คำถามติดแท็ก probability

ความน่าจะเป็นให้คำอธิบายเชิงปริมาณของเหตุการณ์ที่เกิดขึ้นโดยเฉพาะ

4
สัญชาตญาณที่อยู่เบื้องหลังความเป็นอิสระของ
ฉันหวังว่าจะมีคนเสนอข้อโต้แย้งว่าทำไมตัวแปรสุ่ม และ , มีการแจกแจงแบบปกติมาตรฐานมีความเป็นอิสระทางสถิติ การพิสูจน์ความจริงนั้นเกิดขึ้นได้อย่างง่ายดายจากเทคนิค MGF แต่ฉันพบว่ามันตอบโต้ได้ง่ายมากY1=X2−X1Y1=X2−X1Y_1=X_2-X_1Y2=X1+X2Y2=X1+X2Y_2=X_1+X_2XiXiX_i ฉันจะขอบคุณสัญชาตญาณที่นี่ถ้ามี ขอบคุณล่วงหน้า. แก้ไข : ห้อยไม่ได้ระบุสถิติการสั่งซื้อ แต่การสังเกต IID จากการกระจายปกติมาตรฐาน

5
ความน่าจะเป็นของการวาดคำที่กำหนดจากถุงตัวอักษรใน Scrabble
สมมติว่าคุณมีถุงที่มีกระเบื้องแต่ละคนมีตัวอักษรบนมัน มีมีตัวอักษร 'A',พร้อมด้วย 'B' และอื่น ๆ และ 'ไวด์การ์ด' (เรามี ) สมมติว่าคุณมีพจนานุกรมที่มีจำนวนคำ จำกัดnnnnAnAn_AnBnBn_Bn∗n∗n_*n=nA+nB+…+nZ+n∗n=nA+nB+…+nZ+n∗n = n_A + n_B + \ldots + n_Z + n_* คุณเลือกไพ่จากกระเป๋าโดยไม่มีการเปลี่ยนkkk คุณจะคำนวณ (หรือประมาณ) ความน่าจะเป็นที่คุณสามารถจัดรูปแบบของคำที่กำหนดความยาว (ด้วย 1 < l = < k ) จากพจนานุกรมที่ให้การเรียงตัวkได้อย่างไรllllllkkkkkk สำหรับผู้ที่ไม่คุ้นเคยกับ Scrabble (TM) สามารถใช้อักขระตัวแทนเพื่อจับคู่กับตัวอักษรใดก็ได้ ดังนั้นคำว่า 'BOOT' อาจเป็น 'สะกด' ด้วย 'B', '*', 'O', 'T' ลำดับที่ตัวอักษรถูกวาดไม่สำคัญ คำแนะนำ: …

1
ทฤษฎีบทขีด จำกัด กลางและกฎของจำนวนมาก
ฉันมีคำถามของผู้เริ่มต้นเกี่ยวกับทฤษฎีบทขีด จำกัด กลาง (CLT): ฉันทราบว่า CLT ระบุว่าค่าเฉลี่ยของตัวแปรสุ่มของ iid นั้นมีการแจกแจงแบบปกติโดยประมาณ (สำหรับโดยที่คือดัชนีของการสรุป) หรือตัวแปรสุ่มมาตรฐานจะมีการแจกแจงแบบปกติมาตรฐานn→∞n→∞n \to \inftynnn ตอนนี้กฎจำนวนมากระบุอย่างคร่าว ๆ ว่าค่าเฉลี่ยของตัวแปรสุ่มของ iid มาบรรจบกัน (ในความน่าจะเป็นหรือเกือบจะแน่นอน) ตามมูลค่าที่คาดหวัง สิ่งที่ฉันไม่เข้าใจคือ: ถ้าตามที่ CLT ระบุค่าเฉลี่ยจะกระจายไปตามปกติแล้วจะสามารถรวมเข้ากับค่าที่คาดหวังในเวลาเดียวกันได้อย่างไร การบรรจบกันจะบอกฉันว่าเมื่อเวลาผ่านไปความน่าจะเป็นที่ค่าเฉลี่ยนั้นไม่ใช่ค่าที่คาดหวังคือเกือบเป็นศูนย์ดังนั้นการกระจายจะไม่เป็นเรื่องปกติ แต่เป็นศูนย์เกือบทุกที่ยกเว้นตามค่าที่คาดหวัง คำอธิบายใด ๆ ยินดีต้อนรับ

6
เหตุใดสถิติจึงมีประโยชน์เมื่อมีหลายสิ่งที่สำคัญว่าเป็นสิ่งที่มีคนนัด
ฉันไม่รู้ว่ามันเป็นเพียงฉัน แต่ฉันเป็นคนที่ไม่เชื่อในสถิติโดยทั่วไป ฉันสามารถเข้าใจได้ในเกมลูกเต๋าเกมโป๊กเกอร์ ฯลฯ เล็กมากง่าย ๆ เกมที่เล่นซ้ำในตัวเองส่วนใหญ่นั้นใช้ได้ ตัวอย่างเช่นการเชื่อมโยงไปถึงเหรียญบนขอบของมันมีขนาดเล็กพอที่จะยอมรับความน่าจะเป็นที่หัวเชื่อมโยงไปถึงหรือก้อย ~ 50% การเล่นโป๊กเกอร์เกม $ 10 โดยมีเป้าหมายเพื่อให้ได้ชัยชนะ 95% นั้นเป็นเรื่องปกติ แต่จะเกิดอะไรขึ้นถ้าการออมทั้งชีวิต + มากกว่านั้นขึ้นอยู่กับว่าคุณจะชนะหรือไม่ จะรู้ได้อย่างไรว่าคุณชนะในเวลา 95% ในสถานการณ์นั้นจะช่วยฉันได้อย่างไร ค่าที่คาดหวังไม่ได้ช่วยอะไรมาก ตัวอย่างอื่น ๆ ได้แก่ การผ่าตัดที่คุกคามชีวิต นั่นช่วยให้รู้ได้อย่างไรว่าเป็นอัตราการรอดชีวิต 51% เทียบกับอัตราการรอดชีวิต 99% จากข้อมูลที่มีอยู่ ในทั้งสองกรณีฉันไม่คิดว่ามันจะสำคัญสำหรับฉันในสิ่งที่แพทย์บอกฉันและฉันจะไปหามัน หากข้อมูลจริงคือ 75% เขาอาจบอกฉัน (ยกเว้นจรรยาบรรณและกฎหมาย) ว่ามีโอกาสรอดชีวิต 99.99999% ดังนั้นฉันจะรู้สึกดีขึ้น กล่าวอีกนัยหนึ่งข้อมูลที่มีอยู่ไม่สำคัญยกเว้นเป็นแบบทวินาม ถึงอย่างนั้นมันก็ไม่สำคัญว่าจะมีอัตราการรอดชีวิต 99.99999% หรือไม่ถ้าฉันตายจากไป นอกจากนี้ความน่าจะเป็นของแผ่นดินไหว ไม่สำคัญว่าจะเกิดแผ่นดินไหวรุนแรงทุก ๆ x (โดยที่ x> …

3
ผลรวมของตัวแปรสุ่มเลขชี้กำลังดังต่อไปนี้แกมม่าสับสนโดยพารามิเตอร์
ฉันได้เรียนรู้ผลรวมของตัวแปรสุ่มแบบเอกซ์โพเนนเชียลหลังจากการแจกแจงแกมม่า แต่ทุกที่ที่ฉันอ่านการตั้งค่าที่แตกต่างกัน ตัวอย่างเช่น Wiki อธิบายถึงความสัมพันธ์ แต่อย่าพูดว่าพารามิเตอร์ของพวกเขาหมายถึงอะไรจริง ๆ รูปร่างขนาดอัตรา 1 / อัตรา การแจกแจงแบบเชียล: ~xxxexp(λ)exp(λ)exp(\lambda) f(x|λ)=λe−λxf(x|λ)=λe−λxf(x|\lambda )=\lambda {{e}^{-\lambda x}} E[x]=1/λE[x]=1/λE[x]=1/ \lambda var(x)=1/λ2var(x)=1/λ2var(x)=1/{{\lambda}^2} การแจกแจงแกมมา:Γ(shape=α,scale=β)Γ(shape=α,scale=β)\Gamma(\text{shape}=\alpha, \text{scale}=\beta) f(x|α,β)=1βα1Γ(α)xα−1e−xβf(x|α,β)=1βα1Γ(α)xα−1e−xβf(x|\alpha ,\beta )=\frac{1}{{{\beta }^{\alpha }}}\frac{1}{\Gamma (\alpha )}{{x}^{\alpha -1}}{{e}^{-\frac{x}{\beta }}} E[x]=αβE[x]=αβE[x]=\alpha\beta var[x]=αβ2var[x]=αβ2var[x]=\alpha{\beta}^{2} ในการตั้งค่านี้∑i=1nxi∑i=1nxi\sum\limits_{i=1}^{n}{{{x}_{i}}}คืออะไร สิ่งที่ถูกต้องจะเป็นอย่างไร วิธีการเกี่ยวกับการขยายนี้เพื่อไคสแควร์?

5
ปริมาณนี้เกี่ยวข้องกับความเป็นอิสระมีชื่อหรือไม่?
เห็นได้ชัดว่าเหตุการณ์ A และ B มีความเป็นอิสระ IFF Pr = Pr Pr (B)มานิยามปริมาณที่เกี่ยวข้องกัน( A ) ( B )(A∩B)(A∩B)(A\cap B)(A)(A)(A)(B)(B)(B) Q≡Pr(A∩B)Pr(A)Pr(B)Q≡Pr(A∩B)Pr(A)Pr(B)Q\equiv\frac{\mathrm{Pr}(A\cap B)}{\mathrm{Pr}(A)\mathrm{Pr}(B)} ดังนั้น A และ B จึงเป็นอิสระ iff Q = 1 (สมมติว่าตัวส่วนนั้นไม่ใช่ศูนย์) Q มีชื่อจริงหรือไม่? ฉันรู้สึกเหมือนมันหมายถึงแนวคิดพื้นฐานบางอย่างที่กำลังหลบหนีฉันในตอนนี้และฉันจะรู้สึกค่อนข้างโง่ที่ได้ถามคำถามนี้

7
การศึกษา“ กระบวนการสุ่ม” จะช่วยฉันในฐานะนักสถิติได้อย่างไร
ฉันต้องการที่จะตัดสินใจว่าฉันควรเรียนหลักสูตรที่เรียกว่า "บทนำสู่กระบวนการที่มั่นคง" ซึ่งจะจัดขึ้นในภาคการศึกษาถัดไปในมหาวิทยาลัยของฉัน ฉันถามอาจารย์ว่าการเรียนหลักสูตรนี้จะช่วยฉันในฐานะนักสถิติได้อย่างไรเขาบอกว่าเนื่องจากเขามาจากความน่าจะเป็นเขารู้สถิติน้อยมากและไม่รู้วิธีตอบคำถามของฉัน ฉันสามารถคาดเดาได้อย่างไม่มีการศึกษาว่ากระบวนการสุ่มมีความสำคัญในสถิติ แต่ฉันก็อยากรู้ว่าจะรู้ได้อย่างไร นั่นคือในสาขา / วิธีใดความเข้าใจพื้นฐานใน "กระบวนการสุ่ม" จะช่วยให้ฉันทำสถิติได้ดีขึ้นหรือไม่

4
วาดจำนวนเต็มอย่างอิสระและสุ่มจาก 1 ถึงโดยใช้ยุติธรรม d6?
ฉันต้องการวาดจำนวนเต็มจาก 1 ถึงเฉพาะเจาะจงโดยการหมุนลูกเต๋าหกเหลี่ยมที่ยุติธรรมจำนวนหนึ่ง (d6) คำตอบที่ดีจะอธิบายว่าทำไมวิธีการในการสร้างจำนวนเต็มเหมือนกันและเป็นอิสระยังไม่มีข้อความNN ในฐานะที่เป็นตัวอย่างที่เป็นตัวอย่างก็จะเป็นประโยชน์ในการอธิบายถึงวิธีการแก้ปัญหาการทำงานสำหรับกรณีของNN = 150N=150N=150 นอกจากนี้ฉันต้องการให้กระบวนการมีประสิทธิภาพมากที่สุด: หมุนจำนวน d6 โดยเฉลี่ยสำหรับแต่ละหมายเลขที่สร้าง อนุญาตการแปลงจากSenaryเป็นทศนิยม คำถามนี้ได้รับแรงบันดาลใจจาก Meta หัวข้อนี้

2
วิธีการตีความค่าสัมประสิทธิ์จากการถดถอยโลจิสติก?
ฉันมีฟังก์ชั่นความน่าจะเป็นดังต่อไปนี้: Prob = 11 + e- zprob=11+อี-Z\text{Prob} = \frac{1}{1 + e^{-z}} ที่ไหน Z= B0+ B1X1+ ⋯ + BnXn.Z=B0+B1X1+⋯+BnXn.z = B_0 + B_1X_1 + \dots + B_nX_n. แบบจำลองของฉันดูเหมือน ราคา ( Y= 1 ) = 11 + ประสบการณ์( - [ - 3.92 +) 0.014 × ( เพศ) ] )ราคา(Y=1)=11+ประสบการณ์⁡(-[-3.92+0.014×(เพศ)])\Pr(Y=1) = \frac{1}{1 + …

3
จำนวนที่คาดว่าจะโยนจนกว่าจะถึงหัวครั้งแรกขึ้นมา
สมมติว่าเหรียญยุติธรรมถูกโยนซ้ำ ๆ จนกว่าจะได้รับหัวเป็นครั้งแรก จำนวนของการโยนที่คาดว่าจะต้องมีเท่าไหร่? จำนวนหางที่คาดหวังที่จะได้รับก่อนที่จะได้รับหัวแรกคืออะไร?

3
สร้างคะแนนอย่างมีประสิทธิภาพระหว่างหน่วยวงกลมและหน่วยสี่เหลี่ยม
ฉันต้องการสร้างตัวอย่างจากขอบเขตสีฟ้าที่กำหนดไว้ที่นี่: โซลูชันไร้เดียงสาคือใช้การสุ่มตัวอย่างการปฏิเสธในหน่วยสี่เหลี่ยมจัตุรัส แต่ให้ประสิทธิภาพเพียง (~ 21.4%)1−π/41−π/41-\pi/4 มีวิธีที่ฉันสามารถตัวอย่างมีประสิทธิภาพมากขึ้น?

3
ฉันจะจำลองการพลิกจนกว่าจะประสบความสำเร็จ N ได้อย่างไร
คุณและฉันตัดสินใจที่จะเล่นเกมที่เราผลัดกันพลิกเหรียญ ผู้เล่นคนแรกที่พลิก 10 หัวรวมเป็นผู้ชนะในเกม โดยธรรมชาติมีข้อโต้แย้งว่าใครควรไปก่อน แบบจำลองของเกมนี้แสดงให้เห็นว่าผู้เล่นที่จะโยนครั้งแรกชนะ 6% มากกว่าผู้เล่นที่พลิกที่สอง (ผู้เล่นคนแรกชนะประมาณ 53% ของเวลา) ฉันสนใจในการสร้างแบบจำลองการวิเคราะห์นี้ นี่ไม่ใช่ตัวแปรสุ่มแบบทวินามเนื่องจากไม่มีการทดลองจำนวนคงที่ (พลิกจนกว่าจะมีใครได้รับ 10 หัว) ฉันจะทำแบบนี้ได้อย่างไร มันคือการกระจายตัวแบบทวินามลบหรือไม่ เพื่อที่จะสามารถสร้างผลลัพธ์ของฉันใหม่นี่คือรหัสหลามของฉัน: import numpy as np from numba import jit @jit def sim(N): P1_wins = 0 P2_wins = 0 for i in range(N): P1_heads = 0 P2_heads = 0 while True: P1_heads += …

1
การวาด n ช่วงเวลาอย่างสม่ำเสมอโดยบังเอิญความน่าจะเป็นที่อย่างน้อยหนึ่งช่วงเวลาทับซ้อนกับส่วนอื่น ๆ ทั้งหมด
สุ่มวาดnnnช่วงเวลาจาก[ 0 , 1 ][0,1][0,1]ซึ่งแต่ละจุดสิ้นสุด A, B ได้รับการคัดเลือกจากการจำหน่ายเครื่องแบบระหว่าง[ 0 , 1[0,1][0,1] ] ความน่าจะเป็นที่อย่างน้อยหนึ่งช่วงเวลาซ้อนทับกับช่วงเวลาอื่น ๆ ทั้งหมดคืออะไร

1
ความน่าจะเป็นบันทึกเทียบกับผลคูณของความน่าจะเป็น
อ้างอิงจากบทความวิกิพีเดียหนึ่งสามารถแสดงผลิตภัณฑ์ของความน่าจะx⋅yเป็นที่-log(x) - log(y)ทำให้การคำนวณที่ดีที่สุดในการคำนวณ แต่ถ้าฉันลองตัวอย่างพูดว่า: p1 = 0.5 p2 = 0.5 p1 * p2 = 0.25 -log(p1) - log(p2) = 2 p3 = 0.1 p4 = 0.1 p3 * p4 = 0.01 -log(p3) - log(p4) = 6.64 ผลคูณของความน่าจะเป็นp1และp2สูงกว่าค่าใดค่าหนึ่งp3และp4ความน่าจะเป็นบันทึกนั้นต่ำกว่า มาทำไม

3
pdf และ pmf และ cdf มีข้อมูลเหมือนกันหรือไม่?
pdf และ pmf และ cdf มีข้อมูลเหมือนกันหรือไม่? สำหรับฉัน pdf ให้ความน่าจะเป็นทั้งหมดจนถึงจุดหนึ่ง (โดยทั่วไปคือพื้นที่ภายใต้ความน่าจะเป็น) pmf ให้ความน่าจะเป็นของบางจุด cdf ให้ความน่าจะเป็นภายใต้จุดหนึ่ง ดังนั้นสำหรับฉันไฟล์ PDF และ cdf มีข้อมูลเหมือนกัน แต่ pmf ไม่ได้เพราะมันให้ความน่าจะเป็นสำหรับxการแจกแจง

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.