เหตุใดการกระจายส่วนต่าง / ความน่าจะเป็นที่ได้รับเล็กน้อยนั้นอธิบายว่าเป็น

15

Marginal โดยทั่วไปหมายถึงสิ่งที่มีผลขนาดเล็กบางสิ่งที่อยู่นอกระบบที่ใหญ่กว่า มันมีแนวโน้มที่จะลดความสำคัญของสิ่งที่ถูกอธิบายว่าเป็น "ส่วนเพิ่ม"

ดังนั้นวิธีที่ใช้กับความน่าจะเป็นของชุดย่อยของตัวแปรสุ่มได้อย่างไร

สมมติว่าคำต่าง ๆ ถูกนำมาใช้เพราะความหมายของพวกเขาอาจเป็นข้อเสนอที่มีความเสี่ยงในวิชาคณิตศาสตร์ดังนั้นฉันรู้ว่าไม่จำเป็นต้องมีคำตอบที่นี่ แต่บางครั้งคำตอบของคำถามประเภทนี้สามารถช่วยให้คุณเข้าใจได้อย่างแท้จริง ฉันถาม

probability terminology

— สเตฟาน
แหล่งที่มา

1

ที่เกี่ยวข้อง: ปรีชาอยู่เบื้องหลังชื่อ 'บางส่วนและความสัมพันธ์

— gung - Reinstate Monica

1

ขอบคุณ! ตรงกับคำตอบ Jake-Westfall เพื่อพิจารณาความเชื่อของฉันหลังการปรับปรุง :)

— สเตฟาน

1

ความคิดเห็นทฤษฎีบทสุดท้ายของแฟร์มาต์ไม่ได้ทำให้ด้อยลง ...

— smci

26

พิจารณาตารางด้านล่าง (คัดลอกมาจากเว็บไซต์นี้ ) ซึ่งแสดงถึงความน่าจะเป็นที่เกิดร่วมกันของผลลัพธ์จากการทอยลูกเต๋าสองลูก:

ด้วยวิธีการทั่วไปและเป็นธรรมชาติในการแสดงการแจกแจงความน่าจะเป็นส่วนเพิ่มของผลลัพธ์จากลูกเต๋าแต่ละตัวจะถูกเขียนอย่างแท้จริงที่ขอบของตาราง (แถว / คอลัมน์ที่เน้นสี)

แน่นอนว่าเราไม่สามารถสร้างตารางดังกล่าวสำหรับตัวแปรสุ่มอย่างต่อเนื่อง แต่อย่างไรก็ตามฉันเดาว่านี่คือต้นกำเนิดของคำ

— Jake Westfall
แหล่งที่มา

2

สำหรับตัวแปรต่อเนื่อง 2d ค่าเทียบเท่าจะเป็นรูปแบบความหนาแน่นของพล็อต (อาจใช้สีเพื่อเป็นตัวแทนความหนาแน่น) โดยมีการแจกแจงส่วนขอบที่แท้จริงในระยะขอบของพล็อต

— user36196

11

$(X, Y)$ $X$ $x$

พี (x) = \int พี (x, Y) d Y = \int พี (x | Y) พี (Y) d Y,

$p(x) = \int p(x, y)dy = \int p(x | y)p(y)dy,$

X

$X$

Y

$Y$

1, \dots, 6

$1, \dots, 6$

พี (X = 1) = Σ_{Y = 1}^{6} พี (X = 1, Y = Y)

$p(X = 1) = \sum_{y = 1}^6 p(X = 1, Y = y)$

i = 1

$i = 1$

ฉันคิดว่ามันง่ายกว่าที่จะดูในแง่ของพล็อต ด้านล่างนี้เป็นพล็อตของความหนาแน่นของรอยต่อเมื่อทำการสุ่มตัวอย่างจากส่วนผสมของสอง Gaussians ซึ่งเป็นระยะขอบของ $X$ $Y$

พล็อตเดียวกันที่มีความหนาแน่นเรียบ (คุณสามารถคิดแบบนี้เหมือนกัน แต่ด้วย $X$ $Y$

แปลงทั้งสองนี้ถูกสร้างขึ้นโดยใช้ฟังก์ชั่น jointplot จาก seaborn ( https://seaborn.pydata.org/generated/seaborn.jointplot.html#seaborn.jointplot )

หวังว่านี่จะช่วยได้!

— white_noise
แหล่งที่มา

1

phwoah! แผนภูมิที่ดี ที่เป็นประโยชน์แน่นอน :)

— สเตฟาน

@stephan ขอบคุณ! มันง่ายมากที่จะทำทะเลเป็นสิ่งที่ดีมากสำหรับการทำแปลงที่ชื่นชอบและให้ข้อมูล

— white_noise