คำถามติดแท็ก probability

ความน่าจะเป็นให้คำอธิบายเชิงปริมาณของเหตุการณ์ที่เกิดขึ้นโดยเฉพาะ

3
การถดถอยโลจิสติกและโครงสร้างชุดข้อมูล
ฉันหวังว่าฉันจะถามคำถามนี้ได้อย่างถูกวิธี ฉันสามารถเข้าถึงข้อมูลแบบเล่นโดยการเล่นดังนั้นจึงเป็นปัญหามากขึ้นด้วยวิธีที่ดีที่สุดและสร้างข้อมูลได้อย่างถูกต้อง สิ่งที่ฉันต้องการทำคือการคำนวณความน่าจะเป็นในการชนะเกมของ NHL จากคะแนนและเวลาที่เหลืออยู่ในการควบคุม ฉันคิดว่าฉันสามารถใช้การถดถอยโลจิสติก แต่ฉันไม่แน่ใจว่าชุดข้อมูลควรมีลักษณะอย่างไร ฉันจะมีข้อสังเกตหลายครั้งต่อเกมและทุกครั้งที่ฉันสนใจ ฉันจะมีหนึ่งการสังเกตการณ์ต่อเกมและพอดีกับโมเดลที่แยกกันต่อส่วนของเวลาหรือไม่? การถดถอยของโลจิสติกเป็นวิธีที่ถูกต้องหรือไม่ ความช่วยเหลือใด ๆ ที่คุณสามารถให้จะได้รับการชื่นชมอย่างมาก! ขอแสดงความนับถืออย่างสูง.

3
คุณสามารถพูดได้ว่าสถิติและความน่าจะเป็นเป็นเหมือนการชักนำและการหักเงิน?
ฉันได้อ่านหัวข้อนี้และดูเหมือนว่าฉันสามารถกล่าวได้ว่า: สถิติ = การเหนี่ยวนำ? ความน่าจะเป็น = การหักเงิน? แต่ฉันสงสัยว่าอาจมีรายละเอียดเพิ่มเติมเกี่ยวกับการเปรียบเทียบที่ขาดหายไปหรือไม่ ตัวอย่างเช่นสถิติเท่ากับการเหนี่ยวนำหรือเป็นกรณีเฉพาะของมันหรือไม่ ดูเหมือนว่าความน่าจะเป็นกรณีย่อยของการหัก (เนื่องจากเป็นกรณีย่อยของการคิดทางคณิตศาสตร์) ฉันรู้ว่านี่เป็นคำถามที่จู้จี้จุกจิก แต่ในแง่นี้เป็นเหตุผลที่ฉันถามมัน - เพราะฉันต้องการให้แน่ใจว่าเปรียบเทียบข้อตกลงเหล่านี้ได้อย่างแม่นยำ

5
การกระจายของอัตราส่วนระหว่างตัวแปรสุ่มชุดอิสระสองตัว
Supppse XXXและYYYมีการแจกแจงแบบมาตรฐานอย่างสม่ำเสมอใน[0,1][0,1][0, 1]และมีความเป็นอิสระ PDF ของZ=Y/XZ=Y/XZ = Y / Xคืออะไร คำตอบจากตำราทฤษฎีความน่าจะเป็นบางอย่างคือ fZ(z)=⎧⎩⎨1/2,1/(2z2),0,if 0≤z≤1if z>1otherwise.fZ(z)={1/2,if 0≤z≤11/(2z2),if z>10,otherwise. f_Z(z) = \begin{cases} 1/2, & \text{if } 0 \le z \le 1 \\ 1/(2z^2), & \text{if } z > 1 \\ 0, & \text{otherwise}. \end{cases} ฉันสงสัยโดยสมมาตรไม่ควรfZ(1/2)=fZ(2)fZ(1/2)=fZ(2)f_Z(1/2) = f_Z(2) ? นี่ไม่ใช่กรณีตาม PDF ข้างต้น

3
เหตุใดฟังก์ชันการแจกแจงสะสม (CDF) จึงกำหนดการกระจายโดยเฉพาะ
ฉันได้รับการบอกเสมอว่า CDF ไม่เหมือนใคร แต่ PDF / PMF ไม่เหมือนกันทำไมจึงเป็นเช่นนั้น คุณสามารถยกตัวอย่างที่ PDF / PMF ไม่ซ้ำกันได้หรือไม่?

1
ฉันควรจัดการกับความขัดแย้งของ Borel ทางจิตใจได้อย่างไร?
ฉันรู้สึกไม่สบายใจเล็กน้อยกับวิธีที่ฉันจัดการกับความขัดแย้งทางจิตใจของ Borel และ "ความขัดแย้ง" อื่น ๆ ที่เกี่ยวข้องที่เกี่ยวข้องกับความน่าจะเป็นแบบมีเงื่อนไข สำหรับผู้ที่กำลังอ่านสิ่งนี้ซึ่งไม่คุ้นเคยให้ดูที่ลิงก์นี้ การตอบสนองทางจิตใจของฉันจนถึงจุดนี้ส่วนใหญ่มักจะเพิกเฉยเพราะไม่มีใครดูเหมือนจะพูดถึงมัน แต่ฉันรู้สึกว่าฉันควรจะแก้ไขสิ่งนี้ เรารู้ว่าความขัดแย้งนี้มีอยู่แล้วและยังดูเหมือนว่าในทางปฏิบัติ (ตามตัวอย่างมากในการวิเคราะห์แบบเบย์) เรามีความสมบูรณ์ดีด้วยเครื่องเกี่ยวกับเหตุการณ์ของการวัด ; ถ้าคือข้อมูลของฉันเรามีเงื่อนไขในตลอดเวลาแม้ว่านี่จะเป็นเหตุการณ์ของการวัดเมื่อนั้นต่อเนื่อง และแน่นอนว่าเราไม่ได้พยายามสร้างลำดับเหตุการณ์ที่รวมเข้ากับเหตุการณ์ที่เราสังเกตเห็นเพื่อแก้ไขความขัดแย้งอย่างน้อยก็ไม่ชัดเจนX X = x 0 X000XXXX=xX=xX = x000XXX ผมคิดว่านี่เป็นไม่เป็นไรเพราะเราได้รับการแก้ไขเป็นหลักตัวแปรสุ่ม (ในหลักการ) ก่อนการทดลองและเพื่อให้เรามีเครื่องใน(X) นั่นคือคือ -algebra ตามธรรมชาติเนื่องจากข้อมูลกำลังจะถูกใช้ผ่าน - ถ้ามันมาหาเราในแบบอื่นเราก็จะมีเงื่อนไขที่แตกต่างกัน -พีชคณิต. ความขัดแย้งของ Borel เกิดขึ้นเพราะ (ฉันเดา) มันไม่ได้เป็นสิ่งที่เห็นได้ชัดที่เหมาะสมพีชคณิตเงื่อนไขใน แต่คชกรรมได้ระบุ(X) เพราะเรากำลังระบุข้อมูลเบื้องต้นไว้ว่าσ ( X ) σ ( X ) σ X = x …

1
เชื่อมโยงระหว่างฟังก์ชั่นสร้างช่วงเวลาและฟังก์ชั่นพิเศษ
ฉันพยายามเข้าใจการเชื่อมโยงระหว่างฟังก์ชั่นสร้างช่วงเวลากับฟังก์ชั่นพิเศษ ฟังก์ชั่นสร้างช่วงเวลาถูกกำหนดเป็น: MX(t)=E(exp(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n!MX(t)=E(exp⁡(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n! M_X(t) = E(\exp(tX)) = 1 + \frac{t E(X)}{1} + \frac{t^2 E(X^2)}{2!} + \dots + \frac{t^n E(X^n)}{n!} การใช้การขยายอนุกรมของฉันสามารถหาช่วงเวลาทั้งหมดของการแจกแจงสำหรับตัวแปรสุ่ม Xexp(tX)=∑∞0(t)n⋅Xnn!exp⁡(tX)=∑0∞(t)n⋅Xnn!\exp(tX) = \sum_0^{\infty} \frac{(t)^n \cdot X^n}{n!} ฟังก์ชั่นคุณสมบัติถูกกำหนดเป็น: φX(t)=E(exp(itX))=1+itE(X)1−t2E(X2)2!+…+(it)nE(Xn)n!φX(t)=E(exp⁡(itX))=1+itE(X)1−t2E(X2)2!+…+(it)nE(Xn)n! \varphi_X(t) = E(\exp(itX)) = 1 + \frac{it E(X)}{1} - \frac{t^2 E(X^2)}{2!} + \ldots + \frac{(it)^n E(X^n)}{n!} iiii2=−1i2=−1i^2 = -1+++

1
อนุสัญญาสัญกรณ์สำหรับตัวแปรสุ่มและการแจกแจง
ฉันสับสนในความหมายที่เหมาะสมของความหมายรวมถึงความหมายของสัญลักษณ์บางอย่างที่เกี่ยวข้องกับตัวแปรสุ่มและการแจกแจง ด้านล่างนี้ฉันจะเขียนรายการสิ่งที่ฉันคิดว่าเป็นจริงรวมถึงสิ่งที่ฉันไม่เข้าใจและฉันจะรักการแก้ไข / การแก้ไข ฉันติดป้ายแต่ละจุด / คำถามด้วยหมายเลขเพื่อความสะดวกในการอ้างอิง ถ้ามันไม่เหมาะสมที่จะแสดงรายการในคำถามเดียวเช่นนี้โปรดแจ้งให้เราทราบ ฉันคิดว่ามันคงจะโอเคเพราะมันสั้น ตัวแปรสุ่ม notated โดยอักษรตัวใหญ่เช่นXXXX การดำเนินการกับตัวแปรสุ่มหมายถึงอะไร (เช่นคุณแปลความหมายคำได้อย่างไร)X2X2X^2 การดึงที่เฉพาะเจาะจงจากตัวแปรสุ่มจะได้รับการแจ้งโดยตัวอักษรตัวเล็ก (เช่น ) หรือตัวอักษรตัวเล็กที่มีตัวห้อย (เช่น ) หรือตัวเลขตัวพิมพ์ใหญ่ที่มีตัวเลข (เช่น )x 1 X 1xxxx1x1x_1X1X1X_1 ตัวแปรสุ่มที่เป็นสถิติคำสั่งของดึงออกมาจากตัวแปรสุ่มเป็น notated เป็น{}n X X k nkthkthkthnnnXXXXknXknX_{kn} มีวิธีการจดชวเลข "X คือตัวแปรสุ่มที่กระจายโดย F (x) (หรือ" cdf F (x) "หรือ" B (a, b) "หรือวิธีใด ๆ ที่แสดงลักษณะการแจกแจง)" ฉันสามารถเขียนเพื่อหมายถึงความคาดหวังของตัวแปรที่กระจายตามหรือไม่F …

4
ปรีชาสำหรับฟังก์ชันอันตรายสะสม (การวิเคราะห์การอยู่รอด)
ฉันกำลังพยายามที่จะรับสัญชาติญาณสำหรับแต่ละหน้าที่หลักในวิทยาศาสตร์คณิตศาสตร์ประกันภัย (โดยเฉพาะสำหรับ Cox Proportional Hazards Model) นี่คือสิ่งที่ฉันมี: f(x)ฉ(x)f(x) : เริ่มตั้งแต่เวลาเริ่มต้นการกระจายความน่าจะเป็นของเวลาที่คุณจะตาย F(x)F(x)F(x) : แค่การแจกแจงสะสม ในช่วงเวลาประชากร% ใดที่จะตาย?TTT S(x)S(x)S(x) :(x) ในช่วงเวลา % ของประชากรจะมีชีวิตอยู่เท่าไหร่?1−F(x)1−F(x)1-F(x)TTT h(x)h(x)h(x) : ฟังก์ชั่นอันตราย ในช่วงเวลาที่กำหนดของผู้คนยังมีชีวิตอยู่สิ่งนี้สามารถใช้เพื่อประเมินว่ามีกี่คนที่จะตายในช่วงเวลาถัดไปหรือถ้าช่วงเวลา -> 0, ความน่าจะเป็นของการเสียชีวิตแบบ 'ทันที'TTT H(x)H(x)H(x) : อันตรายที่สะสม ไม่มีความเห็น. แนวคิดเบื้องหลังการรวมค่าอันตรายโดยเฉพาะเมื่อต่อเนื่องคืออะไร หากเราใช้ตัวอย่างแบบไม่ต่อเนื่องที่มีอัตราการตายตลอดสี่ฤดูกาลและฟังก์ชั่นอันตรายมีดังนี้: เริ่มต้นที่ Spring ทุกคนยังมีชีวิตอยู่และ 20% จะตาย ตอนนี้ในฤดูร้อนของเหลือ 50% จะตาย ตอนนี้ในฤดูใบไม้ร่วงของที่เหลืออยู่ 75% จะตาย ฤดูกาลสุดท้ายคือฤดูหนาว ของที่เหลืออยู่ 100% จะตาย จากนั้นอันตรายสะสมคือ …

2
รูปแบบการกระจายแบบใดที่ให้“ ความคาดหวังของพีทาโกรัส”?
ให้X∼ Dist ( θX)X~อ.(θX)X \sim \text{Dist}(\theta_X)และY∼ Dist ( θY)Y~อ.(θY)Y \sim \text{Dist}(\theta_Y)เป็นตัวแปรสุ่มแบบอิสระอย่างต่อเนื่องที่สร้างจากรูปแบบการกระจายที่ไม่ระบุรายละเอียดเดียวกัน แต่มีค่าเผื่อสำหรับค่าพารามิเตอร์ที่แตกต่างกัน ฉันสนใจที่จะหารูปแบบการแจกแจงพารามิเตอร์ซึ่งมีความน่าจะเป็นการสุ่มตัวอย่างต่อไปนี้สำหรับค่าพารามิเตอร์ที่อนุญาตทั้งหมด: P(X>Y|θX,θY)=θ2Xθ2X+θ2Y.P(X>Y|θX,θY)=θX2θX2+θY2.\mathbb{P}(X > Y| \theta_X, \theta_Y) = \frac{\theta_X^2}{\theta_X^2 + \theta_Y^2}. คำถามของฉัน:ใครสามารถบอกฉันแบบฟอร์มการกระจายอย่างต่อเนื่องซึ่งสิ่งนี้ถือ? มีเงื่อนไขทั่วไป (ไม่สำคัญ) ที่นำไปสู่สิ่งนี้หรือไม่? ความคิดเบื้องต้นของฉัน:หากคุณคูณพารามิเตอร์ทั้งสองด้วยค่าคงที่ที่ไม่เป็นศูนย์ใด ๆ ความน่าจะเป็นยังคงไม่เปลี่ยนแปลงดังนั้นจึงเหมาะสมที่จะเป็นพารามิเตอร์มาตราส่วนบางชนิดθθ\theta

6
ฉันจะค้นพบการกระจายตัวแบบปกติได้อย่างไร?
อะไรคือการสืบทอดครั้งแรกของการแจกแจงแบบปกติคุณสามารถทำซ้ำสิ่งที่ได้มาและอธิบายในบริบททางประวัติศาสตร์ได้ไหม ฉันหมายความว่าถ้ามนุษยชาติลืมเกี่ยวกับการแจกแจงแบบปกติวิธีที่น่าจะเป็นไปได้ที่ฉันจะค้นพบมันอีกครั้งและสิ่งที่น่าจะเป็นไปได้มากที่สุดคืออะไร? ฉันเดาว่าการพิสูจน์ครั้งแรกต้องมาเป็นผลพลอยได้จากการพยายามหาวิธีที่รวดเร็วในการคำนวณการแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่องขั้นพื้นฐานเช่นทวินาม ถูกต้องหรือไม่

1
ช่องว่างสูงสุดระหว่างตัวอย่างที่วาดโดยไม่ต้องเปลี่ยนจากการแจกแจงแบบไม่ต่อเนื่อง
ปัญหานี้เกี่ยวข้องกับการวิจัยในห้องปฏิบัติการของฉันเกี่ยวกับการครอบคลุมของหุ่นยนต์: สุ่มตัวเลขจาก setโดยไม่มีการแทนที่และเรียงลำดับตัวเลขจากมากไปหาน้อย เมตรnnn{1,2,…,m}{1,2,…,m}\{1,2,\ldots,m\}1≤n≤m1≤n≤m1\le n\le m จากรายการที่เรียงลำดับหมายเลข , สร้างความแตกต่างระหว่างตัวเลขที่ต่อเนื่องกันและขอบเขต:\} นี่จะให้ช่องว่างของn + 1{a(1),a(2),…,a(n)}{a(1),a(2),…,a(n)}\{a_{(1)},a_{(2)},…,a_{(n)}\}g={a(1),a(2)−a(1),…,a(n)−a(n−1),m+1−a(n)}g={a(1),a(2)−a(1),…,a(n)−a(n−1),m+1−a(n)}g = \{a_{(1)},a_{(2)}−a_{(1)},\ldots,a_{(n)}−a_{(n-1)},m+1-a_{(n)}\}n+1n+1n+1 การกระจายตัวของช่องว่างสูงสุดคืออะไร? P(max(g)=k)=P(k;m,n)=?P(max(g)=k)=P(k;m,n)=?P(\max(g) = k) = P(k;m,n) = ? คุณสามารถใส่กรอบนี้โดยใช้สถิติการสั่งซื้อ : P(g(n+1)=k)=P(k;m,n)=?P(g(n+1)=k)=P(k;m,n)=?P(g_{(n+1)} = k) = P(k;m,n) = ? ดูลิงค์สำหรับการกระจายของช่องว่างแต่คำถามนี้ถามกระจายช่องว่างสูงสุด ฉันจะพอใจกับค่าเฉลี่ยE[g(n+1)]E[g(n+1)]\mathbb{E}[g_{(n+1)}]1)}] หากn=mn=mn=mช่องว่างทั้งหมดคือขนาด 1 หากn+1=mn+1=mn+1 = mจะมีช่องว่างขนาดหนึ่ง222และn+1n+1n+1ตำแหน่งที่เป็นไปได้ ขนาดช่องว่างสูงสุดคือm−n+1m−n+1m-n+1และช่องว่างนี้สามารถวางไว้ก่อนหรือหลัง หมายเลขnใด ๆnnnสำหรับตำแหน่งที่เป็นไปได้ทั้งหมดn+1n+1n+1ขนาดช่องว่างสูงสุดที่เล็กที่สุดคือ\⌈m−nn+1⌉⌈m−nn+1⌉\lceil\frac{m-n}{n+1}\rceilกำหนดความน่าจะเป็นของการรวมกันใดก็ตามT=(mn)−1T=(mn)−1T= {m \choose n}^{-1}1} ฉันได้แก้ไขฟังก์ชันความน่าจะเป็นบางส่วนเป็น P(g(n+1)=k)=P(k;m,n)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪011T(n+1)T(n+1)?T(n+1)0k<⌈m−nn+1⌉k=m−nn+1k=1 (occurs when m=n)k=2 (occurs …

2
ระบบพลวัตดูทฤษฎีบทขีด จำกัด กลางหรือไม่?
( โพสต์ครั้งแรกใน MSE) ฉันได้เห็นการอภิปรายแบบฮิวริสติกจำนวนมากของทฤษฎีบทขีด จำกัด กลางแบบคลาสสิกพูดถึงการแจกแจงแบบปกติ (หรือการแจกแจงแบบคงที่ใด ๆ ) เป็น "ตัวดึงดูด" ในพื้นที่ความหนาแน่นของความน่าจะเป็น ตัวอย่างเช่นพิจารณาประโยคเหล่านี้ที่ส่วนบนสุดของการรักษาของ Wikipedia : ในการใช้งานทั่วไปมากขึ้นทฤษฎีบทขีด จำกัด กลางคือชุดของทฤษฎีบทการลู่เข้าแบบอ่อนในทฤษฎีความน่าจะเป็น พวกเขาทั้งหมดแสดงความจริงที่ว่าผลรวมของตัวแปรสุ่มแบบอิสระและแบบกระจาย (iid) จำนวนมากหรือมิฉะนั้นตัวแปรสุ่มที่มีการพึ่งพาประเภทเฉพาะจะมีแนวโน้มที่จะกระจายไปตามชุดการกระจายตัวเล็ก ๆ ชุดหนึ่ง เมื่อความแปรปรวนของตัวแปร iid มีจำนวน จำกัด การกระจายตัวดึงดูดจะเป็นการแจกแจงแบบปกติ ภาษาของระบบพลวัตนี้มีการชี้นำอย่างมาก เฟลเลอร์ยังพูดถึง "การดึงดูด" ในการรักษา CLT ในเล่มที่สองของเขา (ฉันสงสัยว่านั่นคือที่มาของภาษา) และ Yuval Flimus ในบันทึกนี้ยังพูดถึง "อ่างแห่งการดึงดูด" (ฉันไม่คิดว่าเขาหมายถึง "รูปแบบที่แน่นอนของแหล่งท่องเที่ยวนั้นสามารถอนุมานได้ล่วงหน้า" แต่ค่อนข้าง "รูปแบบที่แน่นอนของตัวดึงดูดนั้นสามารถอนุมานได้ล่วงหน้า"; ยังมีภาษาอยู่) คำถามของฉันคือ: สามารถ การเปรียบเทียบแบบไดนามิกจะทำให้แม่นยำ?ฉันไม่รู้หนังสือที่พวกเขาเป็นอยู่ - แม้ว่าหนังสือหลายเล่มจะชี้ให้เห็นว่าการแจกแจงแบบปกตินั้นพิเศษสำหรับความมั่นคงภายใต้การบิด …

4
มีกฎหมายหรือไม่ที่บอกว่าถ้าคุณทดลองมากพอจะเกิดเรื่องหายาก?
ฉันกำลังพยายามสร้างวิดีโอเกี่ยวกับลูกเต๋าที่บรรจุอยู่และในจุดหนึ่งในวิดีโอที่เราหมุนประมาณ 200 ลูกเต๋าใช้เวลาทั้งหมดหกแต้มหมุนมันอีกครั้ง เรามีคนตายหนึ่งคนที่เกิดขึ้น 6 ครั้งติดต่อกันซึ่งเห็นได้ชัดว่าไม่ผิดปกติเพราะน่าจะเกิดขึ้น 1/216 ครั้งและเรามีลูกเต๋าประมาณ 200 ตัว ดังนั้นฉันจะอธิบายได้อย่างไรว่ามันไม่แปลก ดูเหมือนจะไม่เหมือนกฎของคนจำนวนมาก ฉันต้องการพูดบางอย่างเช่น "ถ้าคุณทำแบบทดสอบมากพอแม้กระทั่งสิ่งที่ไม่น่าจะเกิดขึ้น" แต่คู่หูของฉันบอกว่าผู้คนอาจมีปัญหากับคำศัพท์ "ผูกพันกับ" มีวิธีมาตรฐานในการระบุแนวคิดนี้หรือไม่?

1
นิพจน์แบบปิดสำหรับควอนไทล์ของ
ฉันมีตัวแปรสุ่มสองตัวโดยที่คือการกระจายแบบ 0-1U ( 0 , 1 )αi∼iid U(0,1),i=1,2αi∼iid U(0,1),i=1,2\alpha_i\sim \text{iid }U(0,1),\;\;i=1,2U(0,1)U(0,1)U(0,1) จากนั้นสิ่งเหล่านี้ให้กระบวนการพูดว่า: P( x ) = α1บาป( x ) + α2cos( x ) ,x∈(0,2π)P(x)=α1sin⁡(x)+α2cos⁡(x),x∈(0,2π)P(x)=\alpha_1\sin(x)+\alpha_2\cos(x), \;\;\;x\in (0,2\pi) ตอนนี้ฉันกำลังสงสัยว่ามีการแสดงออกในรูปแบบปิดสำหรับเชิงทฤษฎี 75 เปอร์เซ็นต์ quantile ของสำหรับ - ฉันคิดว่าฉันสามารถทำได้ด้วยคอมพิวเตอร์และการรับรู้จำนวนมากของแต่ฉันชอบรูปแบบปิด -P ( x ) x ∈ ( 0 , 2 π ) P ( x )F−1(P(x);0.75)F−1(P(x);0.75)F^{-1}(P(x);0.75)P(x)P(x)P(x)x∈(0,2π)x∈(0,2π)x\in(0,2\pi)P(x)P(x)P(x)

5
หนังสือทฤษฎีความน่าจะเป็นสำหรับการศึกษาด้วยตนเอง
มีหนังสือที่ดีที่อธิบายแนวคิดที่สำคัญของทฤษฎีความน่าจะเป็นเช่นฟังก์ชันการแจกแจงความน่าจะเป็นและฟังก์ชันการแจกแจงสะสมหรือไม่ กรุณาหลีกเลี่ยงการอ้างอิงหนังสือเช่น "คณิตศาสตร์สถิติและการวิเคราะห์ข้อมูล" โดย John Rice ซึ่งเริ่มต้นด้วยแนวคิดการเปลี่ยนแปลงแบบง่าย ๆ จากนั้นทันใดนั้น (ในบทที่ 2) ใช้ความก้าวกระโดดที่สมมติว่ามีความรู้ในการวิเคราะห์จริง PDF และแสดงเป็นตัวเลขสามมิติ หนึ่งถูกทิ้งไว้ที่หัวเกาเป็นวิธีการเชื่อมต่อทุกอย่าง ฉันกำลังมองหาหนังสือเรียนด้วยตนเองและหนังสือทุกเล่มในหมวดหมู่เดียวกันกับ "แคลคูลัสสำหรับผู้ปฏิบัติ" จะเป็นประโยชน์อย่างมาก

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