คำถามติดแท็ก self-study

ในหนังสือแบบจำลองทางสถิติและวิธีการสำหรับข้อมูลอายุการใช้งานเขียนไว้: การเซ็นเซอร์:เมื่อการสังเกตไม่สมบูรณ์เนื่องจากสาเหตุบางอย่างแบบสุ่ม การตัดปลาย:เมื่อธรรมชาติที่ไม่สมบูรณ์ของการสังเกตเกิดจากกระบวนการคัดเลือกอย่างเป็นระบบซึ่งมีอยู่ในการออกแบบการศึกษา อะไรคือความหมายของ "กระบวนการคัดเลือกอย่างเป็นระบบซึ่งมีอยู่ในการออกแบบการศึกษา" ในคำจำกัดความของการตัดทอน? การเซ็นเซอร์และการตัดทอนแตกต่างกันอย่างไร

30 self-study  censoring  truncation 

ฉันกำลังอ่านบันทึกการบรรยายของ Andrew Ng เกี่ยวกับ Machine Learning บันทึกแนะนำให้รู้จักกับการถดถอยโลจิสติกและจากนั้นเพื่อ perceptron ในขณะที่อธิบาย Perceptron บันทึกย่อบอกว่าเราเพิ่งเปลี่ยนนิยามของฟังก์ชันขีด จำกัด ที่ใช้สำหรับการถดถอยโลจิสติก หลังจากนั้นเราสามารถใช้แบบจำลอง Perceptron สำหรับการจำแนกประเภท ดังนั้นคำถามของฉันคือ - ถ้าจำเป็นต้องระบุและเราถือว่า Perceptron เป็นเทคนิคการจำแนกประเภทแล้วการถดถอยโลจิสติกคืออะไร? ใช้เพื่อให้ได้ความน่าจะเป็นของจุดข้อมูลที่เป็นหนึ่งในคลาสหรือไม่

30 regression  machine-learning  self-study  logistic  perceptron 

ในคณิตศาสตร์มีสาขาต่าง ๆ เช่นพีชคณิตการวิเคราะห์โทโพโลยีและอื่น ๆ ในการเรียนรู้ของเครื่องจักรนั้นจะมีการควบคุมดูแลการเรียนรู้แบบไม่สนับสนุนและการเสริมแรง ภายในแต่ละสาขามีสาขาย่อยที่ดีกว่าซึ่งจะแบ่งวิธีการเพิ่มเติม ฉันมีปัญหาในการวาดภาพขนานกับสถิติ อะไรคือสาขาหลักของสถิติ (และสาขาย่อย) พาร์ติชันที่สมบูรณ์แบบอาจเป็นไปไม่ได้ แต่มีอะไรดีไปกว่าแผนที่เปล่าขนาดใหญ่ ตัวอย่างภาพ:

30 self-study  classification 

ฉันมีรูปแบบการถดถอยแบบโลจิสติกแบบไบนารีที่มีการปลอม R-squared ของ McFadden 0.192 โดยมีตัวแปรตามเรียกว่าการชำระเงิน (1 = การชำระเงินและ 0 = ไม่มีการชำระเงิน) การตีความ R-squared แบบหลอกคืออะไร? มันเป็นการเปรียบเทียบแบบสัมพัทธ์สำหรับโมเดลที่ซ้อนกัน (เช่นแบบจำลองตัวแปร 6 ตัวมีการปลอม R-squared ของ McFadden 0.192 ในขณะที่แบบจำลองตัวแปร 5 ตัว (หลังจากลบตัวแปรหนึ่งตัวจากแบบจำลองตัวแปร 6 ดังกล่าวข้างต้น) รุ่นตัวแปร 5 ตัวนี้มีหลอก R - จาก 0.131 เราอยากจะเก็บตัวแปรที่ 6 ไว้ในตัวแบบหรือไม่? หรือเป็นปริมาณที่แน่นอน (เช่นแบบจำลองที่กำหนดซึ่งมีการหลอกของ McFadden R-squared ของ 0.192 นั้นดีกว่ารุ่นใด ๆ ที่มีแบบหลอกของ McFadden R-squared …

29 regression  self-study  logistic 

มีคำถามที่มีเจตนาคล้ายกันในโปรแกรมเมอร์คือ. คำถามนั้นมีคำตอบที่ดี แต่ชุดรูปแบบทั่วไปดูเหมือนว่าจะไม่มีการศึกษาด้วยตนเองคุณจะไม่ไปไหน เห็นได้ชัดว่ามีความแตกต่างที่สำคัญระหว่างการเขียนโปรแกรมและสถิติ - ด้วยการเขียนโปรแกรมคุณเพียงแค่เรียนรู้ตรรกะพื้นฐานบางอย่างแล้วใช้มันซ้ำ ๆ ภาษาใหม่ทั้งหมดใช้แนวคิดพื้นฐานเดียวกัน การศึกษาด้วยตนเองช่วยให้คุณเรียนรู้แนวคิดขั้นสูงมากขึ้นและมีประสิทธิภาพมากขึ้น สิ่งประเภทนี้ค่อนข้างยากที่จะสอน สถิติค่อนข้างแตกต่างกัน มันง่ายที่จะใช้ตรรกะที่เกี่ยวข้อง - เพราะคนอื่นมักจะวางวิธีการ อันที่จริงวิธีการมักจะเป็นสิ่งที่สอนในมหาวิทยาลัยส่วนใหญ่ แต่สถิตินั้นลึกกว่านั้นมากและเกี่ยวข้องกับแนวคิดระดับสูงจริงๆ มันยากที่จะมองหาแนวคิดเหล่านั้นถ้าสิ่งที่คุณได้รับการสอนคือสถิติประยุกต์ให้เข้าใจ แต่เพียงอย่างเดียว (แม้ว่าฉันจะสงสัยว่ามันอาจเกิดจากศัพท์แสงในสนาม) นอกจากนี้ฉันพบว่าการเรียนรู้ด้วยตนเองในการเขียนโปรแกรมเกี่ยวข้องกับการอ่านบทความสั้น ๆ / บล็อกจำนวนมากเพื่อแนะนำตัวคุณเองกับแนวคิดใหม่ในขณะที่บทความเกี่ยวกับสถิติที่เข้าถึงได้นั้นมักจะมุ่งไปที่ผู้เริ่มต้นโดยรวม ตนเอง ดังนั้นคำถามคือ: การศึกษาด้วยตนเองมีความเหมาะสมมากกว่าหรือน้อยกว่าการศึกษาในมหาวิทยาลัยสำหรับสถิติหรือไม่ มีวิธีการอะไรบ้างในการเรียนรู้ด้วยตนเอง ตัวอย่างใด ๆ ของสิ่งที่ได้ผลกับคนก่อนจะได้รับการต้อนรับ (นี่น่าจะเป็นวิกิชุมชน แต่ฉันไม่เห็นช่องทำเครื่องหมาย)

28 self-study  references  teaching 

ฉันเพิ่งอ่านบทความนี้ซึ่งอธิบายถึงวิธีการคำนวณความสามารถในการทำซ้ำ (ความน่าเชื่อถือหรือความสัมพันธ์ภายในอินทราเน็ต) ของการวัดผ่านการสร้างแบบจำลองเอฟเฟกต์ผสม รหัส R จะเป็น: #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute …

28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 

การเดินแบบสุ่มที่กำหนดเป็นโดยที่เป็นเสียงสีขาว แสดงว่าตำแหน่งปัจจุบันคือผลรวมของตำแหน่งก่อนหน้า + คำที่ไม่ถูกคาดการณ์Yเสื้อ= Yt - 1+ eเสื้อYเสื้อ=Yเสื้อ-1+อีเสื้อY_{t} = Y_{t-1} + e_tอีเสื้ออีเสื้อe_t คุณสามารถพิสูจน์ได้ว่าฟังก์ชันค่าเฉลี่ยเนื่องจากμเสื้อ= 0μเสื้อ=0\mu_t = 0 E( Yเสื้อ) = E( e1+ e2+...+et)=E(e1)+E(e2)+...+E(et)=0+0+...+0E(Yเสื้อ)=E(อี1+อี2+...+อีเสื้อ)=E(อี1)+E(อี2)+...+E(อีเสื้อ)=0+0+...+0E(Y_{t}) = E(e_1+ e_2+ ... +e_t) = E(e_1) + E(e_2) +... +E(e_t) = 0 + 0 + ... + 0 แต่ทำไมความแปรปรวนเพิ่มขึ้นเป็นเส้นตรงตามเวลา? สิ่งนี้มีบางอย่างที่เกี่ยวกับการไม่สุ่ม "บริสุทธิ์" เนื่องจากตำแหน่งใหม่มีความสัมพันธ์กับตำแหน่งก่อนหน้าหรือไม่ แก้ไข: ตอนนี้ฉันมีความเข้าใจที่ดีขึ้นมากโดยการเห็นภาพตัวอย่างของการเดินสุ่มขนาดใหญ่และที่นี่เราสามารถสังเกตได้อย่างง่ายดายว่าความแปรปรวนโดยรวมเพิ่มขึ้นเมื่อเวลาผ่านไป และค่าเฉลี่ยก็ประมาณตามคาด บางทีนี่อาจเป็นเรื่องเล็กน้อยเนื่องจากในช่วงแรก ๆ …

28 time-series  self-study  mathematical-statistics  stochastic-processes  random-walk 

ฉันไม่เคยมีโอกาสไปเยี่ยมชมหลักสูตรสถิติจากคณะคณิตศาสตร์ ฉันกำลังมองหาทฤษฎีความน่าจะเป็นและหนังสือสถิติที่สมบูรณ์และพึ่งพาตนเองได้ โดยสมบูรณ์ฉันหมายความว่ามันมีการพิสูจน์ทั้งหมดและไม่เพียง แต่ระบุผลลัพธ์ พอเพียงฉันหมายความว่าฉันไม่จำเป็นต้องอ่านหนังสือเล่มอื่นเพื่อให้สามารถเข้าใจหนังสือเล่มนี้ได้ แน่นอนว่ามันต้องมีระดับวิทยาลัย (นักเรียนคณิตศาสตร์) แคลคูลัสและพีชคณิตเชิงเส้น ฉันดูหนังสือหลายเล่มและฉันไม่ชอบเลย DeGroot & Schervish (2011) ความน่าจะเป็นและสถิติ (รุ่นที่ 4) Pearson สิ่งนี้ยังไม่สมบูรณ์เพียงพอ มันระบุสิ่งต่าง ๆ มากมายโดยไม่ได้รับมา นอกจากนั้นฉันชอบมัน Wasserman (2004) สถิติทั้งหมด: หลักสูตรรัดกุมในการอนุมานทางสถิติสปริงเกอร์ ไม่ชอบเลย เกือบจะไม่มีคำอธิบาย "การชั่งน้ำหนักราคาต่อรอง" จาก David Williams เป็นทางการมากกว่า DeGroot และดูเหมือนว่าจะสมบูรณ์และพึ่งพาตนเองได้ อย่างไรก็ตามฉันพบว่าสไตล์แปลก ๆ เขายังประดิษฐ์คำศัพท์ใหม่ที่ดูเหมือนว่าเขาจะใช้เท่านั้น ทุกสิ่งที่อธิบายใน DeGroot ก็อธิบายได้ดีกว่าเช่นกัน ถ้าคุณรู้หนังสือที่ดีในภาษาเยอรมันมันก็ใช้ได้เหมือนฉันเป็นคนเยอรมัน

28 probability  self-study  mathematical-statistics  references 

เมื่อฉันใช้ GAM มันให้ DF ที่เหลือกับฉันคือ (บรรทัดสุดท้ายในรหัส) นั่นหมายความว่าอย่างไร? นอกเหนือไปจากตัวอย่างของ GAM โดยทั่วไปแล้วจำนวนองศาความเป็นอิสระจะเป็นจำนวนที่ไม่ใช่จำนวนเต็มหรือไม่26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

ฉันมีคำถามเกี่ยวกับสิ่งที่ครูสถิติของฉันพูดเกี่ยวกับปัญหาต่อไปนี้ คำถามของฉันไม่ได้เกี่ยวกับการเกิดขึ้นของความขัดแย้งของ Simpson ในสถานการณ์นี้ คำถามของฉันเป็นเพียงการยืนยันของอาจารย์ว่า A) และ D) เป็นคำตอบที่ถูกต้องแทนที่จะเป็น A) และ F) เขาพูดว่า: "เนื่องจากอัตราความสำเร็จต่ำมากสำหรับการผ่าตัด Type E เราจึงสามารถสรุปได้ว่ามันยากและไม่ใช่เรื่องแปลกดังนั้นความเมตตาอาจมีเครื่องมือ / แพทย์ที่ดีกว่าเมื่อเทียบกับ Hope" ฉันไม่เข้าใจว่าเขาสามารถอนุมานได้อย่างไรว่าความเมตตาทำให้ "การผ่าตัดยากขึ้น" เห็นได้ชัดว่าความเมตตามีอัตราความสำเร็จดีกว่าในการทำศัลยกรรมประเภท E แต่เหตุใดจึงหมายความว่าพวกเขาทำ "การผ่าตัดที่ยากขึ้น" ฉันคิดว่าฉันกำลังเมาเพราะถ้อยคำของปัญหานี้และอาจารย์ไม่ได้ทำอะไร ใครช่วยอธิบายหน่อยได้ไหมว่าทำไมฉันถึงทำผิดหรืออธิบายได้อย่างไรกับอาจารย์? มีโรงพยาบาลสองแห่งชื่อ Mercy and Hope ในเมืองของคุณ คุณต้องเลือกหนึ่งในสิ่งเหล่านี้ที่จะเข้ารับการผ่าตัด คุณตัดสินใจที่จะตัดสินใจบนพื้นฐานของความสำเร็จของทีมผ่าตัดของพวกเขา โชคดีที่ภายใต้แผนสุขภาพใหม่โรงพยาบาลให้ข้อมูลเกี่ยวกับความสำเร็จในการดำเนินงานของพวกเขาแบ่งออกเป็นห้าประเภทกว้างของการดำเนินงาน สมมติว่าคุณได้รับข้อมูลต่อไปนี้สำหรับโรงพยาบาลสองแห่ง: Mercy Hospital Type A B C D E All Operations 359 1836 299 …

27 self-study  confounding  simpsons-paradox 

ฉันกำลังเรียนสถิติอนุมานบน Coursera หนึ่งในการมอบหมายคำถามต่อไปนี้เกิดขึ้น | Suppose you rolled the fair die twice. What is the probability of rolling the same number two times in a row? 1: 2/6 2: 1/36 3: 0 4: 1/6 Selection: 2 | You're close...I can feel it! Try it again. | Since we don't care what …

26 probability  self-study  conditional-probability 

เมื่อเราอ่านหนังสือการทำความเข้าใจสัญลักษณ์มีบทบาทสำคัญในการทำความเข้าใจเนื้อหา น่าเสียดายที่ชุมชนต่าง ๆ มีระเบียบแบบสัญกรณ์ต่างกันสำหรับการกำหนดสูตรในแบบจำลองและปัญหาการปรับให้เหมาะสม คนใดคนหนึ่งสามารถสรุปการกำหนดสูตรบางอย่างที่นี่และให้เหตุผลที่เป็นไปได้? ฉันจะให้ตัวอย่างที่นี่: ในวรรณคดีพีชคณิตเชิงเส้นหนังสือคลาสสิกแปลกเบื้องต้นเกี่ยวกับพีชคณิตเชิงเส้น สัญกรณ์ที่ใช้มากที่สุดในหนังสือเล่มนี้คือ Ax=bAx=b A x=b ที่ไหนเป็นเมทริกซ์ค่าสัมประสิทธิ์ ,เป็นตัวแปรที่จะแก้ไขและเป็นเวกเตอร์บนด้านขวาของสมการ เหตุผลหนังสือเลือกสัญกรณ์นี้เป็นเป้าหมายหลักของพีชคณิตเชิงเส้นคือการแก้ระบบเชิงเส้นและคิดออกว่าเป็นเวกเตอร์xด้วยการกำหนดสูตรดังกล่าวปัญหาการเพิ่มประสิทธิภาพของ OLS คือAAAxxxbbbxxx minimizex ∥Ax−b∥2minimizex ‖Ax−b‖2 \underset{x}{\text{minimize}}~~ \|A x-b\|^2 ในสถิติหรือการเรียนรู้ด้วยเครื่อง (จากองค์ประกอบของหนังสือของการเรียนรู้ทางสถิติ ) ผู้คนใช้สัญลักษณ์ที่แตกต่างกันเพื่อแสดงสิ่งเดียวกัน: Xβ=yXβ=yX \beta= y ที่ไหนXXXเป็นเมทริกซ์ข้อมูล , ββ\betaเป็นค่าสัมประสิทธิ์หรือน้ำหนักที่จะเรียนรู้การเรียนรู้ , yyyคือการตอบสนอง เหตุผลที่คนใช้นี้เป็นเพราะคนที่อยู่ในสถิติหรือชุมชนการเรียนรู้เครื่องข้อมูลการขับเคลื่อนเพื่อให้ข้อมูลและตอบสนองเป็นสิ่งที่น่าสนใจที่สุดสำหรับพวกเขาที่พวกเขาใช้XXXและyyyที่จะเป็นตัวแทน ตอนนี้เราสามารถเห็นความสับสนที่เป็นไปได้ทั้งหมด: AAAในสมการแรกเหมือนกับXXXในสมการที่สอง และในสมการที่สองXXXไม่จำเป็นต้องมีการแก้ไข สำหรับข้อกำหนด: AAAคือเมทริกซ์สัมประสิทธิ์ในพีชคณิตเชิงเส้น แต่เป็นข้อมูลในสถิติ ββ\betaถูกเรียกว่า "สัมประสิทธิ์" นอกจากนี้ฉันพูดถึงXβ=yXβ=yX \beta=yไม่ใช่สิ่งที่ผู้คนใช้กันอย่างแพร่หลายในการเรียนรู้ของเครื่องจักรคนใช้เวอร์ชันเวกเตอร์ครึ่งหนึ่งที่สรุปจุดข้อมูลทั้งหมด เช่น min∑iL(yi,f(xi))min∑iL(yi,f(xi)) \min \sum_i \text{L}(y_i,f(x_i)) …

26 machine-learning  probability  self-study  optimization 

ฉันเป็นนักศึกษาระดับปริญญาตรีและมีโครงการสำหรับชั้นเรียนความเป็นไปได้ของฉัน โดยพื้นฐานแล้วฉันมีชุดข้อมูลเกี่ยวกับพายุเฮอริเคนที่ส่งผลกระทบต่อประเทศของฉันเป็นเวลาหลายปี ในหนังสือน่าจะเป็นของฉัน (ความน่าจะเป็นและสถิติที่มี R) มีตัวอย่าง (ไม่สมบูรณ์) ของวิธีการตรวจสอบว่าข้อมูลเป็นไปตามการแจกแจงแบบปัวซงพวกเขาเริ่มพยายามพิสูจน์ว่าเกณฑ์ 3 ข้อเหล่านี้: (จากหนังสือของฉันหน้า ตัวอย่าง 120 (เกณฑ์) หน้า 122-123) 1- จำนวนผลลัพธ์ในช่วงเวลาที่ไม่ทับซ้อนกันนั้นเป็นอิสระ กล่าวอีกนัยหนึ่งจำนวนผลลัพธ์ในช่วงเวลา (0, t] เป็นอิสระจากจำนวนผลลัพธ์ในช่วงเวลา (t, t + h], h> 0 2- ความน่าจะเป็นของผลลัพธ์สองรายการขึ้นไปในช่วงเวลาสั้น ๆ ที่เพียงพอเป็นศูนย์ กล่าวอีกนัยหนึ่งหาก h มีขนาดเล็กเพียงพอความน่าจะเป็นที่จะได้รับผลลัพธ์สองช่วงขึ้นไปในช่วงเวลานั้น (t, t + h] นั้นเล็กน้อยเมื่อเทียบกับความน่าจะเป็นที่จะได้ผลลัพธ์หนึ่งหรือศูนย์ในช่วงเวลาเดียวกัน 3- ความน่าจะเป็นของผลลัพธ์หนึ่งรายการในช่วงเวลาสั้น ๆ อย่างเพียงพอหรือพื้นที่ขนาดเล็กเป็นสัดส่วนกับความยาวของช่วงเวลาหรือภูมิภาค กล่าวอีกนัยหนึ่งความน่าจะเป็นที่จะเกิดผลลัพธ์หนึ่งครั้งในช่วงความยาว h คือ lambda * h …

25 r  self-study  poisson-distribution  poisson-process 

ฉันกำลังพยายามปรับให้พอดีกับข้อมูลด้วย GLM (การถดถอยปัวซอง) ในอาร์เมื่อฉันพล็อตส่วนที่เหลือเทียบกับค่าติดตั้งพล็อตที่สร้างหลาย ๆ (เกือบเป็นเส้นตรง สิ่งนี้หมายความว่า? library(faraway) modl <- glm(doctorco ~ sex + age + agesq + income + levyplus + freepoor + freerepa + illness + actdays + hscore + chcond1 + chcond2, family=poisson, data=dvisits) plot(modl)

25 r  self-study  generalized-linear-model  poisson-regression 

การอ้างว่าฟังก์ชันของตัวแปรสุ่มอิสระนั้นเป็นอิสระหรือไม่จริงหรือ ฉันเห็นว่าผลลัพธ์มักจะใช้โดยนัยในการพิสูจน์บางอย่างเช่นในการพิสูจน์ความเป็นอิสระระหว่างค่าเฉลี่ยตัวอย่างและความแปรปรวนตัวอย่างของการแจกแจงแบบปกติ แต่ฉันไม่สามารถหาเหตุผลได้ ดูเหมือนว่าผู้เขียนบางคนใช้มันตามที่กำหนด แต่ฉันไม่แน่ใจว่าเป็นเช่นนี้เสมอ

25 probability  self-study  random-variable  independence