স্কিউ বলতে কিছু নেই। (অন্যদিকে, পরিবর্তে 7 তম বিন্দু ছাড়া, এটি পরিষ্কারভাবে স্কু বাম নয়))

আমাদের ইমপ্রেশনটি সম্পূর্ণ একক পয়েন্ট দ্বারা নির্ধারিত হলে এবং অবশ্যই একটি পয়েন্ট মুছে ফেলা যায় তবে আমাদের অবশ্যই খুব সতর্কতা অবলম্বন করা উচিত। এটি তেমন কোনও ভিত্তি নয়!


আমি এই ধারণাটি দিয়ে শুরু করি যে আউটলেটকে 'আউটলাইং' তৈরি করে তোলে তা হ'ল মডেল (কোনও মডেলের প্রতি শ্রদ্ধার সাথে একটি আউটরিয়ার কী অন্য মডেলের অধীনে বেশ সাধারণ হতে পারে)।

আমি মনে করি একটি সাধারণ (০.72২ এসডি এসএসএস) এর ০.০১ এর উপরের পার্সেন্টাইল (1/10000) এ একটি পর্যবেক্ষণ হ'ল ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘনিয়ে।।।।। (আমরা যদি তার নিজস্ব সম্ভাবনা ইন্টিগ্রাল ট্রান্সফর্ম দ্বারা কোনও বিতরণকে রূপান্তর করি তবে প্রত্যেকে একই ইউনিফর্মে যাবে)

এমনকি একটি মাঝারিভাবে ডান স্কিউ বিতরণে বক্সপ্লট বিধি প্রয়োগ করার ক্ষেত্রে সমস্যাটি দেখতে, ঘনিষ্ঠভাবে বিতরণ থেকে বড় নমুনাগুলি অনুকরণ করুন।

উদাহরণস্বরূপ, যদি আমরা সাধারণ থেকে 100 মাপের নমুনাগুলি অনুকরণ করি তবে আমরা প্রতি নমুনায় 1 আউটলেটরের তুলনায় কম। যদি আমরা এটি একটি ক্ষতিকারক দিয়ে করি, আমাদের গড় প্রায় 5 হয় But তবে এটির কোনও সত্য ভিত্তি নেই যার ভিত্তিতে বলা যায় যে ঘাতক মানগুলির একটি উচ্চতর অনুপাত "আউটলাইং" হয় যদি না আমরা (সাধারণ) মডেলের সাথে তুলনা করে এটি করি। নির্দিষ্ট পরিস্থিতিতে আমাদের কিছু নির্দিষ্ট ফর্মের আউটরিয়র বিধিবিধানের নির্দিষ্ট কারণ থাকতে পারে, তবে কোনও সাধারণ নিয়ম নেই, যা আমাদের এই উপ-বিভাগের সাথে শুরু করা মত সাধারণ নীতিগুলি দিয়ে চলে যায় - প্রতিটি মডেল / বিতরণকে তার নিজস্ব আলোতে আচরণ করার জন্য (কোনও মান যদি কোনও মডেলের প্রতি শ্রদ্ধার সাথে অস্বাভাবিক না হয় তবে কেন তাকে সেই পরিস্থিতিতে একজন আউটলেটর বলুন?)


শিরোনামে প্রশ্ন ঘুরিয়ে :

যদিও এটি একটি দুর্দান্ত অপরিশোধিত উপকরণ (যার কারণে আমি কিউকিউ-প্লটের দিকে নজর দিয়েছি) সেখানে একটি বক্সপ্লট-এ স্কিউনেসের বেশ কয়েকটি ইঙ্গিত রয়েছে - যদি কমপক্ষে একটি পয়েন্ট যদি একজন আউটলেটর হিসাবে চিহ্নিত থাকে তবে সম্ভাব্য (কমপক্ষে) তিনটি রয়েছে:

এখানে চিত্র বর্ণনা লিখুন

এই নমুনা (এন = 100) এ, বাইরের পয়েন্টগুলি (সবুজ) চূড়ান্ত চিহ্নিত করে এবং মধ্যম দিয়ে বাম সঙ্কুচিতির পরামর্শ দেয়। তারপরে বেড়াগুলি (নীল) পরামর্শ দেয় (যখন মধ্যকের সাথে মিলিত হয়) ডান সঙ্কোচনের পরামর্শ দেয়। তারপরে কব্জাগুলি (কোয়ার্টাইলস, ব্রাউন), মধ্যমাটির সাথে মিলিত হয়ে বাম skewness পরামর্শ দেয়।

যেমনটি আমরা দেখছি, সেগুলি সুসংগত হওয়ার দরকার নেই। আপনি যেটির দিকে মনোনিবেশ করবেন তা নির্ভর করে আপনি যে অবস্থাতে রয়েছেন (এবং সম্ভবত আপনার পছন্দগুলি)।

যাইহোক, বক্সপ্লোটটি ঠিক কতটা অসম্পূর্ণ সে সম্পর্কে একটি সতর্কতা । এখানে শেষের দিকে উদাহরণ - যা কীভাবে ডেটা তৈরি করতে পারে তার বিবরণ অন্তর্ভুক্ত - একই বক্সপ্লট দিয়ে চারটি ভিন্ন ভিন্ন বিতরণ দেয়:

এখানে চিত্র বর্ণনা লিখুন

আপনি দেখতে পাচ্ছেন যে উপরোক্ত উল্লিখিত সমস্ত সংকেতকে সূক্ষ্ম প্রতিসাম্য দেখানোর সাথে একটি যথেষ্ট স্কিউড বিতরণ রয়েছে।

-

আসুন এটি বিবেচনার দৃষ্টিকোণ থেকে নেওয়া যাক "আপনার শিক্ষক কী উত্তর প্রত্যাশা করেছিলেন, প্রদত্ত যে এটি একটি বক্সপ্লট, যা একটি বহিরাগত হিসাবে একটি পয়েন্ট চিহ্নিত করে?"।

আমরা প্রথমে উত্তর দিয়ে রেখেছি "তারা কী আশা করে যে আপনি এই বিন্দুটি বাদ দিয়ে স্নিগ্ধতা মূল্যায়ন করবেন, বা নমুনায় এটি নিয়ে?" কেউ কেউ এটিকে বাদ দিয়ে দেবে এবং কী থেকে যায় তা থেকে ঝাঁকুনির মূল্যায়ন করবে, যেমন জস্কি অন্য উত্তরে করেছিলেন। যদিও আমি সেই পদ্ধতির বিতর্কিত দিক রয়েছে, আমি এটি ভুল বলতে পারি না - যা পরিস্থিতির উপর নির্ভর করে। কিছু এটি অন্তর্ভুক্ত করবে (কমপক্ষে নয় কারণ সাধারণতার থেকে প্রাপ্ত নিয়মের কারণে আপনার নমুনার 12.5% ​​বাদ দিলে এটি একটি বড় পদক্ষেপ বলে মনে হয় *)।

* জনসংখ্যার বন্টন যা ডান লেজ ব্যতীত প্রতিসামগ্রী হিসাবে কল্পনা করুন (আমি এর উত্তরে এমন একটি নির্মাণ করেছি - সাধারণ তবে চূড়ান্ত ডান লেজ পেরেটো হ'ল - তবে আমার উত্তরে তা উপস্থাপন করিনি)। যদি আমি 8 মাপের নমুনাগুলি আঁকি, তবে প্রায়শই 7 টি পর্যবেক্ষণগুলি স্বাভাবিক দেখায় অংশ থেকে আসে এবং একটি উপরের লেজ থেকে আসে। যদি আমরা সেই ক্ষেত্রে বক্সপ্লট-আউটলিয়ার হিসাবে চিহ্নিত পয়েন্টগুলি বাদ দিয়ে থাকি তবে আমরা যে পয়েন্টটি বলছি এটি বাদ দিচ্ছি যা এটি আসলে স্কিউ! যখন আমরা এটি করি তখন সেই পরিস্থিতিতে থাকা কাটা কাটা বিতরণটি বাম-স্কিউ থাকে এবং আমাদের উপসংহারটি সঠিক সংখ্যার বিপরীত হবে।


1
@ জেএসকি এটি নির্ভর করে যে আপনি কীভাবে স্কিউনেস পরিমাপ করতে চান। যেহেতু স্কিউনেস ডিগ্রি আংশিকভাবে বহির্মুখী পয়েন্টগুলি দ্বারা নির্ধারিত হয় (একে অন্যের চেয়ে বেশি দিকের দিকের দিকে ঝোঁক থাকে), এগুলি অপসারণ করে তর্কতামূলকভাবে স্কিউনেস পরিমাপ করার বিন্দুটি মিস হয়। আরও আপডেট আলোচনা এবং বিশ্লেষণ আমার আপডেট পোস্টে। আপনি যদি অবিস্মরণীয় হন তবে নির্দ্বিধায় দ্বিধা বোধ করুন, এ জাতীয় এক্সচেঞ্জগুলি প্রায়শই মূল্যবান।
গ্লেন_বি -রিনস্টেট মনিকা

1
@ গ্লেেন_বি আপনি যে অবস্থান গ্রহণ করছেন তা আমি অবশ্যই শ্রদ্ধা ও বুঝতে পেরেছি, তবে আমি বিশ্বাস করি যে পূর্বের বিপরীতে বহিরাগতকে অপসারণের পরে স্কিউ বিচার করার পক্ষে যুক্তিসঙ্গত যুক্তি রয়েছে। আউটলেটটিকে অপসারণের পরে, বিতরণটি এখনও negative ম পয়েন্ট (২ 26০) অপসারণের পরেও নেতিবাচকভাবে স্কিউ হবে। আপনি কিউকিপ্লট পরীক্ষা করেছেন এবং / অথবা গড় এবং মধ্যকটির তুলনা করেছেন?
জেএসকি

1
সম্ভবত কেসটি 7 তম সরানোর পরে বেশ দুর্বল, তবে আমি স্কু অপসারণের পরে এটি বিচার করার ন্যায্যতার কোনও কারণ দেখতে পাচ্ছি না। এটি বাহ্যিক নয়, যদিও বিষয়টি ঠিকভাবে নেওয়া হয়েছে যে স্কুয়ের ব্যবস্থাগুলি, আপনি এই ক্ষেত্রে তাদের কীভাবে দেখেন না কেন, একক পয়েন্ট দ্বারা চালিত হচ্ছে।
jsk

1
@ গ্লেেন_ বি কিউ 3 + 1.5 আইকিউআর হ'ল উপরের লেজের বাইরের লোকদের চিহ্নিত করার জন্য এই স্তরে শিখানো থাম্বের সাধারণ নিয়ম। সেগুলি অপসারণ করা বা না করা অন্য বিষয়। গড়টি বড় হওয়ায় আপনি বিতরণটি সঠিকভাবে স্কিউড করছেন এমন যুক্তি দিচ্ছেন? Q1 এর তুলনায় Q1 এর থেকে আরও দূরে Q1 কেন এই বিষয়টিকে উপেক্ষা করবেন?
জেএসকি

1
আমি এখানে পৃষ্ঠের কাছাকাছি যা আছে তা বানান করতে চাই তবে বেশ নয়: প্রায়শই বক্সপ্লটগুলি খুব বেশি ঘনীভূত হয়, সুতরাং আপনাকে সমস্ত ডেটাও দেখার প্রয়োজন হতে পারে।
নিক কক্স

11

না, আপনি কিছু মিস করেননি: আপনি প্রকৃতপক্ষে উপস্থাপন করা সরলতার সংক্ষিপ্তসারগুলি ছাড়িয়ে দেখছেন। এই তথ্য উভয় ইতিবাচকভাবে এবং নেতিবাচকভাবে স্কিউ হয় ( "বক্রতা" কিছু ফর্ম পরামর্শ অর্থে অসামঞ্জস্য তথ্য বিতরণে)।

জন টুকি তার "এন-নাম্বার সংক্ষিপ্তসার" দ্বারা ডেটা ব্যাচগুলিতে অ্যাসিমেট্রি অন্বেষণের একটি পদ্ধতিগত উপায় বর্ণনা করেছিলেন। একটি বক্সপ্লট 5-সংখ্যার সংক্ষিপ্তসারগুলির একটি গ্রাফিক এবং এর ফলে এই বিশ্লেষণে কার্যকর হয়।


MH+HX+XTi+iTi+TiM=M+=M(Ti++Ti)/2i

এই ধারণাটি বক্সপ্লটটিতে প্রয়োগ করতে, কেবল প্রতিটি জুটির সাথে সংশ্লিষ্ট অংশগুলির মিডপয়েন্টগুলি আঁকুন: মিডিয়ান (যা ইতিমধ্যে সেখানে রয়েছে), কব্জাগুলির মাঝামাঝি (বক্সের শেষ প্রান্তে, নীল রঙে দেখানো হয়েছে) এবং চূড়ান্ততার মাঝখানে (লাল দেখানো হয়েছে)

বক্স চক্রান্ত

এই উদাহরণে মধ্যের তুলনায় মিড-হিঞ্জের নীচের মানটি ব্যাচের মধ্যবর্তী অংশটিকে কিছুটা নেতিবাচকভাবে স্কাই করে নির্দেশ করে (যার ফলে প্রশ্নে উদ্ধৃত মূল্যায়ন সংশোধন করা হয়, একই সময়ে উপযুক্তভাবে ব্যাচের মাঝখানে এটির পরিধি সীমাবদ্ধ করে দেওয়া হয়) ) যদিও মধ্য-চরমের উচ্চতর মানটি ব্যাচের লেজগুলি (বা কমপক্ষে তার চূড়ান্ত) ইতিবাচকভাবে স্কাইযুক্ত (যদিও নিবিড় পরিদর্শন করার পরে, এটি একটি উচ্চতর বহিরাগতের কারণে)) যদিও এটি প্রায় তুচ্ছ উদাহরণ, একক "স্কিউনেস" পরিসংখ্যানের তুলনায় এই ব্যাখ্যার আপেক্ষিক richশ্বর্য ইতিমধ্যে এই পদ্ধতির বর্ণনামূলক শক্তি প্রকাশ করে।

অল্প পরিমাণ অনুশীলনের সাথে আপনাকে এই মাঝারি পরিসংখ্যানগুলি আঁকতে হবে না: আপনি কোথায় আছেন তা কল্পনা করতে পারেন এবং ফলস্বরূপ স্কিউনেস সম্পর্কিত তথ্য সরাসরি কোনও বক্সপ্লট থেকে পড়তে পারেন।


MHEDXi=1,2,3,4,5। পরের চিত্রটিতে বাম হাতের প্লট হ'ল এই জোড় করা পরিসংখ্যানের মিডপয়েন্টগুলির জন্য ডায়াগনস্টিক প্লট। ত্বক slালু থেকে, এটি স্পষ্ট যে আমরা তাদের লেজগুলির মধ্যে পৌঁছানোর সাথে সাথে ডেটা আরও বেশি ইতিবাচকভাবে আঁকিয়ে উঠছে।

চিত্র ২

মাঝারি এবং ডান প্লটগুলি বর্গাকার শিকড়গুলির জন্য একই জিনিস দেখায় ( ডাটাগুলির মধ্যম সংখ্যা পরিসংখ্যানের নয়!) এবং (বেস -10) লগারিদমের জন্য। শিকড়ের মানগুলির আপেক্ষিক স্থিতিশীলতা (আপেক্ষিক ছোট উল্লম্ব পরিসর এবং মাঝখানে opালু স্তরটি লক্ষ্য করুন) নির্দেশ দেয় যে 219 মানের এই ব্যাচটি প্রায় মাঝের অংশে এবং এর লেজের সমস্ত অংশগুলিতে প্রায় সমমিত হয়ে যায় চূড়ান্ততাগুলি যখন উচ্চতাগুলি বর্গমূল হিসাবে পুনরায় প্রকাশ করা হয়। এই বর্গমূলের দিক থেকে এই উচ্চতাগুলির আরও বিশ্লেষণ চালিয়ে যাওয়ার জন্য এই ফলাফলটি একটি শক্তিশালী - প্রায় বাধ্য - ভিত্তি।

অন্যান্য বিষয়গুলির মধ্যে, এই প্লটগুলি তথ্যের অসমত্ব সম্পর্কে কিছু পরিমাণগত কিছু প্রকাশ করে: মূল স্কেলগুলিতে তারা তাত্ক্ষণিকভাবে ডেটাটির বিবিধ skewness প্রকাশ করে (এটির স্নিগ্ধতা চিহ্নিতকরণের জন্য একক পরিসংখ্যান ব্যবহারের উপযোগিতা সম্পর্কে যথেষ্ট সন্দেহ পোষণ করে), অন্যদিকে বর্গক্ষেত্রের স্কেল, ডেটাগুলি তাদের মধ্যম সম্পর্কে প্রতিসমের নিকটবর্তী - এবং তাই সংক্ষিপ্তভাবে পাঁচ-সংখ্যার সংক্ষিপ্তসার বা সমানভাবে একটি বক্সপ্লট দিয়ে সংক্ষিপ্তসার করা যায়। এই স্কিউনেস আবার একটি লগ স্কেলে প্রশংসনীয়ভাবে পরিবর্তিত হয়, লগারিদম দেখানো খুব সহজেই "ডেটা" এই ডেটাগুলি পুনরায় প্রকাশ করার উপায়।

একটি বক্সপ্লটের সাধারণীকরণকে সাত-, নয়- এবং আরও সংখ্যার সংক্ষিপ্তসারগুলি আঁকতে সোজা। টুকি তাদের "স্কিম্যাটিক প্লট" বলে। বর্তমানে অনেক প্লট একই ধরণের উদ্দেশ্যে পরিবেশন করে, কিউকিউ প্লটের মতো স্ট্যান্ডবাই এবং "সিম প্লট" এবং "বেহালা প্লট" এর মতো আপেক্ষিক অভিনবত্ব সহ। (এমনকি স্বল্পতম হিস্টোগ্রামও এই উদ্দেশ্যে পরিষেবাতে চাপ দেওয়া যেতে পারে)) এই জাতীয় প্লটগুলির পয়েন্টগুলি ব্যবহার করে, কেউ বিশদ ফ্যাশনে অসম্পূর্ণতা নির্ধারণ করতে পারে এবং ডেটা পুনরায় প্রকাশ করার উপায়গুলির অনুরূপ মূল্যায়ন করতে পারে।


7

মধ্যস্বত্বের চেয়ে কম বা বেশি হওয়ার অর্থ হ'ল একটি শর্টকাট যা প্রায়শই কোনও প্রকার বিদেশী না থাকায় স্কিউয়ের দিক নির্ধারণের জন্য কাজ করে। এই ক্ষেত্রে, বিতরণ নেতিবাচকভাবে skew হয় তবে আউটলারের কারণে গড়টি মধ্যকের চেয়ে বড়।


যে ব্যাখ্যা। আমি যে বইগুলি পড়েছি সেগুলিতে এটির উল্লেখ নেই!
জেরিডাব্লু

আশা করি বইগুলি অন্তত উল্লিখিতদের চেয়ে কী পরিমাণ কম প্রতিরোধী তা উল্লেখ করেছে!
jsk

Thatণাত্মকভাবে স্কিউড হিসাবে গণনা করা হয় তা নির্ভর করে আপনি কীভাবে স্কিউনেস পরিমাপ করেন on
গ্লেন_বি -রিনস্টেট মনিকা

যথেষ্ট ফর্সা। এটি একটি ছোট ডেটাসেট যা স্কিউনেস বিচার করার জন্য এটি বিশেষভাবে চ্যালেঞ্জক করে তুলেছে। আমি অনুমান করব যে এই উদাহরণটি দুর্ভাগ্যক্রমে কেবল
ছত্রাক

1
আমি সম্মত হচ্ছি যে এর মতো ছোট ছোট ডেটাসেটগুলি এটি চ্যালেঞ্জিং করে তুলতে পারে তবে সমানভাবে চ্যালেঞ্জযুক্ত অবিচ্ছিন্ন বিতরণগুলি নির্ধারণ করা পুরোপুরি সম্ভব।
গ্লেন_বি -রিনস্টেট মনিকা
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.