Στατιστική

Συνεχής Γενικά διακριτά δεδομένα είναι απαντήσεις ολόκληρου του αριθμού. Όπως με πόσα δέντρα ή γραφεία ή ανθρώπους. Επίσης, τα μεγέθη παπουτσιών είναι διακριτά. Αλλά το βάρος, το ύψος και ο χρόνος είναι παραδείγματα συνεχών δεδομένων. Μια μέθοδος για να αποφασίσετε αν παίρνετε δύο φορές 9 δευτερόλεπτα και 10 δευτερόλεπτα, μπορεί να έχετε έναν χρόνο μεταξύ αυτών των δύο; Ναι χρόνο παγκόσμιου ρεκόρ Usain Bolt 9,58 δευτερόλεπτα Εάν παίρνετε 9 γραφεία και 10 γραφεία, μπορείτε να έχετε μια σειρά από γραφεία ενδιάμεσα; No 9 1/2 γραφεία είναι 9 γραφεία και ένα σπασμένο! Διαβάστε περισσότερα »

1/435 = 0.0023 "Υποθέτω ότι σημαίνει ότι υπάρχουν 22 κάρτες που εμφανίζονται, έτσι ώστε να υπάρχουν μόνο 52-22 = 30 άγνωστες κάρτες". Msgstr "" "Υπάρχουν 4 κοστούμια και κάθε κάρτα έχει βαθμό, υποθέτω ότι" "αυτό σημαίνει εσείς ο αριθμός" "επειδή δεν έχουν όλες οι κάρτες" ", μερικές είναι κάρτες" ". "Έτσι, δύο κάρτες διαλέγονται και κάποιος πρέπει να μαντέψει κοστούμι και" "βαθμό τους. Οι αποδόσεις για αυτό είναι" 2 * (1/30) * (1/29) = 1/435 = 0.0023 = 0.23% "Επεξήγηση: Ξέρουμε ότι δεν είναι μία από τις "" ανανεωμένες κάρτες, Διαβάστε περισσότερα »

"Τα πιθανά αποτελέσματα της ρίψης της μήτρας 4 πλευρών είναι:" 1, 2, 3 ή 4. Έτσι ο μέσος όρος είναι (1 + 2 + 3 + 4) / 4 = 2.5. " "Η διαφορά είναι ίση με E [x 2] - (E [x]) ² = (1 2 + 2 2 + 3 2 + 4 2) / 4 -2,5 ²" "= 30/4 - 2.5 ² = 7.5 - 6.25 = Τα πιθανά αποτελέσματα της ρίψης της μήτρας των 8 πλευρών είναι: "1, 2, 3, 4, 5, 6, 7 ή 8. Έτσι ο μέσος όρος είναι 4,5." "Η διακύμανση είναι ίση με (1 2 + 2 2 + ... + 8 2) / 8 - 4,5 2 = 5,25." "Ο μέσος όρος του αθροίσματος των δύο ζαριών είναι το άθροισμα των μέσων," "έτσι έχουμε 2.5 + 4.5 = 7." " Διαβάστε περισσότερα »

A = 1,7 Το διάγραμμα που ακολουθεί δείχνει την ομοιόμορφη κατανομή για το δεδομένο εύρος, το ορθογώνιο έχει περιοχή = 1 έτσι (6-1) k = 1 => k = 1/5 θέλουμε P (X <= a) ως γκρίζα σκιασμένη περιοχή στο διάγραμμα έτσι: (a-1) k = 0,14 (a-1) χχ1 / 5 = 0,14 α-1 = 0,14χχ5 = 0,7: Διαβάστε περισσότερα »

K = 3/4 P (x> 1) = 1/2 E (X) = 1 V (X) = 1/5 Για να βρούμε k, χρησιμοποιούμε int_0 ^ 2f (x) dx = int_0 ^ ^ 2) dx = 1:. k = 4 / 3k = 1 => k = 3/4 Για να υπολογίσουμε το P (x> 1 ), χρησιμοποιούμε την τιμή P (X> 1) = 1-P (0 <x <1) = 1-int_0 ^ 1 (3/4) (1) Για να υπολογίσουμε το E (X) E (X) = int_0 ^ 2xf (x) ) dx = int_0 ^ 2 (3/4) (2χ ^ 2-χ ^ 3) dx = 3/4 (2x3-3-4-4) Για να υπολογίσετε το V (X) V (X) = E (X ^ 2) - (E (X)) ^ 2 = E (X ^ 2) -1E (X 2) = int_0 ^ 2x ^ 2f (x) dx = int_0 ^ 2 (3/4) (2x ^ 3-x ^ 4) dx = 3/4 [2x ^ 4/4x5/5/5 ] _0 ^ 2 = 3/4 (8-32 / 5) = 6/5: .V (Χ) = 6 / 5-1 = 1/5 Διαβάστε περισσότερα »

1 - 0.2 sqrt (10) = 0.367544 "Όνομα" P [R] = "Πιθανότητα μία μπράτσα R να γίνει μπλε τελικά" P [Y] = " P ["RY"] = "Πρόβλημα ότι ένα ραβδί R & Y θα γίνει και το μπλε συμβάν." P ["RR"] = "Πιθανότητα δύο μπλοκ R να γίνουν μπλε συμβάν." P ["YY"] = "Πιθανότητα ότι δύο Y μάρκες γίνονται μπλε συμβάν." "Τότε έχουμε" P ["RY"] = P [R] * P [Y] P ["RR"] = 2 "Έτσι έχουμε δύο εξισώσεις σε δύο μεταβλητές P [R] και P [Y]:" P [Y] = 1/4 + (1/4) P [Y] + (1/2) P [Y] 2 => 2 P [Y] ^ 2 - 3 P [Y] + 1 = 0 => P [Y] Διαβάστε περισσότερα »

44 Για να υπολογίσετε έναν μέσο όρο ενός συνόλου δεδομένων, προσθέστε όλα τα δεδομένα και διαιρέστε με τον αριθμό των στοιχείων δεδομένων. Αφήστε την ηλικία της έβδομης διδασκαλίας να είναι x. Με αυτό, ο μέσος όρος των ηλικιών των εκπαιδευτικών υπολογίζεται από: {52 + 30 + 23 + 28 + 44 + 45 + x} / {7} = 38 Τότε μπορούμε να πολλαπλασιάσουμε με 7 για να πάρουμε: {52 + 30 + 23 + 28 + 44 + 45 + x} / {7} xx7 = 38xx7 => 52 + 30 +23 +28 +44 +45 + x = 266 Αφαιρούμε όλες τις άλλες ηλικίες για να πάρουμε: x = 266-52- 30-23-28-44-45 = 44. Διαβάστε περισσότερα »

Δεν είναι ανεξάρτητα γεγονότα. Για δύο γεγονότα δύο θεωρούνται ως «ανεξάρτητα»: P (AnnB) = P (A) xxP (B) P (AnnB) = 1/16 P (A) = 2/5 P (B) ) P (B) = 2/5 * 2/15 = 4/75 4/75! = 1/16, τα συμβάντα δεν είναι ανεξάρτητα. Διαβάστε περισσότερα »

Μέση = 7.4 Τυπική Απόκλιση ~ ~ 1.715 Απόκλιση = 2.94 Ο μέσος όρος είναι το άθροισμα όλων των σημείων δεδομένων διαιρούμενο με τον αριθμό των σημείων δεδομένων. Σε αυτή την περίπτωση, έχουμε (5 + 5 + 5 + 5 + 6 + 6 + 6 + 6 + 7 + 8 + 8 + 8 + 9 + 9 + 9 + 9 + 10 + 10) 148/20 = 7.4 Η διακύμανση είναι "ο μέσος όρος των τετραγωνικών αποστάσεων από τον μέσο όρο". http://www.mathsisfun.com/data/standard-deviation.html Αυτό σημαίνει ότι αφαιρείτε κάθε σημείο δεδομένων από τον μέσο όρο, τετραγωνίζετε τις απαντήσεις, στη συνέχεια τα προσθέτετε όλα μαζί και τα χωρίζετε με τον αριθμό των σημείων δεδομένων. Σε αυτή την ερώτηση, Διαβάστε περισσότερα »

17160/6497400 Υπάρχουν συνολικά 52 κάρτες, ενώ 13 από αυτές είναι μπαστούνια. Πιθανότητα να τραβήξετε το πρώτο φτυάρι είναι: 13/52 Πιθανότητα να τραβήξετε ένα δεύτερο φτυάρι είναι: 12/51 Αυτό συμβαίνει επειδή, όταν έχουμε επιλέξει το φτυάρι, υπάρχουν μόνο 12 φτυάρια και κατά συνέπεια μόνο 51 κάρτες συνολικά. πιθανότητα να τραβήξουμε ένα τρίτο φτυάρι: 11/50 πιθανότητα να σχεδιάσουμε ένα τέταρτο φτυάρι: 10/49 Πρέπει να πολλαπλασιάσουμε όλα αυτά μαζί, για να πάρουμε την πιθανότητα να βγάλουμε ένα πούλι το ένα μετά το άλλο: 13/52 * 12/51 * 11 / 50 * 10/49 = 17160/6497400 Έτσι, η πιθανότητα να τραβήξετε τέσσερα ποντίκια ταυτόχρ Διαβάστε περισσότερα »

Υ = -1,226666 + 0,1016666 * X μπαρ Χ = (12 + 13 + 14 + ... + 20) / 9 = 9 * (12 + 20) (Αθροιστική συνάρτηση): (1) (2) (2) (2) (2) (2) 9} x_i ^ 2) "με" x_i = X_i - γραμμή X "και" y_i = Y_i - bar Y => καπέλο beta_2 = (4 * 0.4 + 3 * 0.3 + 2 * 0.2 + 0.2 + 0.1 + 2 * 0.2 + 3 * 0,3 + 4 * 0,4) / (4 ^ 2 + 3 ^ 2 + 2 ^ 2 + 1 ^ 2) 60 = 6.1 / 60 = 0.10166666 => καπέλα beta_1 = bar Y - καπέλο beta_2 * bar X = 0.4 - (6.1 / 60) * 16 = -1.226666 "Έτσι η γραμμή παλινδρόμησης είναι" Y = -1.226666 + 0.1016666 * X Διαβάστε περισσότερα »

30.2 Ο μέσος όρος υπολογίζεται λαμβάνοντας το άθροισμα των τιμών και διαιρώντας με τον αριθμό. Για παράδειγμα, για τις 6 γυναίκες, με τον μέσο όρο να είναι 31, μπορούμε να δούμε ότι οι ηλικίες αθροίζονται σε 186: 186/6 = 31 Και μπορούμε να κάνουμε το ίδιο για τους άνδρες: 116/4 = 29 Και τώρα μπορούμε να συνδυάσουμε το άθροισμα και τον αριθμό των ανδρών και των γυναικών για να βρούμε τον μέσο για το γραφείο: (186 + 116) /10=302/10=30.2 Διαβάστε περισσότερα »

Όταν υπάρχουν ορισμένες ακραίες τιμές στο σύνολο δεδομένων σας. Παράδειγμα: Έχετε ένα σύνολο δεδομένων 1000 περιπτώσεων με τιμές που δεν είναι πολύ απομακρυσμένες. Ο μέσος όρος τους είναι 100, όπως και ο μέσος όρος τους. Τώρα μπορείτε να αντικαταστήσετε μόνο μία περίπτωση με υπόθεση που έχει αξία 100000 (για να είναι ακραία). Ο μέσος όρος θα αυξηθεί δραματικά (σε σχεδόν 200), ενώ ο διάμεσος δεν θα επηρεαστεί. Υπολογισμός: 1000 περιπτώσεις, μέσος όρος = 100, άθροισμα των τιμών = 100000 Χάστε ένα 100, προσθέστε 100000, άθροισμα των τιμών = 199900, μέση = 199,9 Μεσαία (= 500 + 501) / 2 παραμένει η ίδια. Διαβάστε περισσότερα »

Το μήκος των 6 ράβδων είναι = 265.2-230 = 35.2 Το μέσο μήκος των 6 ράβδων είναι = 44.2 cm Το μέσο μήκος των 5 ράβδων είναι = 46 cm Το συνολικό μήκος των 6 ράβδων είναι = 44.2xx 6 = 265.2 cm Το συνολικό μήκος από 5 ράβδους είναι = 46xx5 = 230 cm Το μήκος της ράβδου των 6h είναι = [Συνολικό μήκος 6 ράβδων] - [Συνολικό μήκος 5 ράβδων] Το μήκος της ράβδου των 6h είναι = 265,2-230 = 35,2 Διαβάστε περισσότερα »

X = 5 3,4,5,8, x μέσος όρος = μέσος όρος sumx_i = (20 + x) / 5 = 4 + x / 5 δεδομένου ότι απαιτήσαμε να υπάρχει ένας τρόπος: .x> 0 επειδή x = > barx = 4, "διάμεσος" = 4 "αλλά δεν υπάρχει τρόπος" x = 5 => barx = 4 + 5/5 = 5 έχουμε 3,4,5,5,8 μέση = 5 λειτουργία = 5:. x = 5 Διαβάστε περισσότερα »

Ο αριθμός των έξι αριθμών είναι "" 270/6 = 45 Υπάρχουν 3 διαφορετικά σύνολα αριθμών που εμπλέκονται εδώ. Ένα σύνολο έξι, ένα σετ δύο και το σύνολο των οκτώ. Κάθε σετ έχει το δικό του μέσο. "mean" = "Σύνολο" / "αριθμός αριθμών" "" Ή M = T / N Σημειώστε ότι αν γνωρίζετε τον μέσο όρο και τον αριθμό των αριθμών υπάρχουν, μπορείτε να βρείτε το σύνολο. T = M xxN Μπορείτε να προσθέσετε αριθμούς, μπορείτε να προσθέσετε σύνολα, αλλά δεν μπορείτε να προσθέσετε μέσα μαζί. Έτσι, για τους οκτώ αριθμούς: Το σύνολο είναι 8 xx 41 = 328 Για δύο από τους αριθμούς: Το σύνολο είναι 2xx29 = 58 Διαβάστε περισσότερα »

8 Ο μέσος όρος ενός συνόλου αριθμών είναι το άθροισμα των αριθμών πάνω από τον αριθμό του συνόλου (ο αριθμός των τιμών). Έχουμε ένα σύνολο τεσσάρων αριθμών και ο μέσος όρος είναι 5. Μπορούμε να δούμε ότι το άθροισμα των τιμών είναι 20: 20/4 = 5 Έχουμε ένα άλλο σύνολο τριών αριθμών των οποίων ο μέσος όρος είναι 12. Μπορούμε να γράψουμε ως εξής: 36 / 3 = 12 Για να βρείτε τον μέσο όρο των επτά αριθμών μαζί, μπορούμε να προσθέσουμε τις τιμές μαζί και να διαιρέσουμε με 7: (20 + 36) / 7 = 56/7 = 8 Διαβάστε περισσότερα »

Ανθεκτικό σε αυτή την περίπτωση σημαίνει ότι μπορεί να αντέξει ακραίες τιμές. Παράδειγμα: Φανταστείτε μια ομάδα 101 ατόμων που έχουν μέση (= μέση) αξία $ 1000 στην τράπεζα. Επίσης, ο μέσος άνθρωπος (μετά τη διαλογή στο τραπεζικό υπόλοιπο) έχει επίσης $ 1000 στην τράπεζα. Αυτός ο μέσος όρος σημαίνει ότι 50 (%) έχουν λιγότερα και 50 έχουν περισσότερα. Τώρα ένας από αυτούς κερδίζει ένα βραβείο λοταρίας αξίας $ 100000 και αποφασίζει να το βάλει στην τράπεζα. Ο μέσος όρος θα ανεβαίνει αμέσως από $ 1000 σε σχεδόν $ 2000, καθώς υπολογίζεται με τη διαίρεση του συνολικού ποσού κατά 101. Η διάμεση τιμή ("μέση της σειράς") Διαβάστε περισσότερα »

259459200 Εάν το διαβάσω σωστά, τότε αν ο εξεταστής μπορεί να δώσει σήματα μόνο σε πολλαπλάσια των 2. Τούτο σημαίνει ότι υπάρχουν μόνο 15 επιλογές από τις 30 σημάνσεις δηλαδή. 30/2 = 15 Στη συνέχεια, έχουμε διανεμηθεί 15 επιλογές στις 8 ερωτήσεις. Χρησιμοποιώντας τον τύπο για τις μεταβολές: (n!) / ((N - r)!) Όπου n είναι ο αριθμός των αντικειμένων (Στην περίπτωση αυτή τα σημάδια σε ομάδες των 2). Και r είναι πόσοι λαμβάνονται σε μια στιγμή (Στην περίπτωση αυτή, οι 8 ερωτήσεις) Έτσι έχουμε: (15!) / ((15 - 8)!) = (15!) / (7!) = 259459200 Διαβάστε περισσότερα »

Είναι εξαρτημένοι. Το γεγονός "κοιμηθεί αργά" επηρεάζει την πιθανότητα του άλλου γεγονότος "αργά στο σχολείο". Ένα παράδειγμα ανεξάρτητων γεγονότων είναι η επανάληψη ενός νομίσματος. Δεδομένου ότι το κέρμα δεν έχει μνήμη, οι πιθανότητες στο δεύτερο (ή αργότερα) πετάει είναι ακόμα 50/50 - υπό την προϋπόθεση ότι είναι δίκαιο κέρμα! Επιπλέον: Μπορεί να θέλετε να το σκεφτείτε αυτό: Συναντάτε έναν φίλο, τον οποίο δεν έχετε μιλήσει εδώ και χρόνια. Το μόνο που ξέρετε είναι ότι έχει δύο παιδιά. Όταν τον συναντάς, έχει μαζί του τον γιο του. Ποιες είναι οι πιθανότητες ότι το άλλο παιδί είναι επίσης γιος; (όχι, δε Διαβάστε περισσότερα »

7! = 7 * 6 * 5 * 4 * 3 * 2 * 1 = 5040. Αυτό το ιδιαίτερο πρόβλημα είναι μια μετάθεση. Θυμηθείτε, η διαφορά μεταξύ των μεταλλαγών και των συνδυασμών είναι ότι, με τις μεταβολές, η σειρά έχει σημασία. Δεδομένου ότι η ερώτηση ρωτά πόσους τρόπους οι μαθητές μπορούν να ταξινομήσουν για εσοχή (δηλ. Πόσες διαφορετικές παραγγελίες), αυτή είναι μια μετάθεση. Φανταστείτε τη στιγμή που συμπληρώσαμε μόνο δύο θέσεις, τη θέση 1 και τη θέση 2. Για να διαφοροποιήσουμε μεταξύ των μαθητών μας, επειδή η υπόθεση έχει σημασία, θα εκχωρήσουμε σε κάθε ένα γράμμα από το Α στο G. Τώρα, εάν γεμίζουμε αυτές τις θέσεις Κάθε φορά, έχουμε επτά επιλογές Διαβάστε περισσότερα »

Σε 84 τρόπους μπορεί να επιλεγεί αυτή η ομάδα. Ο αριθμός επιλογών αντικειμένων "r" από τα δοθέντα αντικείμενα "n" υποδηλώνεται από nC_r και δίνεται από nC_r = (n!) / (R! (N-r)! N = 9, r = 3:. 9C_3 = (9!) / (3 (9-3)!) = (9 * 8 * 7) / (3 * 2) = 84 Σε 84 τρόπους μπορεί να επιλεγεί αυτή η ομάδα. [Ans] Διαβάστε περισσότερα »

Δείτε παρακάτω μια ιδέα για το πώς να προσεγγίσετε αυτή την απάντηση: Πιστεύω ότι η απάντηση στο ερώτημα της μεθοδολογίας σχετικά με το πρόβλημα αυτό είναι ότι συνδυασμοί με πανομοιότυπα στοιχεία εντός του πληθυσμού (όπως κάρτες 4n με αριθμό n τύπων A, B, C , και D) δεν εμπίπτει στην ικανότητα του συνδυασμού να υπολογίσει. Αντ 'αυτού, σύμφωνα με τον Δρ Math στο mathforum.org, καταλήγετε να χρειαστείτε μερικές τεχνικές: τη διανομή αντικειμένων σε ξεχωριστά κελιά και την αρχή αποκλεισμού-αποκλεισμού. Έχω διαβάσει αυτήν την ανάρτηση (http://mathforum.org/library/drmath/view/56197.html) η οποία ασχολείται άμεσα με το θέμα Διαβάστε περισσότερα »

Η φράση αποδόθηκε στην αυτοβιογραφία του Mark Twain στον Μπέντζαμιν Ντιραμέλι, βρετανό πρωθυπουργό κατά τη δεκαετία του 1800. Ο Twain ήταν επίσης υπεύθυνος για τη διαδεδομένη χρήση της φράσης, αν και μπορεί να είχε χρησιμοποιηθεί πολύ νωρίτερα από τον Sir Charles Dilke και άλλους. Στην ουσία, η φράση εκφράζει σαρκαστικά την αμφιβολία των στατιστικών στοιχείων, συγκρίνοντάς την με τα ψέματα, υποδηλώνοντας ότι συχνά αλλοιώνονται παραπλανητικά ή χρησιμοποιούνται εκτός πλαισίου. Για τους σκοπούς της παρούσας φράσης, ως «στατιστικά στοιχεία» νοούνται τα «δεδομένα». Διαβάστε περισσότερα »

Το 50% των δεδομένων είναι εντός πλαισίου Το κουτί σε μια θυρίδα κιβωτίου σχηματίζεται χρησιμοποιώντας τις τιμές Q1 και Q3 ως τελικά σημεία. Αυτό σημαίνει ότι περιλαμβάνονται Q1-> Q2 και Q2-> Q3. Δεδομένου ότι κάθε κλίμακα δεδομένων Q περιέχει 25% των δεδομένων σε ένα παράθυρο box & whisker, το κουτί περιέχει 50% min -> Q1 = 25% Q1 -> Q2 = 25% Q2 -> Q3 = 25% Q3 - 25% Διαβάστε περισσότερα »

75% Εάν εργάζεστε με τεταρτημόρια, παραγγείλετε πρώτα τις περιπτώσεις σας με αξία. Στη συνέχεια διαιρείτε τις περιπτώσεις σας σε τέσσερις ίσες ομάδες. Η τιμή της περίπτωσης στο όριο μεταξύ του πρώτου τετραγώνου και του δεύτερου ονομάζεται το πρώτο τεταρτημόριο ή το Q1 Μεταξύ του δεύτερου και του τρίτου είναι το Q2 = μεσαίο Και μεταξύ του τρίτου και του τέταρτου είναι το Q3 Έτσι στο σημείο Q3 έχετε περάσει τα τρία τέταρτα τις αξίες σας. Αυτό είναι 75%. Επιπλέον: Με μεγάλα σύνολα δεδομένων χρησιμοποιούνται επίσης εκατοστημόρια (οι περιπτώσεις διαιρούνται στη συνέχεια σε 100 ομάδες). Αν μια τιμή λέγεται ότι βρίσκεται στο 75ο Διαβάστε περισσότερα »

(n = 1) * 0.2 "Όριο της ανισότητας" 625 p ^ 2 - 175 p (n) + 12 = 0 "είναι η λύση μιας τετραγωνικής εξίσωσης στο" p ":" "δίσκος:" 175 = 2 - 4 * 12 * 625 = 625 = 25 ^ 3/25 "ή" 4/25 "" Έτσι, το p (n) "είναι αρνητικό μεταξύ αυτών των δύο τιμών." (n = 1) log (0.8) = p (n) = 3/25 = 0,8 ^ (n-1) > n = 1 + log (3/5) / log (0.8) = 3.289 .... p (n) = 4/25 = ... = ) = 2 "Έτσι" 2 <n <3.289 ... => n = 3 "(όπως το n είναι ακέραιος)" Διαβάστε περισσότερα »

22 Ο μέσος όρος μετράται λαμβάνοντας το άθροισμα των τιμών και διαιρώντας με τον αριθμό των τιμών: "mean" = "sum" / "count" Η Katie έχει κάνει τέσσερις εξετάσεις ήδη και οφείλει να έχει το πέμπτο, έτσι έχουμε 76, 74, 90, 88 και x. Θέλει να είναι τουλάχιστον 70. Θέλουμε να γνωρίζουμε ότι το ελάχιστο σκορ x πρέπει να είναι τουλάχιστον 70: 70 = (76 + 74 + 90 + 88 + x) / 5 Και τώρα λύνουμε για το x: 328 + χ = 350 χ = 22 Διαβάστε περισσότερα »

122 Μέσος όρος = Συνολικό άθροισμα των δοκιμών διαιρούμενο με τον συνολικό αριθμό των δοκιμών Έστω x = 5η βαθμολογία δοκιμής Μέσος = (76 + 74 + 90 + 88 + x) / 5 = 90 Επιλύστε πρώτα πολλαπλασιάζοντας τις δύο πλευρές της εξίσωσης κατά 5: = (5 (76 + 74 + 90 + 88 + χ)) / 5 = 90 * 5 = 76 + 74 + 90 + 88 + x = 450 Επίλυση για x: x = 450 - 76-74-90-88 = Διαβάστε περισσότερα »

"I) P = 0,3085" "II) P = 0,4495" διακύμανση = 25 "=>" τυπική απόκλιση "= sqrt (25) = 5" Πηγαίνουμε από Ν (10,5) z = (13,5 - 10) / 5 = 0,7 => Ρ = 0,7580 "(πίνακας για z - τιμές) "=> P (" μεταξύ 8 και 13 ") = 0,7580 - 0,3085 = 0,4495" 7,5 και 13,5 αντί 8 και 13 λόγω διόρθωσης συνέχειας στις διακριτές τιμές ". Διαβάστε περισσότερα »

Για κάθε 20 συνδέσμους υπάρχουν 7 επιλογές, κάθε φορά που η επιλογή είναι ανεξάρτητη από τις προηγούμενες επιλογές, ώστε να μπορέσουμε να πάρουμε προϊόν. Ο συνολικός αριθμός επιλογών = 7 * 7 * 7 ... * 7 = = 7 ^ (20) Αλλά επειδή η αλυσίδα μπορεί να αντιστραφεί, πρέπει να μετρήσουμε διαφορετικές ακολουθίες. Πρώτον, μετράμε τον αριθμό των συμμετρικών ακολουθιών: δηλαδή οι τελευταίοι 10 σύνδεσμοι παίρνουν την εικόνα καθρέφτη των πρώτων 10 συνδέσμων. (10) Εκτός από αυτές τις συμμετρικές ακολουθίες, οι μη συμμετρικές ακολουθίες μπορούν να αντιστραφούν για να παράγουν μια νέα αλυσίδα. Αυτό σημαίνει ότι μόνο οι μισές μη συμμετρικέ Διαβάστε περισσότερα »

N = 13 "Ονομάστε τον αριθμό των μαρμάρων στην τσάντα," n. "Τότε έχουμε" (x / n) ((x-1) / (n-1)) = 5/26 x = n- 7 => (n-7) (n-1)) = 5/26 => 26 (η-7) (η-8) = 5 n (n-1) => Αν το n είναι ένας ακέραιος, πρέπει να πάρουμε τη δεύτερη λύση (13): "2 - 4 * 21 * 1456 = 25921 = 161 ^ 2 => n = (385 pm 161) / 42 = 16/3" => n = 13 Διαβάστε περισσότερα »

0,0,12,19,19 είναι μια πιθανότητα Έχουμε 5 παιχνίδια μπάσκετ όπου ο Τάιλερ σημείωσε κατά μέσο όρο 10 πόντους και έναν μέσο όρο 12 πόντων. Ο διάμεσος είναι η μεσαία τιμή και έτσι γνωρίζουμε ότι τα σημεία που σημείωσε έχουν δύο τιμές κάτω από 12 και δύο παραπάνω τιμές. Ο μέσος όρος υπολογίζεται αθροίζοντας τις τιμές και διαιρώντας με τον αριθμό. Για να έχουμε έναν μέσο όρο 10 βαθμών σε 5 παιχνίδια, γνωρίζουμε: "mean" = "άθροισμα πόντων που έχουν βαθμολογηθεί" / "αριθμός παιχνιδιών" => 10 = 50/5 Και έτσι ο αριθμός των σημείων που σημειώθηκαν στα 5 παιχνίδια είναι 50 σημεία. Ξέρουμε ότι 12 σκορ Διαβάστε περισσότερα »

Όταν ένα σύνολο δεδομένων έχει μερικές πολύ ακραίες περιπτώσεις. Παράδειγμα: Έχουμε ένα σύνολο δεδομένων 1000 στα οποία οι περισσότερες τιμές αιωρούνται γύρω από το 1000-σημάδι. Ας υποθέσουμε ότι ο μέσος και ο διάμεσος είναι και οι 1000. Τώρα προσθέτουμε έναν «εκατομμυριούχο». Ο μέσος όρος θα αυξηθεί δραματικά σε σχεδόν 2000, ενώ ο διάμεσος δεν θα αλλάξει, διότι θα είναι η αξία της περίπτωσης 501 αντί για το μεταξύ 500 και 501 (περιπτώσεις ταξινομημένες κατά σειρά αξίας) Διαβάστε περισσότερα »

P (z <1,96) θα σήμαινε να χρησιμοποιήσουμε την κανονική κανονική κατανομή και να βρούμε την περιοχή κάτω από την καμπύλη προς τα αριστερά του 1,96 ο πίνακας μας μας δίνει την περιοχή στα αριστερά του z-score, πρέπει απλά να δούμε την αξία από το τραπέζι, που θα μας δώσει. P (z <1,96) = 0,975 που θα μπορούσατε να γράψετε ως 97,5% Διαβάστε περισσότερα »

Ανατρέξτε στην Ενότητα Εξήγηση Τα βήματα που χρησιμοποιούνται για τον υπολογισμό των τιμών z είναι τα εξής: Υπολογίστε το μέσο όρο της σειράς. Υπολογίστε την τυπική απόκλιση της σειράς. Τέλος, υπολογίστε τις τιμές z για κάθε τιμή x χρησιμοποιώντας τον τύπο z = sum (x-barx) / sigma Σύμφωνα με τον υπολογισμό η τιμή z είναι 209 μεγαλύτερη από 2 Ανατρέξτε στον παρακάτω πίνακα - Κανονική κατανομή Μέρος 2 Διαβάστε περισσότερα »

Ένα ανθεκτικό μέτρο είναι ένα μέτρο που δεν επηρεάζεται από τα υπερβολικά υψηλά ποσοστά.Για παράδειγμα, αν έχουμε μια λίστα με αριθμούς: 1, 3, 4, 5, 6, 8, 50 Ο μέσος όρος είναι: 11 Ο διάμεσος είναι 5 Ο μέσος όρος σε αυτή την περίπτωση είναι μεγαλύτερος από τους περισσότερους αριθμούς στη λίστα επηρεάζεται τόσο έντονα από 50, στην περίπτωση αυτή ένα ισχυρό outlier. Ο διάμεσος θα παραμείνει 5 ακόμη και αν ο τελευταίος αριθμός στην λίστα που ταξινομήθηκε ήταν πολύ μεγαλύτερος, καθώς παρέχει απλώς τον μεσαίο αριθμό σε μια ταξινομημένη λίστα αριθμών. Διαβάστε περισσότερα »

Ένα γράφημα box-and-whisker είναι ένας τύπος γραφήματος που έχει στατιστικά στοιχεία από μια σύνοψη πέντε αριθμών. Ακολουθεί ένα παράδειγμα: Η σύνοψη πέντε αριθμών αποτελείται από: Minumum: χαμηλότερη τιμή / παρατήρηση Κάτω τεταρτημόριο ή Q1: "διάμεσος" του κατώτερου μισού των δεδομένων. βρίσκεται στο 25% των δεδομένων Μεσαίο: μέση τιμή / παρατήρηση Υψηλότερο τεταρτημόριο ή Q3: "διάμεσος" του άνω ημίσεος των δεδομένων. ανέρχεται στο 75% των δεδομένων. Μέγιστη: υψηλότερη τιμή / παρατήρηση Η περιοχή διακταριτιδίων (IQR) είναι το εύρος του κατώτερου τεταρτημορίου (Q1) και του ανώτερου τεταρτημορίου (Q2). Μ Διαβάστε περισσότερα »

Όταν ομαδοποιείτε τιμές σε κατηγορίες, πρέπει να ρυθμίσετε τα όρια. Παράδειγμα Πείτε ότι μετράτε τα ύψη 10.000 ενηλίκων. Αυτά τα ύψη μετρώνται με ακρίβεια στα mm (0.001 m). Για να δουλέψετε με αυτές τις τιμές και να κάνετε στατιστικά στοιχεία για αυτά ή να κάνετε ιστογράμματα, μια τέτοια λεπτή διαίρεση δεν θα λειτουργήσει. Έτσι, ομαδοποιείτε τις αξίες σας σε τάξεις. Ας πούμε ότι στην περίπτωσή μας χρησιμοποιούμε διαστήματα 50 mm (0,05 m). Τότε θα έχουμε μια τάξη 1,50- <1,55 m, 1,55- <1,60 m κλπ. Στην πραγματικότητα η τάξη 1,50-1,55 m θα έχει από 1.495 (που θα στρογγυλεύεται) σε 1.544 (που θα στρογγυλοποιηθεί προς τα Διαβάστε περισσότερα »

Το κύριο όφελος από τη χρήση ενός δείγματος αντί της απογραφής είναι η αποτελεσματικότητα. Ας υποθέσουμε ότι κάποιος θέλει να γνωρίζει ποια είναι η μέση γνώμη του Κογκρέσου μεταξύ των ατόμων 18-24 (δηλ. Θέλουν να μάθουν ποια είναι η βαθμολογία έγκρισης του Κογκρέσου από αυτή τη δημογραφική). Το 2010, υπήρχαν πάνω από 30 εκατομμύρια άτομα σε αυτή την ηλικιακή ομάδα που βρίσκεται στις Ηνωμένες Πολιτείες, σύμφωνα με την απογραφή των ΗΠΑ. Εάν φτάσουμε σε κάθε ένα από αυτά τα 30 εκατομμύρια άτομα και ζητήσουμε τη γνώμη τους, ενώ θα οδηγούσε σίγουρα σε πολύ ακριβή αποτελέσματα (αν υποθέσουμε ότι κανείς δεν είχε πει ψέματα), θα ή Διαβάστε περισσότερα »

Διαβάστε περισσότερα »

Σε μια ρύθμιση BInomial υπάρχουν δύο πιθανά αποτελέσματα ανά συμβάν. Οι σημαντικές προϋποθέσεις για τη χρήση μιας διωνυμικής ρύθμισης είναι οι εξής: Υπάρχουν μόνο δύο δυνατότητες, τις οποίες θα ονομάσουμε Καλή ή Αποτυχημένη. Η πιθανότητα της σχέσης μεταξύ καλής και αποτυχίας δεν αλλάζει κατά τη διάρκεια των προσπαθειών. Με άλλα λόγια: το αποτέλεσμα μια δοκιμή δεν επηρεάζει το επόμενο Παράδειγμα: Τραβάνε τα ζάρια (ένα κάθε φορά) και θέλετε να μάθετε ποιες είναι οι πιθανότητες να κυλήσετε σε λιγότερο από 1 έξι σε 3 προσπάθειες. Αυτό είναι ένα τυπικό παράδειγμα διωνυμικής: Υπάρχουν μόνο δυο δυνατότητες: 6 (τύπος = 1/6) ή όχι- Διαβάστε περισσότερα »

Σημαντικά χαρακτηριστικά ενός "Πίνακα πίτας" Πριν από την κατασκευή ενός "Πίνακα πίτας" πρέπει να έχουμε μερικά σημαντικά πράγματα. πρέπει να έχουμε: TOP 5 ΣΗΜΑΝΤΙΚΑ ΣΤΟΙΧΕΙΑ Δύο ή περισσότερα δεδομένα. Επιλέξτε τέλεια χρώματα για να δείτε τα δεδομένα μας. Βάλτε έναν τίτλο κεφαλής μπροστά από το γράφημά μας. Βάλτε ένα μύθο στο γράφημά σας (αριστερά ή δεξιά) Προσθέστε μια πρόταση που περιγράφει το γράφημα, στο κάτω μέρος του διαγράμματος. (μικρή) Δείτε επίσης την εικόνα: Διαβάστε περισσότερα »

Το R-τετράγωνο δεν πρέπει να χρησιμοποιείται για την επικύρωση του μοντέλου. Αυτή είναι μια τιμή που εξετάζετε όταν έχετε επικυρώσει το μοντέλο σας. Ένα γραμμικό μοντέλο επικυρώνεται αν τα δεδομένα είναι ομοιογενή, ακολουθούν μια κανονική κατανομή, οι επεξηγηματικές μεταβλητές είναι ανεξάρτητες και αν γνωρίζετε ακριβώς την αξία των επεξηγηματικών μεταβλητών σας (στενό σφάλμα στο X). Το R-τετράγωνο μπορεί να χρησιμοποιηθεί για να συγκρίνει δύο μοντέλα έχετε ήδη επικυρώσει. Το ένα με την υψηλότερη τιμή είναι αυτό που ταιριάζει καλύτερα στα δεδομένα. Ωστόσο, ενδέχεται να υπάρχουν καλύτεροι δείκτες, όπως το κριτήριο AIC (Akaik Διαβάστε περισσότερα »

Αρίθμηση Mean ~~ 424.4 Τυπική Απόκλιση ~~ 642.44 Σύνολο Δεδομένων Εισόδου: {115, 89, 230, -12, 1700} Αριθμητική Μέση = (1 / n) * Sigma (x_i), όπου Sigma x_i αναφέρεται στο άθροισμα όλων τα στοιχεία στο σύνολο δεδομένων εισόδου. n είναι ο συνολικός αριθμός των στοιχείων. Η τυπική απόκλιση sigma = sqrt [1 / n * Sigma (x_i - bar x) ^ 2) Sigma (x_i - bar x) ^ 2 αναφέρεται στον μέσο όρο των τετραγωνικών διαφορών από τη μέση. Αριθμητική Μέση ~ ~ 424.4 Τυπική Απόκλιση ~~ 642.44 Ελπίζω ότι βοηθάει. Διαβάστε περισσότερα »

Η μέση τιμή είναι 3,5 και η τυπική απόκλιση είναι 1,83. Το άθροισμα των όρων είναι 35, επομένως η μέση τιμή των {2,3,3,5,1,5,4,4,2,6} είναι 35/10 = 3,5, οι οροι. Για την τυπική απόκλιση, πρέπει να βρεθεί ο μέσος όρος των τετραγώνων των αποκλίσεων των όρων από τον μέσο όρο και στη συνέχεια να ληφθεί η τετραγωνική ρίζα τους. Οι αποκλίσεις είναι {-3.5, -0.5, -0.5, 1.5, -2.5, 1.5, 0.5, 0.5, -1.5, 2.5} και το άθροισμα των τετραγώνων τους είναι (12.25 + 0.25 + 0.25 + 2.25 + 6.25 + 0,25 + 2,25 + 6,25) / 10 ή 33,50 / 10 δηλαδή 3,35. Ως εκ τούτου η τυπική απόκλιση είναι sqrt3,35 δηλαδή 1,83 Διαβάστε περισσότερα »

Μέσος όρος = 5.25color (λευκό) ("XXX") Μεσαίο = 4.5color (λευκό) ("XXX") Mode = 4 Πληθυσμός: Παραλλαγή = 3.44color (λευκό) ) Η παράμετρος είναι η μέση τιμή όταν έχουν ταξινομηθεί οι τιμές των δεδομένων (ή ο μέσος όρος των 2) μεσαίες τιμές εάν υπάρχει ένας άρτος αριθμός τιμών δεδομένων). Η λειτουργία είναι η τιμή ή οι τιμές των δεδομένων που εμφανίζονται με τη μεγαλύτερη συχνότητα. Η απόκλιση και η τυπική απόκλιση εξαρτώνται από το εάν τα δεδομένα θεωρούνται ότι αποτελούν ολόκληρο τον πληθυσμό ή μόνο ένα δείγμα από ολόκληρο τον πληθυσμό. Η απόκλιση του πληθυσμού (χρώμα (μαύρο) (sigma _ ("pop") Διαβάστε περισσότερα »

Σε οποιαδήποτε κανονική κατανομή, ο τρόπος λειτουργίας και ο διάμεσος είναι όμοιοι με τον μέσο όρο, ανεξάρτητα από το αν είναι αυτό. Σε μια τυποποιημένη κανονική κατανομή ο μέσος όρος mu μετατρέπεται σε 0 (και η τυπική απόκλιση sigma ορίζεται στο 1). Επομένως, η κατάσταση και ο διάμεσος είναι επίσης 0 Διαβάστε περισσότερα »

Το μέσο (μέσο) και το διάμεσο (μέσο σημείο). Μερικοί θα προσθέσουν τη λειτουργία. Για παράδειγμα, με το σύνολο των τιμών: 68.4, 65.7, 63.9, 79.5, 52.5 Το μέσο είναι ο αριθμητικός μέσος όρος: (68.4 + 65.7 + 63.9 + 79.5 + 52.5) / 5 = τα άκρα της σειράς. 79,5 - 52,5 = 27 27/2 = 13,5. 13.5 + 52.5 = 66 ΣΗΜΕΙΩΣΗ: Σε αυτό το σύνολο δεδομένων έχει την ίδια τιμή με το μέσο, αλλά αυτό δεν συμβαίνει συνήθως. Η λειτουργία είναι η πιο κοινή τιμή σε ένα σετ. Δεν υπάρχει κανένα σε αυτό το σύνολο (δεν υπάρχουν αντίγραφα). Είναι συνήθως μια στατιστική μέτρηση της κεντρικής τάσης. Η προσωπική μου εμπειρία με τα στατιστικά στοιχεία είναι ό Διαβάστε περισσότερα »

Οι μέσες (μέσες) και τυπικές αποκλίσεις μπορούν να ληφθούν απευθείας από μια αριθμομηχανή σε λειτουργία stat. Αυτό αποδίδει barx = 1 / nsum_ (i = 1) ^ nx_i = 219,77 Αυστηρά μιλώντας, δεδομένου ότι όλα τα σημεία δεδομένων στο χώρο του δείγματος είναι ακέραιοι, θα πρέπει να εκφράσουμε τον μέσο όρο και ως ακέραιο αριθμό στον σωστό αριθμό σημαντικών αριθμών, δηλαδή barx = 220. Οι δύο τυπικές αποκλίσεις, ανάλογα με το αν θέλετε η τυπική απόκλιση του δείγματος ή του πληθυσμού, είναι επίσης στρογγυλεμένες στην πλησιέστερη ακέραια τιμή s_x = 291 και sigma_x = 280 Η περιοχή είναι απλά x_ (max) -x_ (min) = 1100- ( -90) = 1190. Για ν Διαβάστε περισσότερα »

Ναι, αυτό το παράδειγμα ταιριάζει με την "συσχέτιση με την αιτιώδη συνάφεια". Αν και τα δεδομένα του κατόχου είναι μια αξιοσημείωτη απόδειξη συσχέτισης, ο ιδιοκτήτης δεν μπορεί να καταλήξει σε αιτιώδη συνάφεια επειδή αυτό δεν είναι τυχαίο πείραμα. Αντ 'αυτού, αυτό που πιθανώς συνέβη εδώ είναι ότι εκείνοι που ήθελαν να έχουν ένα κατοικίδιο ζώο και ήταν σε θέση να το παραχωρήσουν, ήταν οι άνθρωποι που κατέληξαν με ένα κατοικίδιο ζώο. Η επιθυμία του ιδιοκτήτη κατοικίδιων ζώων δικαιολογεί την ευτυχία τους στη συνέχεια και την ικανότητα να παρέχουν τα σημεία των κατοικίδιων ζώων στο γεγονός ότι ήταν πιθανώς οικονο Διαβάστε περισσότερα »

Εάν τα δεδομένα δεδομένα είναι ολόκληρο ο πληθυσμός τότε: χρώμα (άσπρο) ("XXX") sigma_ "pop" ^ 2 = 1,62; sigma_ "pop" = 1.27 Εάν τα δεδομένα είναι δείγμα του πληθυσμού, τότε το χρώμα (λευκό) ("XXX") sigma_ "δείγμα" ^ 2 = 1,80. sigma_ "δείγμα" = 1.34 Για να βρείτε τη διακύμανση (sigma_ "pop" ^ 2) και την τυπική απόκλιση (sigma_ "pop") ενός πληθυσμού Βρείτε το άθροισμα των τιμών του πληθυσμού Διαχωρίστε τον αριθμό των τιμών στον πληθυσμό, Για κάθε πληθυσμιακή αξία υπολογίστε τη διαφορά μεταξύ αυτής της τιμής και του μέσου τότε τετραγωνικού της δι Διαβάστε περισσότερα »

(1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1) / 15 = 7014/15 = 467.6 βρείτε αποκλίσεις για κάθε αριθμό - αυτό γίνεται με την αφαίρεση του μέσου όρου: 1 - 467.6 = -466.6 7000 - 467.6 = 6532.4 τότε τετράγωνο κάθε απόκλιση: (-466.6) = 217,715,56 6532,4 ^ 2 = 42,672,249,76 η διακύμανση είναι ο μέσος όρος αυτών των τιμών: η διαφορά = ((14 * 217715,56) + 42672249,76) / 15 = 3,050,000 (3s.f.) Η τυπική απόκλιση είναι η τετραγωνική ρίζα της διακύμανσης: Sigma = sqrt (3050000) = 1750 (3s.f.) Διαβάστε περισσότερα »

Η διακύμανση του πληθυσμού είναι: sigma ^ 2 = 476.7 και η τυπική απόκλιση των πληθυσμών είναι η τετραγωνική ρίζα αυτής της τιμής: sigma ~ = 21.83 Πρώτον, ας υποθέσουμε ότι πρόκειται για ολόκληρο τον πληθυσμό αξιών. Ως εκ τούτου, αναζητούμε τη διακύμανση του πληθυσμού. Εάν αυτοί οι αριθμοί ήταν ένα σύνολο δειγμάτων από ένα μεγαλύτερο πληθυσμό, θα ψάχναμε για τη διακύμανση του δείγματος που διαφέρει από τη μεταβλητότητα του πληθυσμού κατά παράγοντα n // (n-1). Ο τύπος για τη μεταβλητότητα του πληθυσμού είναι sigma ^ 2 = 1 / n sum_ (i = 1) ^ N (x_i-mu) ^ 2 όπου mu είναι ο μέσος πληθυσμός, ο οποίος μπορεί να υπολογιστεί από mu Διαβάστε περισσότερα »

Υποθέτοντας ότι έχουμε να κάνουμε με ολόκληρο τον πληθυσμό και όχι απλά ένα δείγμα: Απόκλιση sigma ^ 2 = 44,383.45 Τυπική απόκλιση sigma = 210.6738 Οι περισσότεροι επιστημονικοί υπολογιστές ή υπολογιστικά φύλλα θα σας επιτρέψουν να καθορίσετε αυτές τις τιμές άμεσα. Εάν πρέπει να το κάνετε με πιο μεθοδικό τρόπο: Προσδιορίστε το άθροισμα των δεδομένων δεδομένων που έχετε δώσει. Υπολογίστε το μέσο διαιρώντας το άθροισμα με τον αριθμό των καταχωρήσεων δεδομένων. Για κάθε τιμή δεδομένων υπολογίστε την απόκλιση από τον μέσο όρο αφαιρώντας την τιμή δεδομένων από τη μέση τιμή. Για κάθε απόκλιση της τιμής του μέσου από τον μέσο υπο Διαβάστε περισσότερα »

S = sigma ^ 2 = 815.41-> διαφορά sigma = 28.56-> 1 τυπική απόκλιση Η διακύμανση είναι ένα είδος μέσου μέτρου της μεταβολής των δεδομένων σχετικά με τη γραμμή καλύτερης προσαρμογής. Αποτελείται από: sigma ^ 2 = (άθροισμα (x-barx)) / n Όπου το άθροισμα σημαίνει να προσθέσετε όλα τα barx είναι η μέση τιμή (μερικές φορές χρησιμοποιούν mu) n είναι ο αριθμός των χρησιμοποιούμενων δεδομένων sigma ^ 2 είναι η διακύμανση (μερικές φορές χρησιμοποιούν s) sigma είναι μια τυπική απόκλιση Αυτή η εξίσωση, με ένα κομμάτι της χειραγώγησης καταλήγουν ως: sigma ^ 2 = (άθροισμα (^ 2)) / n - barx ^ 2 "" για τη διαφορά sigma = s Διαβάστε περισσότερα »

Απόκλιση (πληθυσμός): sigma_ "pop" ^ 2 = 12.57 Τυπική απόκλιση (πληθυσμός): sigma_ "pop" = 3.55 Το άθροισμα των τιμών δεδομένων είναι 42 Η μέση τιμή των δεδομένων είναι 42 / των τιμών των δεδομένων μπορούμε να υπολογίσουμε τη διαφορά μεταξύ της τιμής δεδομένων και της μέσης και στη συνέχεια της τετραγωνικής διαφοράς. Το άθροισμα των τετραγωνικών διαφορών που διαιρούνται με τον αριθμό των τιμών δεδομένων δίνει τη διακύμανση του πληθυσμού (sigma_ "pop" ^ 2). Η τετραγωνική ρίζα της διακύμανσης του πληθυσμού δίνει την τυπική απόκλιση του πληθυσμού (sigma_ "pop") Σημείωση: Υποθέτω ότι οι Διαβάστε περισσότερα »

Μια δοκιμή F προϋποθέτει ότι τα δεδομένα κατανέμονται κανονικά και ότι τα δείγματα είναι ανεξάρτητα το ένα από το άλλο. Μια δοκιμή F προϋποθέτει ότι τα δεδομένα κατανέμονται κανονικά και ότι τα δείγματα είναι ανεξάρτητα το ένα από το άλλο. Τα δεδομένα που διαφέρουν από την κανονική κατανομή θα μπορούσαν να οφείλονται σε λίγους λόγους. Τα δεδομένα θα μπορούσαν να είναι λοξά ή το μέγεθος του δείγματος θα μπορούσε να είναι πολύ μικρό για να επιτευχθεί μια κανονική κατανομή. Ανεξάρτητα από τον λόγο, οι δοκιμές F λαμβάνουν μια κανονική κατανομή και θα οδηγήσουν σε ανακριβή αποτελέσματα εάν τα δεδομένα διαφέρουν σημαντικά από αυ Διαβάστε περισσότερα »

Δεδομένου ότι δεν υπάρχει μαθηματική εξίσωση που να μπορεί να υπολογίσει την περιοχή κάτω από την κανονική καμπύλη μεταξύ δύο σημείων, δεν υπάρχει τύπος για να βρεθεί η πιθανότητα στο z-table να λυθεί με το χέρι. Αυτός είναι ο λόγος για τον οποίο παρέχονται τραπέζια z, συνήθως με ακρίβεια 4 δεκαδικών. Αλλά υπάρχουν τύποι για να υπολογίσετε αυτές τις πιθανότητες με πολύ μεγάλη ακρίβεια χρησιμοποιώντας λογισμικά όπως το excel, R και τον εξοπλισμό όπως η αριθμομηχανή TI. Στο Excel, είναι στα αριστερά του z δίνεται από: NORM.DIST (z, 0,1, true) Στην TI-αριθμομηχανή, μπορούμε να χρησιμοποιήσουμε normalcdf (-1E99, z) για να πάρο Διαβάστε περισσότερα »

Οι κατανομές Chi Squared μπορούν να χρησιμοποιηθούν για να περιγράψουν στατιστικές ποσότητες οι οποίες είναι συνάρτηση ενός αθροίσματος τετραγώνων. Η κατανομή Chi Squared είναι η κατανομή μιας τιμής η οποία είναι το άθροισμα των τετραγώνων των κανονικά κατανεμημένων τυχαίων μεταβλητών k. Q = sum_ (i = 1) ^ k Z_i ^ 2 Το PDF της κατανομής Chi Squared δίνεται από: f (x; k) = 1 / (2 ^ (k / 2-1) e ^ (- x / 2) Όπου k είναι ο αριθμός των βαθμών ελευθερίας και το x είναι η τιμή του Q για την οποία επιδιώκουμε την πιθανότητα. Η χρησιμότητα της κατανομής Chi Squared είναι στη μοντελοποίηση πράξεων που περιλαμβάνουν τα ποσά τετραγωνι Διαβάστε περισσότερα »

Μία χρήση της συνδιακύμανσης είναι η μελέτη του συσχετισμού. Όταν έχουμε δειγματοληπτικά δεδομένα σχετικά με δύο εξαρτώμενες μεταβλητές, η συν-παραλλαγή γίνεται σχετική. Η συν-παραλλαγή είναι ένα μέτρο της επίδρασης της μεταβολής μεταξύ των δύο μεταβλητών. Όταν έχουμε δύο εξαρτώμενες μεταβλητές, λέμε X και Y, μπορούμε να μελετήσουμε την παραλλαγή μέσα στις τιμές του X - αυτό είναι sigma_x ^ 2 η μεταβολή εντός των τιμών του Υ είναι η διακύμανση του y sigma_y ^ 2. Η μελέτη της ταυτόχρονης μεταβολής μεταξύ Χ και Υ ονομάζεται COV (X, Y) ή sigma_ (xy). Διαβάστε περισσότερα »

Αποκαλύπτει τη μορφή σχέσης μεταξύ μεταβλητών. Ανατρέξτε στην απάντησή μου στην ερώτηση Τι είναι μια ανάλυση παλινδρόμησης ;. Αποκαλύπτει τη μορφή σχέσης μεταξύ μεταβλητών. Για παράδειγμα, αν η σχέση είναι έντονα θετικά, σχετίζεται έντονα αρνητικά ή δεν υπάρχει σχέση. Για παράδειγμα, οι βροχοπτώσεις και η παραγωγικότητα της γεωργίας υποτίθεται ότι συσχετίζονται έντονα, αλλά η σχέση δεν είναι γνωστή. Εάν προσδιορίσουμε την απόδοση των καλλιεργειών για να δείξουμε τη γεωργική παραγωγικότητα, και θα εξετάσουμε δύο μεταβλητές απόδοση καλλιέργειας y και βροχόπτωση x. Η κατασκευή της γραμμής παλινδρόμησης του y στο x θα είχε νόη Διαβάστε περισσότερα »

Όταν χρησιμοποιούμε γραμμή παλινδρόμησης για να προβλέψουμε ένα σημείο του οποίου η τιμή x είναι εκτός του εύρους των τιμών x των δεδομένων εκπαίδευσης, ονομάζεται προέκταση. Προκειμένου να προβούμε (σκόπιμα) σε παρέκταση, χρησιμοποιούμε τη γραμμή παλινδρόμησης για να προβλέψουμε τιμές που απέχουν πολύ από τα δεδομένα εκπαίδευσης. Σημειώστε ότι η παρέκταση δεν παρέχει αξιόπιστες προβλέψεις επειδή η γραμμή παλινδρόμησης μπορεί να μην είναι έγκυρη εκτός του εύρους δεδομένων εκπαίδευσης. Διαβάστε περισσότερα »

Το Z-Score σας δείχνει τη θέση μιας παρατήρησης σε σχέση με την υπόλοιπη κατανομή της, μετρούμενη σε τυπικές αποκλίσεις, όταν τα δεδομένα έχουν κανονική κατανομή. Συνήθως βλέπετε τη θέση ως τιμή Χ, η οποία δίνει την πραγματική τιμή της παρατήρησης. Αυτό είναι διαισθητικό, αλλά δεν σας επιτρέπει να συγκρίνετε παρατηρήσεις από διαφορετικές κατανομές. Επίσης, θα χρειαστεί να μετατρέψετε τα X-Scores σας σε Z-Scores, ώστε να μπορείτε να χρησιμοποιήσετε τους πίνακες Standard Normal Distribution για να αναζητήσετε τιμές που σχετίζονται με το Z-Score. Για παράδειγμα, θέλετε να μάθετε εάν η ταχύτητα ρίψεων ενός οκτώχρονου είναι ασυ Διαβάστε περισσότερα »

Συσχέτιση: δύο μεταβλητές τείνουν να ποικίλουν μαζί. Για μια θετική συσχέτιση, αν μια μεταβλητή αυξάνεται, η άλλη αυξάνει και στα δεδομένα δεδομένα. Αιτία: μία μεταβλητή προκαλεί τις αλλαγές σε μια άλλη μεταβλητή. Σημαντική διαφορά: Η συσχέτιση μπορεί να είναι απλώς σύμπτωση. Ή ίσως κάποια τρίτη μεταβλητή αλλάζει τα δύο. Για παράδειγμα: Υπάρχει συσχέτιση μεταξύ του "ύπνου που φορούσε τα παπούτσια" και του "ξύπνημα με πονοκέφαλο". Αλλά αυτή η σχέση δεν είναι αιτιακή, επειδή ο πραγματικός λόγος για αυτή τη σύμπτωση είναι (πολύ) αλκοόλ. Διαβάστε περισσότερα »

Δες παρακάτω. Δεδομένα: όχι p -> [(p ^^ q) vv ~ p] Λογικοί φορείς: "όχι p:" όχι p, ~ p; "και:" ^^; ή: vv Λογικοί πίνακες, άρνηση: ul (| "" p | "" q | "" ~ p | "" ~ q |) "" T | "" T | "" F | "" F | "" T | "" F | "" T | "" T | "" F | "" F | "" F | "" T | "" T | Πίνακες λογικής και & ή: ul (| "" p | "" q | "" p ^^ q "" | "" qvvq "" | "T" "| | "" T | Διαβάστε περισσότερα »

~ = 0.9391 Πριν βρεθούμε στην ίδια την ερώτηση, ας μιλήσουμε για τη μέθοδο επίλυσής της. Ας πούμε, για παράδειγμα, ότι θέλω να λογοδοτήσω για όλα τα πιθανά αποτελέσματα από την ανύψωση ενός δίκαιου νομίσματος τρεις φορές. Μπορώ να πάρω HHH, TTT, TTH και HHT. Η πιθανότητα H είναι 1/2 και η πιθανότητα για T είναι επίσης 1/2. Για HHH και για TTT, δηλαδή 1 / 2xx1 / 2xx1 / 2 = 1/8 το καθένα. Για τα TTH και HHT, είναι επίσης 1 / 2xx1 / 2xx1 / 2 = 1/8 το καθένα, αλλά επειδή υπάρχουν 3 τρόποι που μπορώ να πάρω κάθε αποτέλεσμα, καταλήγει να είναι 3xx1 / 8 = 3/8. Όταν συνοψίσω αυτά τα αποτελέσματα, έχω 1/8 + 3/8 + 3/8 + 1/8 = 1 - πρ Διαβάστε περισσότερα »

Γρήγοροι ορισμοί Τα ποσοτικά δεδομένα είναι αριθμοί: ύψη. βάρη; ταχύτητες. αριθμός κατοικίδιων ζώων που ανήκουν. ετών · Τα ποιοτικά δεδομένα δεν είναι αριθμοί. Μπορούν να περιλαμβάνουν τα αγαπημένα τρόφιμα. θρησκείες · εθνοτήτων · κλπ .. Τα διακριτά δεδομένα είναι αριθμοί που μπορούν να λάβουν συγκεκριμένες, διαχωρισμένες τιμές. Για παράδειγμα, όταν ρίχνετε μια μήτρα, παίρνετε 1, 2, 3, 4, 5, ή 6. Δεν μπορείτε να λάβετε τιμή 3,75. Τα συνεχή δεδομένα είναι αριθμοί που μπορούν να λάβουν όλα τα είδη των δεκαδικών ή κλασματικών τιμών. Για παράδειγμα, το βάρος σας μπορεί να μετρηθεί με ακρίβεια 92,234 κιλά. Η ταχύ Διαβάστε περισσότερα »

Κάποιος θα κοιτάξει συχνά το IQR (Interquartile Range) για να πάρει μια πιο "ρεαλιστική" ματιά στα δεδομένα, καθώς θα εξαλείψει τα υπερμεγέθη στα δεδομένα μας. Έτσι, εάν είχατε ένα σύνολο δεδομένων όπως 4,6,5,7,2,6,4,8,2956 Στη συνέχεια, αν έπρεπε να πάρουμε το μέσο μόνο του IQR μας, θα ήταν πιο "ρεαλιστικό" στο σύνολο δεδομένων μας, σαν να πήραμε τον κανονικό μέσο όρο, ότι μια τιμή 2956 θα βλάψει τα δεδομένα αρκετά. ένα απόσπασμα ως τέτοιο θα μπορούσε να προέρχεται από κάτι τόσο απλό όσο ένα σφάλμα τύπου σφάλματος, έτσι ώστε να δείχνει πώς μπορεί να είναι χρήσιμο να ελέγξει το IQR Διαβάστε περισσότερα »

Δεδομένου ότι το όνομα του θέματος δείχνει ότι η διακύμανση είναι ένα "μέτρο μεταβλητότητας", η διακύμανση είναι ένα μέτρο μεταβλητότητας. Αυτό σημαίνει ότι για ένα σύνολο δεδομένων μπορείτε να πείτε: "Η μεγαλύτερη διακύμανση, τα πιο διαφορετικά δεδομένα". Παραδείγματα Ένα σύνολο δεδομένων με μικρές διαφορές. Α = {1,3,3,3,3,4} ράβδος (χ) = (1 + 3 + 3 + 3 + 3 + 4) / 6 = 18/6 = 3 sigma ^ 2 = 1/6 * (2-3) ^ 2 + 4 * (3-3) ^ 2 + (4-3) ^ 2) sigma ^ 2 = 1/6 * με μεγαλύτερες διαφορές. Β = {2,4,2,4,2,4} bar (χ) = (2 + 4 + 2 + 4 + 2 + 4) / 6 = 18/6 = 3 sigma ^ 2 = 1/6 * 3 * (2-3) ^ 2 + 3 * (4-3) ^ 2) sigma ^ 2 = 1 Διαβάστε περισσότερα »

Κεντρική τιμή που αντιπροσωπεύει ολόκληρα δεδομένα. > Αν κοιτάξουμε τις κατανομές συχνότητας που συναντάμε στην πράξη, θα διαπιστώσουμε ότι υπάρχει μια τάση των ποικίλων τιμών να συγκεντρωθούν γύρω από μια κεντρική τιμή. Με άλλα λόγια, οι περισσότερες από τις τιμές βρίσκονται σε ένα μικρό διάστημα γύρω από μια κεντρική τιμή. Αυτό το χαρακτηριστικό ονομάζεται κεντρική τάση μιας κατανομής συχνότητας. Η κεντρική τιμή, η οποία λαμβάνεται ως αναπαράσταση ολόκληρων δεδομένων, ονομάζεται μέτρο κεντρικής τάσης ή μέσου όρου. Σε σχέση με την κατανομή συχνότητας, ένας μέσος όρος ονομάζεται επίσης ως μέτρο της θέσης, επειδή βοηθά ν Διαβάστε περισσότερα »

Ονομαστικό Επίπεδο - Μόνο δεδομένα ετικετών σε διάφορες κατηγορίες, παράδειγμα κατηγοριοποιώντας ως: Αρσενικό ή Γυναικείο Επίπεδο Επίπεδο - Τα δεδομένα μπορούν να ταξινομηθούν και να παραγγελθούν, αλλά η διαφορά δεν έχει νόημα, για παράδειγμα: κατάταξη ως 1ος, 2ος και 3ος. Επίπεδο διαστήματος - Τα δεδομένα μπορούν να διαταχθούν καθώς μπορούν να ληφθούν διαφορές, αλλά ο πολλαπλασιασμός / διαίρεση δεν είναι δυνατός. για παράδειγμα: κατηγοριοποίηση ως διαφορετικά έτη όπως το 2011, 2012 κ.λπ. Επίπεδο αναφοράς - Παραγγελία, διαφορά και πολλαπλασιασμός / διαίρεση - όλες οι λειτουργίες είναι δυνατές. Για παράδειγμα: Ηλικία σε έτη Διαβάστε περισσότερα »

Το Ogive είναι ένα άλλο όνομα μιας συσσωρευμένης καμπύλης συχνότητας. Σε κάθε σημείο του όργου λαμβάνουμε τον αριθμό των παρατηρήσεων λιγότερο από την τετμημένη του σημείου αυτού. Αυτή η απάντηση δίνεται λαμβάνοντας λιγότερο από ό, τι ogive υπόψη. Διαφορετικά, η καμπύλη θα δώσει τον αριθμό παρατηρήσεων μεγαλύτερη από την τετμημένη. Μικρότερη από τη σωρευτική κατανομή συχνότητας μπορεί να επιτευχθεί προσθέτοντας διαδοχικά συχνότητες των τάξεων και γράφοντάς τα ενάντια στα ανώτερα όρια των τάξεων. Διαβάστε περισσότερα »

(32/52) Σε ένα κατάστρωμα καρτών, τα μισά από τα φύλλα είναι κόκκινα (26) και (υποθέτοντας ότι δεν υπάρχουν τζόκερ) έχουμε 4 γρύλους, 4 βασίλισσες και 4 βασιλιάδες (12). Ωστόσο, από τις κάρτες εικόνων, 2 βύσματα, 2 βασίλισσες και 2 βασιλιάδες είναι κόκκινα. Αυτό που θέλουμε να βρούμε είναι "η πιθανότητα να τραβήξουμε μια κόκκινη κάρτα ή μια κάρτα εικόνας" Οι σχετικές μας πιθανότητες είναι να σχεδιάσουμε μια κόκκινη κάρτα ή μια κάρτα εικόνας. Για τα συνδυασμένα γεγονότα, χρησιμοποιούμε τον τύπο: P (A uu B) = P (A) + P (B) -P (A nn Β) Πρώτα που μεταφράζονται σε: P (εικόνα ή κόκκινο) = P (κόκκινο) + P (εικόνα) -P (κ Διαβάστε περισσότερα »

Και τα δύο διαστήματα προβλέψεων και εμπιστοσύνης είναι στενότερα κοντά στον μέσο όρο, αυτό μπορεί να φανεί εύκολα στη φόρμα του αντίστοιχου περιθωρίου σφαλμάτων. Ακολουθεί το περιθώριο σφάλματος του διαστήματος εμπιστοσύνης. E = t _ { alpha / 2, df = n-2} φορές s_e sqrt {( frac {1} {n} + frac {(x_0 - bar { }})} Ακολουθεί το περιθώριο σφάλματος για το διάστημα πρόβλεψης E = t _ { alpha / 2, df = n-2} times s_e sqrt {(1 + frac { x_0 - bar {x}} ^ 2} {S_ {xx}}}} Και στα δύο αυτά, βλέπουμε τον όρο (x_0 - bar {x} από το μέσο όρο. Αυτός είναι ο λόγος για τον οποίο το CI και το PI είναι στενότεροι στο μέσο όρο. Διαβάστε περισσότερα »

(6/22) Η πιθανότητα ενός φορητού υπολογιστή να μην είναι ελαττωματικός είναι (16/22) Η πιθανότητα ότι τουλάχιστον ένα φορητό υπολογιστή είναι ελαττωματικό δίνεται από: P (1 ελαττωματικό) + P (2 ελαττωματικά) + P (3 ελαττωματικά), καθώς αυτή η πιθανότητα είναι σωρευτική. Ας X είναι ο αριθμός των φορητών υπολογιστών που διαπιστώθηκε ότι είναι ελαττωματικός. P (X = 1) = (3 επιλέξτε 1) (6/22) ^ 1 φορές (16/22) ^ 2 = 0,43275 P (X = 2) 16/22) ^ 1 = 0.16228 P (X = 3) = (3 επιλέξτε 3) (6/22) ^ 3 = 0.02028 (Συμπληρώστε όλες τις πιθανότητες) = 0.61531 περίπου 0.615 Διαβάστε περισσότερα »

Τα γράμματα "bi" σημαίνουν δύο. Έτσι, μια διτροπική κατανομή έχει δύο τρόπους. Για παράδειγμα, τα {1,2,3,3,3,5,8,12,12,12,12,18} είναι δίτροφα και με τα 3 και τα 12 ως ξεχωριστούς διαφορετικούς τρόπους. Παρατηρήστε ότι οι τρόποι λειτουργίας δεν χρειάζεται να έχουν την ίδια συχνότητα. Ελπίζω ότι βοήθησε την πηγή: http://www.fao.org/wairdocs/ilri/x5469e/x5469e0e.htm Διαβάστε περισσότερα »

Ένα δισδιάστατο γράφημα απεικονίζει μια διτροπική κατανομή, η οποία ορίζεται από μόνη της ως συνεχής κατανομή πιθανότητας με δύο τρόπους. Γενικά, η γραφική παράσταση της συνάρτησης πυκνότητας πιθανότητας αυτής της κατανομής θα μοιάζει με μια "διχρωμία" κατανομή. δηλαδή, αντί της μοναδικής κορυφής που υπάρχει σε κανονική καμπύλη διανομής ή καμπάνας, το γράφημα θα έχει δύο κορυφές. Οι διτροπικές κατανομές, ενώ ίσως είναι λιγότερο συχνές από τις κανονικές διανομές, εξακολουθούν να εμφανίζονται στη φύση. Για παράδειγμα, το Λέμφωμα του Hodgkin είναι μια ασθένεια που εμφανίζεται πιο συχνά σε δύο συγκεκριμένες ηλικιακές Διαβάστε περισσότερα »

Ο "κάδος" σε ένα ιστόγραμμα είναι η επιλογή της μονάδας και της απόστασης στον άξονα Χ.Όλα τα δεδομένα σε μια κατανομή πιθανότητας που αντιπροσωπεύεται οπτικά από ένα ιστόγραμμα γεμίζονται στους αντίστοιχους κάδους. Το ύψος κάθε κάδου είναι μια μέτρηση της συχνότητας με την οποία τα δεδομένα εμφανίζονται εντός του εύρους αυτού του κάδου στη διανομή. Για παράδειγμα, σε αυτό το ιστόγραμμα δείγματος παρακάτω, κάθε ράβδος που ανεβαίνει προς τα πάνω από τον άξονα Χ είναι ένας μοναδικός κάδος. Και στον κάδο από Ύψος 75 έως Ύψος 80, υπάρχουν 10 σημεία δεδομένων (στην περίπτωση αυτή, υπάρχουν 10 Κεράσια ύψους μεταξύ 75 κ Διαβάστε περισσότερα »

Δείτε την πλήρη εξήγηση που παρουσιάζεται. Όταν έχουμε 100 νομίσματα και δίνουμε αυτά τα κέρματα σε ένα σύνολο ανθρώπων με οποιονδήποτε τρόπο, λέγεται ότι διανέμουμε νομίσματα. Με παρόμοιο τρόπο, όταν η συνολική πιθανότητα (η οποία είναι 1) κατανέμεται μεταξύ των διαφορετικών τιμών που σχετίζονται με την τυχαία μεταβλητή, κατανέμεται πιθανότητα. Ως εκ τούτου, ονομάζεται κατανομή πιθανότητας. Αν υπάρχει ένας κανόνας που καθορίζει ποια πιθανότητα θα πρέπει να εκχωρηθεί σε ποια τιμή, τότε ένας τέτοιος κανόνας ονομάζεται συνάρτηση κατανομής πιθανοτήτων. Η διωνυμική κατανομή παίρνει το όνομά της επειδή ο κανόνας που καθορίζει τ Διαβάστε περισσότερα »

Η κατανομή chi-τετραγώνων είναι μία από τις συνηθέστερα χρησιμοποιούμενες κατανομές και είναι η κατανομή της chi-square στατιστικής. Η κατανομή chi-square είναι μία από τις πιο διαδεδομένες διανομές. Είναι η κατανομή του άθρου των τετραγωνικών κανονικών αποκλίσεων. Ο μέσος όρος της διανομής είναι ίσος με τους βαθμούς ελευθερίας και η διακύμανση της χι-τετραγωνικής κατανομής είναι πολλαπλασιασμένη με τους βαθμούς ελευθερίας. Αυτή είναι η κατανομή που χρησιμοποιείται κατά τη διεξαγωγή τετραγωνικής δοκιμής chi συγκρίνοντας παρατηρούμενες έναντι αναμενόμενων τιμών και κατά τη διεξαγωγή τετραγωνικής τεστ τεστ για να δοκιμαστούν Διαβάστε περισσότερα »

Μια τετραγωνική δοκιμή για έλεγχο ανεξαρτησίας εάν υπάρχει σημαντική σχέση μεταξύ δύο ή περισσοτέρων ομάδων κατηγορικών δεδομένων από τον ίδιο πληθυσμό. Μια τετραγωνική δοκιμή για έλεγχο ανεξαρτησίας εάν υπάρχει σημαντική σχέση μεταξύ δύο ή περισσοτέρων ομάδων κατηγορικών δεδομένων από τον ίδιο πληθυσμό. Η μηδενική υπόθεση για αυτή τη δοκιμή είναι ότι δεν υπάρχει σχέση. Πρόκειται για μία από τις συχνότερα χρησιμοποιούμενες στατιστικές δοκιμές. Για να χρησιμοποιήσετε αυτό το τεστ, οι παρατηρήσεις σας πρέπει να είναι ανεξάρτητες και οι αναμενόμενες τιμές σας να είναι μεγαλύτερες από πέντε. Η εξίσωση για τον υπολογισμό ενός τ Διαβάστε περισσότερα »

Η δοκιμή chi ^ 2 χρησιμοποιείται για να διερευνηθεί κατά πόσο οι κατανομές κατηγορικών μεταβλητών διαφέρουν μεταξύ τους. Η δοκιμή chi ^ 2 μπορεί να χρησιμοποιηθεί μόνο σε πραγματικούς αριθμούς, όχι σε ποσοστά, αναλογίες ή μέσα. Η στατιστική chi ^ 2 συγκρίνει τις αντιστοιχίες ή τις μετρήσεις των κατηγορικών απαντήσεων μεταξύ δύο ή περισσοτέρων ανεξάρτητων ομάδων. Συνοπτικά: Η δοκιμή chi ^ 2 χρησιμοποιείται για να διερευνήσει κατά πόσο οι κατανομές των κατηγορικών μεταβλητών διαφέρουν μεταξύ τους. Διαβάστε περισσότερα »

Δείτε παρακάτω: Ο συνδυασμός είναι μια ομάδα διακριτών αντικειμένων χωρίς να λαμβάνεται υπόψη η σειρά με την οποία γίνεται η ομαδοποίηση. Για παράδειγμα, ένα χέρι πόκερ είναι ένας συνδυασμός - δεν μας νοιάζει σε ποια σειρά έχουμε μοιραστεί τα φύλλα, μόνο ότι κρατάμε ένα Royal Flush (ή ένα ζευγάρι των 3). Ο τύπος για την εύρεση ενός συνδυασμού είναι: C_ (n, k) = ((n), (k)) = (n!) / (K! (52) / ((5)! (52-5)!) = (52!) / ((52)) 5!) (47!)) Ας το αξιολογήσουμε! (52xx51xxcancelcolor (πορτοκαλί) (50) ^ 10xx49xxcancelcolor (κόκκινο) 48 ^ 2xxcancelcolor (καφέ) (47!)) / (Cancelcolor (πορτοκαλί) 5xxcancelcolor (κόκκινο) (4xx3xx2) xxcan Διαβάστε περισσότερα »

Μια τυποποιημένη γραφική παράσταση box-and whisker είναι μια οπτική αναπαράσταση όλων των σημείων δεδομένων, συμπεριλαμβανομένων των σημείων που βρίσκονται πολύ αριστερά ή άκρα δεξιά στο σύνολο δεδομένων. Αυτά τα ακραία σημεία δεδομένων ονομάζονται «απομεινάρια». Σε αντίθεση με το τυπικό boxplot, ένα τροποποιημένο boxplot δεν περιλαμβάνει τα αποθέματα. Αντ 'αυτού, τα υπερμεγέθη αντιπροσωπεύονται ως σημεία πέρα από τα «μουστάκια», προκειμένου να αντιπροσωπεύσουν με μεγαλύτερη ακρίβεια τη διασπορά των δεδομένων. Διαβάστε περισσότερα »

F-Test. Το F-test είναι ένας μηχανισμός στατιστικής δοκιμής που σχεδιάστηκε για να ελέγξει την ισότητα των μεταβλητών του πληθυσμού. Αυτό γίνεται με τη σύγκριση του λόγου των διακυμάνσεων. Έτσι, εάν οι διακυμάνσεις είναι ίσες, ο λόγος των διακυμάνσεων θα είναι 1. Όλες οι δοκιμές υποθέσεων γίνονται υπό την παραδοχή ότι η μηδενική υπόθεση είναι αληθής. Διαβάστε περισσότερα »

Χρησιμοποιούμε ANOVA για να ελέγξουμε για σημαντικές διαφορές μεταξύ μέσων. Χρησιμοποιούμε ANOVA, ή ανάλυση της διακύμανσης, για να ελέγξουμε για σημαντικές διαφορές μεταξύ μέσων πολλαπλών ομάδων. Για παράδειγμα, αν θέλαμε να μάθουμε αν η μέση GPA της βιολογίας, της χημείας, της φυσικής και των μεγάλων βιβλιοθηκών ήταν διαφορετική, θα μπορούσαμε να χρησιμοποιήσουμε ένα ANOVA. Αν είχαμε μόνο δύο ομάδες, η ANOVA θα ήταν η ίδια με μια t-test. Υπάρχουν τρεις βασικές υποθέσεις ενός ANOVA: Οι εξαρτώμενες μεταβλητές σε κάθε ομάδα κατανέμονται κανονικά Οι διακυμάνσεις των πληθυσμών σε κάθε ομάδα είναι ίσες Οι παρατηρήσεις είναι αν Διαβάστε περισσότερα »

Δες παρακάτω. Μια κατηγορική μεταβλητή είναι μια κατηγορία ή ένας τύπος. Για παράδειγμα, το χρώμα των μαλλιών είναι μια κατηγορική αξία ή η πατρίδα είναι μια κατηγορική μεταβλητή. Τα είδη, ο τύπος θεραπείας και το φύλο είναι όλες οι κατηγορικές μεταβλητές. Μια αριθμητική μεταβλητή είναι μια μεταβλητή όπου η μέτρηση ή ο αριθμός έχει αριθμητική σημασία. Για παράδειγμα, η συνολική βροχόπτωση που μετράται σε ίντσες είναι μια αριθμητική τιμή, ο καρδιακός ρυθμός είναι μια αριθμητική τιμή, ο αριθμός τυροβόλων που καταναλώνεται σε μια ώρα είναι μια αριθμητική τιμή. Μια κατηγορική μεταβλητή μπορεί να εκφραστεί ως αριθμός για τους σ Διαβάστε περισσότερα »

Μια έννοια ενός γεγονότος είναι εξαιρετικά σημαντική στη Θεωρία των Πιθανοτήτων. Στην πραγματικότητα, είναι μια από τις θεμελιώδεις έννοιες, όπως ένα σημείο στη Γεωμετρία ή μια εξίσωση στην Άλγεβρα. Πρώτα από όλα, θεωρούμε ένα τυχαίο πείραμα - κάθε σωματική ή ψυχική πράξη που έχει ορισμένο αριθμό αποτελεσμάτων. Για παράδειγμα, μετράμε χρήματα στο πορτοφόλι μας ή προβλέπουμε την τιμή του χρηματιστηριακού δείκτη του αύριο. Και στις δύο και πολλές άλλες περιπτώσεις το τυχαίο πείραμα έχει ως αποτέλεσμα ορισμένα αποτελέσματα (το ακριβές χρηματικό ποσό, την ακριβή τιμή του χρηματιστηριακού δείκτη κ.λπ.). Αυτά τα επιμέρους αποτελ Διαβάστε περισσότερα »

Παρακαλούμε δείτε παρακάτω. Μια τυχαία μεταβλητή είναι αριθμητικά αποτελέσματα ενός συνόλου πιθανών τιμών από ένα τυχαίο πείραμα. Για παράδειγμα, επιλέγουμε τυχαία ένα παπούτσι από ένα κατάστημα υποδημάτων και αναζητούμε δύο αριθμητικές τιμές του μεγέθους και της τιμής του. Μια διακριτή τυχαία μεταβλητή έχει έναν πεπερασμένο αριθμό πιθανών τιμών ή μια άπειρη ακολουθία μετρήσιμων πραγματικών αριθμών. Για παράδειγμα μέγεθος παπουτσιών, το οποίο μπορεί να λάβει μόνο πεπερασμένο αριθμό πιθανών τιμών. Ενώ μια συνεχής τυχαία μεταβλητή μπορεί να πάρει όλες τις τιμές σε ένα διάστημα πραγματικών αριθμών. Για παράδειγμα, η τιμή των Διαβάστε περισσότερα »

Η ανάλυση παλινδρόμησης είναι μια στατιστική διαδικασία για την εκτίμηση των σχέσεων μεταξύ των μεταβλητών. Η ανάλυση παλινδρόμησης είναι μια στατιστική διαδικασία για την εκτίμηση των σχέσεων μεταξύ των μεταβλητών. Είναι ένας γενικός όρος για όλες τις μεθόδους που επιχειρούν να προσαρμόσουν ένα μοντέλο στα παρατηρούμενα δεδομένα προκειμένου να ποσοτικοποιήσουν τη σχέση μεταξύ δύο ομάδων μεταβλητών, όπου η εστίαση είναι στη σχέση μεταξύ μιας εξαρτώμενης μεταβλητής και μιας ή περισσοτέρων ανεξάρτητων μεταβλητών. Η σχέση, ωστόσο, μπορεί να μην είναι ακριβής για όλα τα παρατηρούμενα σημεία δεδομένων. Ως εκ τούτου, πολύ συχνά, Διαβάστε περισσότερα »

Είναι μια κατανομή συχνότητας στην οποία όλοι οι αριθμοί αντιπροσωπεύονται ως κλάσμα ή ποσοστό του πλήρους μεγέθους του δείγματος. Δεν υπάρχει τίποτα περισσότερο σε αυτό. Προσθέτετε όλους τους αριθμούς συχνότητας για να πάρετε ένα μεγάλο σύνολο = το μέγεθος του δείγματός σας. Στη συνέχεια, διαιρείτε κάθε αριθμό συχνότητας με το μέγεθος δείγματος για να πάρετε ένα σχετικό κλάσμα συχνότητας. Πολλαπλασιάστε αυτό το κλάσμα κατά 100 για να πάρετε ένα ποσοστό. Μπορείτε να εισαγάγετε αυτά τα ποσοστά (ή κλάσματα) σε ξεχωριστή στήλη μετά τους αριθμούς συχνότητας. Συσσωρευτική συχνότητα Εάν έχετε παραγγείλει τιμές, όπως δοκιμαστικές Διαβάστε περισσότερα »

Ένας πίνακας σχετικής συχνότητας είναι ένας πίνακας που καταγράφει τους αριθμούς των δεδομένων σε μορφή ποσοστού, γνωστός και ως σχετική συχνότητα. Χρησιμοποιείται όταν προσπαθείτε να συγκρίνετε κατηγορίες μέσα στον πίνακα. Αυτός είναι ένας σχετικός πίνακας συχνότητας. Σημειώστε ότι οι τιμές των κυττάρων στον πίνακα είναι σε ποσοστά αντί για πραγματικές συχνότητες. Μπορείτε να βρείτε αυτές τις τιμές τοποθετώντας τις μεμονωμένες συχνότητες πάνω από το σύνολο των σειρών. Το πλεονέκτημα των σχετικών πινάκων συχνότητας σε πίνακες συχνότητας είναι ότι με τα ποσοστά μπορείτε να συγκρίνετε κατηγορίες. Διαβάστε περισσότερα »

Η συνδιακύμανση δείγματος είναι μια μέτρηση του πόσο πολύ μεταβλητές διαφέρουν μεταξύ τους μέσα σε ένα δείγμα. Το Covariance σας λέει πώς δύο μεταβλητές σχετίζονται μεταξύ τους σε γραμμική κλίμακα. Σας λέει πόσο ισχυρά συσχετίζεται το Χ με το Υ σας. Για παράδειγμα, αν η συνδιακύμανσή σας είναι μεγαλύτερη από μηδέν, αυτό σημαίνει ότι το Y σας αυξάνεται όσο αυξάνεται το Χ. Ένα δείγμα στα στατιστικά στοιχεία είναι απλά ένα υποσύνολο μεγαλύτερου πληθυσμού ή ομάδας. Για παράδειγμα, μπορείτε να πάρετε ένα δείγμα ενός δημοτικού σχολείου στη χώρα αντί να συλλέξετε δεδομένα από κάθε δημοτικό σχολείο της χώρας. Έτσι, η συνδιακύμανση Διαβάστε περισσότερα »

Μια μονόδρομη διανομή είναι μια διανομή που έχει μία λειτουργία. Μια μονόδρομη διανομή είναι μια διανομή που έχει μία λειτουργία. Βλέπουμε μια προφανή αιχμή στα δεδομένα. Η παρακάτω εικόνα δείχνει μια μονόδρομη κατανομή: Αντίθετα, μια διτροπική κατανομή μοιάζει με αυτή: Στην πρώτη εικόνα, βλέπουμε μια κορυφή. Στη δεύτερη εικόνα, βλέπουμε ότι υπάρχουν δύο κορυφές. Μια κανονική κατανομή μπορεί κανονικά να διανεμηθεί, αλλά δεν χρειάζεται να είναι. Διαβάστε περισσότερα »

Δείτε την εξήγηση Όταν είναι διαθέσιμος ένας μεγάλος όγκος αριθμητικών δεδομένων, δεν είναι πάντοτε δυνατό να εξεταστούν όλα τα αριθμητικά δεδομένα και να καταλήξουν σε ένα συμπέρασμα. Ως εκ τούτου, υπάρχει ανάγκη να μειωθούν τα δεδομένα σε μία ή σε λίγους αριθμούς, έτσι ώστε να είναι δυνατή η σύγκριση. Για το σκοπό αυτό, έχουμε οριστεί μέτρα κεντρικής τάσης που ορίζονται στη Στατιστική. Ένα μέτρο της κεντρικής τάσης μας δίνει μια αριθμητική τιμή που μπορεί να χρησιμοποιηθεί για σύγκριση. Επομένως, πρέπει να είναι ένας αριθμός ο οποίος επικεντρώνεται γύρω από τον μεγάλο όγκο δεδομένων - ένα σημείο βαρυτικής έλξης προς το ο Διαβάστε περισσότερα »

Σε μεγάλο βαθμό υπάρχουν δύο τύποι συνόλων δεδομένων - κατηγορηματικά ή ποιοτικά - αριθμητικά ή ποσοτικά Α κατηγορικά δεδομένα ή μη αριθμητικά δεδομένα - όπου η μεταβλητή έχει αξία παρατηρήσεων με τη μορφή κατηγοριών, μπορεί να έχει και δύο τύπους - α. Ονομαστική β. Ordinal α. Τα ονομαστικά δεδομένα έχουν ονομάσει κατηγορίες, π.χ. Η οικογενειακή κατάσταση θα είναι ένα ονομαστικό δεδομένου ότι θα λάβει παρατηρήσεις στις ακόλουθες κατηγορίες: Άγαμος, έγγαμος, διαζευγμένος / χωρισμένος, χήρος b.Τα στοιχεία του σπιτιού θα παίρνουν επίσης ονομαστικές κατηγορίες αλλά οι κατηγορίες θα έχουν βαθμό. π.χ. Ο κίνδυνος απόκτησης νοσοκο Διαβάστε περισσότερα »

Μια κανονική κατανομή είναι απολύτως συμμετρική, μια διαφορά ανύψωσης δεν είναι. Σε μια θετικά διαστρεβλωμένη κατανομή, το "δάκτυλο" στην μεγαλύτερη πλευρά είναι μεγαλύτερο από ό, τι στην άλλη πλευρά, προκαλώντας τη διάμεση, και κυρίως τη μέση, κίνηση προς τα δεξιά. Σε μια αρνητικά διαστρεβλωμένη κατανομή, αυτές μετακινούνται προς τα αριστερά, εξαιτίας ενός μεγαλύτερου "δακτύλου" στις μικρότερες τιμές. Ενώ σε κατάσταση μη οριζόντιας κανονικής κατανομής, ο μέσος όρος και ο μέσος όρος είναι όλοι στην ίδια τιμή. (φωτογραφίες από το διαδίκτυο) Διαβάστε περισσότερα »

Όλα αυτά σημαίνει ότι είναι το ελάχιστο μεταξύ του αθροίσματος της διαφοράς μεταξύ της πραγματικής τιμής y και της προβλεπόμενης τιμής y. Το ελάχιστο άθροισμα όλων των αποτελεσμάτων min sum_ (i = 1) ^ nhatu_i ^ 2 αυτό σημαίνει ότι είναι το ελάχιστο μεταξύ του αθροίσματος της διαφοράς μεταξύ της πραγματικής τιμής y και της προβλεπόμενης τιμής y. min sum_ (i = 1) ^ n (y_i-haty) ^ 2 Αυτός ο τρόπος με την ελαχιστοποίηση του σφάλματος μεταξύ του προβλεπόμενου και του σφάλματος που έχετε την καλύτερη προσαρμογή για τη γραμμή παλινδρόμησης. Διαβάστε περισσότερα »

Η δοκιμή chi-square του Pearson μπορεί να αναφέρεται σε μια δοκιμασία ανεξαρτησίας ή σε δοκιμασία καλής συμπεριφοράς. Όταν αναφερόμαστε σε μια δοκιμή "Pearson's chi-square", μπορούμε να αναφερθούμε σε μία από τις δύο δοκιμασίες: το τεστ της ανεξαρτησίας του Pearson's chi-square ή το τεστ τετραγωνικής δοκιμασίας Pearson's chi-square. Οι δοκιμασίες ορθότητας προσδιορίζουν κατά πόσο η διανομή μιας σειράς δεδομένων διαφέρει σημαντικά από τη θεωρητική κατανομή. Τα δεδομένα πρέπει να είναι ανεξάρτητα. Οι δοκιμές ανεξαρτησίας καθορίζουν αν οι μη ζευγαρωμένες παρατηρήσεις δύο μεταβλητών είναι ανεξάρτητες το έ Διαβάστε περισσότερα »