Στατιστική

Η πληθυσμιακή διακύμανση του συνόλου δεδομένων είναι sigma ^ 2 = 35 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 = 1 / N sum_ (i = 1) m = (-4 + 5+ 8 -1+ 0 +4 -12+ 4) / 8 = 4/8 = 1/2 Τώρα μπο Διαβάστε περισσότερα »

2.55 (3s.f.) {-7, 12, 14, 8, -10, 0, 14} σημαίνει: (-7+ 12+ 14+ 8+ -10 + 0+ 14) / 7 = 31/7 (n-μέσος όρος): -7 - 31/7 = - 49/7 - 31/7 = 80/7 12 - 31/7 = 84/7 - 31/7 = 53/7 14 - 31 / 7 = 98/7 - 31/7 = 67/7 8 - 31/7 = 56/7 - 31/7 = 25/7 -10 - 31/7 = -70/7 -31/7 = -101/7 0 - 31/7 = -31/7 14 - 31/7 = 98/7 - 67/7 = 32/7 διακύμανση = μέσος όρος των αποκλίσεων: (80/7 + 53/7 + 67/7 + 25/7 - 101/7 -31/7 +32/7) / 7 = 125/49 = 2,55 (3s.f.) Διαβάστε περισσότερα »

Απόκλιση sigma ^ 2 = 542/49 = 11.0612 Επίλυση της μέσης barx πρώτης barx = (7 + 3 + (- 1) +1 + (- 3) +4 + ^ 2 ^ ^ ^ 2 = ((7-9 / 7) ^ 2 + (3-9 / 7) ^ 2 + (1-9 / 7) ^ 2+ (1-9 / 7) 3-9 / 7) ^ 2 + (4-9 / 7) ^ 2 + (- 2-9 / 7) ^ 2) / 7 sigma ^ 2 = 542/49 = 11.0612 Θεός ευλογεί .... εξήγηση είναι χρήσιμη. Διαβάστε περισσότερα »

-140.714286 Η διακύμανση υπολογίζεται χρησιμοποιώντας τον τύπο 1 / N sum_ (N = 1) ^ N (x_i-mu), και όταν sub στους αριθμούς παίρνετε τις ακόλουθες τιμές: mu = 8 (-14-8) 2 = -248 (-9-8) 2 = (- 17) 2 = -289 (-7-8) 2 = (- 15) 8) ^ 2 = 0 (8-8) ^ 2 = 0 (10-8) ^ 2 = (2) ^ 2 = 4 (12-8) ^ 2 = -289) + (- 225) + 0 + 0 + 4 + 9) / 7 = -140,714286 Διαβάστε περισσότερα »

Sigma ^ 2 = 428/9 = 47.5556 Από το δεδομένο: n = 6 Λύπουμε αρχικά για τον αριθμητικό μέσο. barx = (8 + 19 + 10 + 0 + 1 + 0) / 6 = 38/6 = 19/3 Ο τύπος για τη διακύμανση των μη συγκεντρωμένων δεδομένων είναι sigma ^ 2 = (άθροισμα (x-barx) ^ 2 = ((8-19 / 3) ^ 2 + (19-19 / 3) ^ 2 + (10-19 / 3) ^ 2 + (0-19 / 3) ) ^ 2 + (0-19 / 3) ^ 2) / 6 sigma ^ 2 = 428/9 = 47.5556 Ο Θεός ευλογεί .... Ελπίζω ότι η εξήγηση είναι χρήσιμη. Διαβάστε περισσότερα »

Η απόκλιση είναι 28.472 Μέση από {9, -4, 7, 10, 3, -2} είναι (9 + (- 4) + 7 + 10 + 3 + (- 2)) / 6 = 23/6. (x, x, x, ..., x_6), του οποίου ο μέσος όρος είναι barxis που δίνεται από (Sigma (x-barx) ^ 2) / 6 και επομένως είναι 1/6 * {23 / (23 / 6-7) ^ 2 + (23 / 6-10) ^ 2 + (23 / 6-3) ^ 2 + (23/6 - 2) (2) ή 1/6 * {(- 31/6) ^ 2 + (47/6) ^ 2 + (- 19/6) ^ 2 + 6) ^ 2 + (35/6) ^ 2) = 1/6 * {961/36 + 2209/36 + 361/36 + 1369/36 + 25/36 + 1225/36} /36)=28.472 Διαβάστε περισσότερα »

1913/30 Εξετάστε το σύνολο X των αριθμών 9, 4, -5, 7, 12, -8 Βήμα 1: "Μέση" = "Άθροισμα τιμών X" / "N (Αριθμός τιμών)" = 4 + (-5) + 7 + 12 + (-8)) / 6 = 19/6 Βήμα 2: Για να βρείτε τη διακύμανση, αφαιρέστε τον μέσο όρο από κάθε μία από τις τιμές 9 - 19/6 = 54/6 - 19/6 = 35/6 4 - 19/6 = 24/6 - 19/6 = 5/6 -5 - 19/6 = -30/6 - 19/6 = -49/6 7-19 / 6 = 42/6 - 19/6 = 23/6 12 - 19/6 = 72/6 - 19/6 = 53/6 -8 - 19/6 = -48/6 - 19/6 = -67/6 Βήμα 3: Τώρα τετράγωνο όλες τις απαντήσεις που είχατε πάρει από την αφαίρεση. (35/6) ^ 2 = 1225/36 (5/6) ^ 2 = 25/36 (-49/6) ^ = 2401/36 (23/6) ^ 2 = 529/36 ^ 2 = 2809/3 Διαβάστε περισσότερα »

Η κατανομή είναι μια εκθετική κατανομή. k = 2 και E (x) = 1/2, E (x ^ 2) = 1/2 => V (x) = E (x ^ 2) (1/2) ^ 2 = 1/2 - 1/4 = 1/4. Το όριο της κατανομής είναι (0, oo) Για να βρούμε k, int_0 ^ B ke ^ - (2x) dx = k Gamma (1) / 2 = 1 = x) = # int_0 ^ Bx Διαβάστε περισσότερα »

Υποθέτοντας ότι ψάχνουμε για μια διακύμανση του πληθυσμού: χρώμα (άσπρο) ("XXX") sigma _ ("pop") ^ 2 = 150.64 Εδώ είναι τα δεδομένα σε μορφή υπολογιστικού φύλλου (φυσικά με τα δεδομένα, λειτουργούν για να δώσουν τη διακύμανση χωρίς τις ενδιάμεσες τιμές · είναι εδώ μόνο για εκπαιδευτικούς σκοπούς). Η διακύμανση του πληθυσμού είναι (το άθροισμα των τετραγώνων των διαφορών των τιμών μεμονωμένων δεδομένων από το μέσο όρο) χρώμα (λευκό) ("XXX") διαιρούμενο με (τον αριθμό των τιμών δεδομένων) Όχι ότι εάν τα δεδομένα προορίζονταν να είναι μόνο ένα δείγμα από κάποιον μεγαλύτερο πληθυσμό τότε θα π Διαβάστε περισσότερα »

"Απόκλιση" _ "ποπ." ~ ~ 12.57 Δεδομένων των όρων: {2,9,3,2,7,7,12} Σύνολο όρων: 2 + 9 + 3 + 2 + 7 + 7 + 12 = 42 Αριθμός όρων: 7 Μέσος όρος: 7 = 6 αποκλίσεις από το μέσο: {abs (2-6), abs (9-6), abs (3-6), abs (2-6), abs (7-6), abs (7-6) abs (12-6)} Τετράγωνα αποκλίσεων από τον μέσο όρο: {(2-6) ^ 2, (9-6) ^ 2, (3-6) ^ 2, ) ^ 2, (7-6) ^ 2, (12-6) ^ 2} Το άθροισμα των τετραγώνων των αποκλίσεων σχηματίζει Μέση: (2-6) ^ 2, + (9-6) ^ 2 + ^ 2 + (2-6 ^ 2) + (7-6) ^ 2 + (7-6) ^ 2 + (12-6) ^ 2 = 88 Διακύμανση του πληθυσμού = ("Άθροισμα τετραγώνων αποκλίσεων από το μέσο" / ("Αριθμός Όρων") = 88/ Διαβάστε περισσότερα »

3.27 Απόκλιση = άθροισμα ^ 2 / n - (μέση) ^ 2 Μέση = άθροισμα (x) / n όπου n στον αριθμό των όρων = (4 + 7 + 4 + 2 + 1 + 4 + 5) ) / 7 = 3.857 sumx ^ 2 = 4 ^ 2 + 7 ^ 2 + 4 ^ 2 + 2 ^ 2 + 1 ^ 2 + 4 ^ 2 + 5 ^ 2 = 127 SO Διακύμανση = 127/7 - (3.857) = 3.27 Διαβάστε περισσότερα »

Σχήμα 2 = 18,8 μέσος όρος = (63 + 54 + 62 + 59 + 52) / 5 μέσος = 58 n = 5 63 x - μέσος = 63 - 58 = 5 x - μέσο = 54 - 58 = -4 (x - μέση τιμή) ^ 2 = (-4) ^ 2 = 16 62 x - μέση = 62 - 58 = 4 x - μέσος όρος = 59 - 58 = 1 (x - μέση τιμή) = 2 = 1 2 = 1 52 x - μέση = 52 - 58 = -6 (x - μέση τιμή) 2 = 25 + 16 + 16 + 1 + 36 = 94 sigma ^ 2 = Διαβάστε περισσότερα »

Απόκλιση πληθυσμού (sigma ^ 2) είναι ο μέσος όρος των τετραγώνων των διαφορών μεταξύ κάθε στοιχείου δεδομένων πληθυσμού και του μέσου όρου του πληθυσμού.Για πληθυσμό {d_1, d_2 , d_3, ...} μεγέθους n με μέση τιμή mu sigma ^ 2 = (άθροισμα (d_i-mu) ^ 2) / n Διαβάστε περισσότερα »

Δες παρακάτω. Το πρότυπο κανονικό είναι το κανονικό set έτσι ώστε mu, sigma = 0,1 ώστε να γνωρίζουμε τα αποτελέσματα εκ των προτέρων. Το αρχείο PDF για το πρότυπο κανονικό είναι: mathbb P (z) = 1 / sqrt (2 pi) e ^ (- z ^ 2/2) Έχει μέση τιμή: mu = int_ (- oo) ^ mathbb P (z) = 1 / sqrt (2 pi) int _ (- oo) ^ (oo) dz ze ^ (oo) d (- e ^ (- z ^ 2/2)) = 1 / sqrt (2 pi) [e ^ ακολουθεί το ακόλουθο παράδειγμα: Var (z) = int _ (- oo) ^ (oo) dz (z - mu) ^ 2 mathbb P (z) = 1 / sqrt z ^ 2 e ^ (- z ^ 2/2) Αυτή τη φορά, χρησιμοποιήστε IBP: Var (z) = - 1 / sqrt (2 pi) int _ (2)) z = - 1 / sqrt (2 pi) ([ze ^ (- z ^ 2/2) dz e ^ (-z ^ 2/2)) = Διαβάστε περισσότερα »

(X) dx που μπορεί να γραφεί ως: sigma ^ 2 = intx ^ 2f (x) dx-2mu ^ 2 + mu ^ 2 = intx ^ dx - mu ^ 2 sigma_0 ^ 2 = 3int_-1 ^ 1 x ^ 4dx = 3/5 [x ^ 5] _- 1 ^ 1 = 6/5 Υποθέτω ότι η ερώτηση σημαίνει f (x) 2 "για" -1 <χ <1. 0 "διαφορετικά" Βρείτε τη διακύμανση; (Xx) dx) ^ mu + mu ^ 2cancel (intf (x)) x (x) ) dx) ^ 1 sigma ^ 2 = intx ^ 2f (x) dx-2mu ^ 2 + mu ^ 2 = intx ^ 2f (x) x ^ 2dx -mu ^ 2 = sigma_0 ^ 2 + mu ^ 2 Όπου sigma_0 ^ 2 = 3int_-1 ^ 1 x ^ 4dx και mu = 3int_-1 ^ 1 ^ ^ 3dx Ας υπολογίσουμε sigma_0 ^ 2 " με συμμετρία mu = 0 ας δούμε: mu = 3int_-1 ^ 1 x ^ 3dx = [3/4x ^ 4] _- 1 ^ 1 = 3/4 [1-1] Διαβάστε περισσότερα »

"β)" 7/16 "Το αντίθετο συμβάν είναι ότι το ελάχιστο είναι"> = 1/4 ". Είναι πιο εύκολο να υπολογίσουμε αυτό το συμβάν καθώς δηλώνουμε απλά ότι" x "και" y "πρέπει να είναι αμφότερα"> = 1/4 " έπειτα." "Και οι αποδόσεις γι 'αυτό είναι απλά" (3/4) ^ 2 = 9/16 => P ["min" <= 1/4] = 1 - 9/16 = 7/16 Διαβάστε περισσότερα »

= 0.999979973 "Το συμπληρωματικό συμβάν είναι ευκολότερο να υπολογιστεί." "Έτσι υπολογίζουμε την πιθανότητα να πάρουμε περισσότερα από 18 κεφάλια." "Αυτό είναι ίσο με την πιθανότητα να πάρεις 19 κεφάλια, συν την πιθανότητα να πάρεις 20 κεφάλια". "Εφαρμόζουμε την διωνυμική κατανομή." [20 κεφαλές] = C (20,19) (1/2) ^ 20 P ["20 κεφαλές"] = C (20,20) (1/2) ^ 20 " ) = (n!) / (nk)! k!) "(συνδυασμοί)" => P ["19 ή 20 κεφαλές"] = (20 + 1) (1/2) ^ 20 = 21/1048576 = P ["το πολύ 18 κεφαλές"] = 1 - 21/1048576 = 1048555/1048576 = 0.999979973 Διαβάστε περισσότερα »

Z = -1.5 Δεδομένου ότι γνωρίζουμε ότι ο χρόνος που απαιτείται για να ολοκληρωθεί η δοκιμασία κανονικά διανέμεται, μπορούμε να βρούμε το z-score για αυτή τη συγκεκριμένη ώρα. Ο τύπος για μια βαθμολογία z είναι z = (x - mu) / sigma, όπου το x είναι η παρατηρούμενη τιμή, το mu είναι ο μέσος όρος και το sigma είναι η τυπική απόκλιση. z = (45 - 60) / 10 z = -1,5 Ο χρόνος του μαθητή είναι 1,5 τυπικές αποκλίσεις κάτω από το μέσο όρο. Διαβάστε περισσότερα »

Δες παρακάτω. Η τιμή R ^ 2 βασικά σας λέει ποιο ποσοστό της μεταβολής της μεταβλητής απόκρισης σας υπολογίζεται από τη μεταβολή της επεξηγηματικής σας μεταβλητής. Παρέχει ένα μέτρο της αντοχής μιας γραμμικής σύνδεσης. Σε αυτή την περίπτωση, R12 = 0.7569. Με πολλαπλασιασμό αυτού του δεκαδικού με 100, διαπιστώνουμε ότι το 75,69% της διακύμανσης του ενεργειακού περιεχομένου ενός πακέτου μαρκών μπορεί να εξηγηθεί από τη μεταβολή της περιεκτικότητάς τους σε λιπαρά. Φυσικά, αυτό σημαίνει ότι το 24,31% της διακύμανσης του ενεργειακού περιεχομένου οφείλεται σε άλλους παράγοντες. Διαβάστε περισσότερα »

Η βαθμολογία z για το διάστημα εμπιστοσύνης 98% είναι 2,33. Το μισό από το 0,98 = 0,49 Αναζητήστε αυτήν την τιμή στην περιοχή κάτω από τον πίνακα Normal curve. Η πλησιέστερη τιμή είναι 0,4901 Η τιμή z είναι 2,33 Διαβάστε περισσότερα »

Η τυπική κανονική κατανομή απλώς μετατρέπει την ομάδα δεδομένων στην κατανομή συχνοτήτων μας έτσι ώστε ο μέσος όρος να είναι 0 και η τυπική απόκλιση να είναι 1 (Z) (73-74) / (3 / sqrt (135)) = -sqrt (135) . Μπορούμε να χρησιμοποιήσουμε: z = (x-mu) / sigma υποθέτοντας ότι έχουμε sigma αλλά εδώ έχουμε SD = s; z = (x-mu) / (s / sqrt (η)). όπου n είναι μέγεθος δείγματος ... Διαβάστε περισσότερα »

Η βαθμολογία Z είναι -0.866 z-score της μεταβλητής x με μέση τιμή mu, και η τυπική απόκλιση sigma δίνεται από (x-mu) / (sigma / sqrtn) As mu = 55, sigma = 2, n = 3 και x = Το z-σκορ είναι (56-55) / (2 / sqrt3) = ((- 1) * sqrt3) /2=-0.866 Διαβάστε περισσότερα »

Z = 0 Έχω τις αμφιβολίες μου για την ορθότητα του προβλήματος. Το μέγεθος του δείγματος είναι 5. Είναι σκόπιμο να βρεθεί η βαθμολογία t. z θα υπολογίζεται μόνο όταν το μέγεθος του δείγματος είναι> = 30 Μερικοί στατιστικολόγοι, αν πιστεύουν ότι η κατανομή του πληθυσμού είναι φυσιολογική, χρησιμοποιεί το ζ ζυγίζει ακόμη και αν το μέγεθος δείγματος είναι μικρότερο από 30. Δεν δηλώσατε ρητά για ποια διανομή θέλετε για τον υπολογισμό του z. Μπορεί να είναι μια παρατηρούμενη κατανομή ή μπορεί να είναι μια κατανομή δειγματοληψίας. Δεδομένου ότι έχετε θέσει την ερώτηση, θα απαντήσω υποθέτοντας ότι είναι μια κατανομή δειγματοληψ Διαβάστε περισσότερα »

Η βαθμολογία z είναι -26,03 z-βαθμολογία της μεταβλητής x με μέση τιμή mu, και η τυπική απόκλιση sigma δίνεται από (x-mu) / (sigma / sqrtn) As mu = 35, sigma = 5, n = 57 και x = Το z-σκορ είναι (13-35) / (5 / sqrt35) = ((- 22) * sqrt35) /5=-26.03 Διαβάστε περισσότερα »

Η απάντηση είναι z = 0,05 σε κανονική κατανομή. Για να λύσετε αυτό το πρόβλημα, θα χρειαστείτε πρόσβαση σε ένα τραπέζι z (που ονομάζεται επίσης "κανονικό κανονικό τραπέζι") για την κανονική διανομή. Υπάρχει ένα καλό στην Wikipedia. Αναρωτώντας ποια είναι η τιμή του z έτσι ώστε το 52% των δεδομένων να είναι στα αριστερά του, ο στόχος σας είναι να βρείτε μια τιμή z όπου η αθροιστική περιοχή μέχρι την τιμή του z αθροίζεται στο 0,52. Επομένως, χρειάζεστε έναν σωρευτικό πίνακα z. Βρείτε την καταχώρηση στον αθροιστικό πίνακα που δείχνει πού μια ορισμένη τιμή του z είναι πλησιέστερη προς μια έξοδο στον πίνακα του 0,52 ( Διαβάστε περισσότερα »

0,38. Ανατρέξτε στον παρακάτω πίνακα. Γενικά, κάποιος πρέπει είτε να χρησιμοποιήσει έναν τέτοιο πίνακα είτε ένα πρόγραμμα υπολογιστή για να καθορίσει τη βαθμολογία z που σχετίζεται με ένα συγκεκριμένο CDF ή το αντίστροφο. Για να χρησιμοποιήσετε αυτόν τον πίνακα, βρείτε την τιμή που ψάχνετε, στην περίπτωση αυτή 0,65. Η σειρά σας λέει αυτά και τη δέκατη θέση και η στήλη σας λέει την εκατονταετη θέση. Έτσι, για 0,65, μπορούμε να δούμε ότι η τιμή είναι μεταξύ 0,38 και 0,39. http://homes.cs.washington.edu/~jrl/normal_cdf.pdf Διαβάστε περισσότερα »

Συνολικά, νομίζω ότι η απόφαση να χρησιμοποιήσετε ένα γράφημα ή ένα πίτα είναι μια προσωπική επιλογή. Αν χρησιμοποιείτε γραφήματα ως μέρος μιας παρουσίασης, επικεντρωθείτε στη συνολική ιστορία που προσπαθείτε να μοιραστείτε με τα γραφικά γραφήματα και τις εικόνες. Παρακάτω είναι η συντομευμένη κατευθυντήρια γραμμή που χρησιμοποιώ για να αξιολογώ αν θα χρησιμοποιήσω ένα γράφημα ή ένα διάγραμμα πίτας: Bar Chart όταν σημειώνουμε τις τάσεις των επιδόσεων (π. Χ., Με την πάροδο του χρόνου) Πίνακας πίτας κατά την απεικόνιση του συνόλου Παράδειγμα: Ας υποθέσουμε ότι θέλετε να παρακολουθήσετε πώς ξοδέψετε τα χρήματά σας. Και αυτό τ Διαβάστε περισσότερα »

P (2,3,5 ή 7) = 1/2 (Πιθανότητα προσγείωσης σε πρωταρχικό αριθμό) P_c = 1 - 1/2 = 1/2 (Πιθανότητα μη προσγείωσης σε prime) περιλαμβάνονται) Υπάρχουν 4 πρώτες προσθήκες στη λίστα, από 8 συνολικά αριθμούς. Έτσι, η πιθανότητα είναι ο αριθμός των ευνοϊκών αποτελεσμάτων (4) που διαιρούνται με τα συνολικά πιθανά αποτελέσματα (8). Αυτό ισούται με το μισό. Η πιθανότητα συμπλήρωσης οποιουδήποτε συμβάντος είναι P_c = 1 - P_1. Το συμπλήρωμα του πρωταρχικού συνόλου είναι {1, 4, 6, 8}. Αυτό δεν είναι το σύνολο των σύνθετων αριθμών (καθώς το 1 δεν θεωρείται ούτε πρωτεύον ούτε σύνθετο). Έτσι, το συμπλήρωμα είναι το σύνολο των μη πρωταρχι Διαβάστε περισσότερα »

Η απάντηση είναι 14 επιλέξτε 6. Αυτό είναι: 3003 Ο τύπος για τον υπολογισμό του αριθμού των τρόπων επιλογής k πράγματα από n στοιχεία είναι (n!) / [K! (N-k)!] Όπου a! σημαίνει τον παράγοντα α. Ο συντελεστής ενός αριθμού είναι απλά το προϊόν όλων των φυσικών αριθμών από το 1 έως τον δεδομένο αριθμό (ο αριθμός περιλαμβάνεται στο προϊόν). Έτσι η απάντηση είναι (14!) / (6! 8!) = 3003 Διαβάστε περισσότερα »

1. Όλες οι πιθανότητες υπάρχουν σε μια συνέχεια από 0 έως 1. 0 είναι ένα αδύνατο συμβάν και το 1 είναι ένα συγκεκριμένο γεγονός. Ορισμένες ιδιότητες πιθανότητας είναι ότι η πιθανότητα ενός συμβάντος που δεν συμβαίνει είναι ίσο με 1 μείον την πιθανότητα να συμβεί το συμβάν. Επειδή ολόκληρη η κατανομή συχνότητας περιέχει ΟΛΑ τα πιθανά αποτελέσματα, η πιθανότητα του γεγονότος να είναι εντός αυτής της κατανομής συχνότητας είναι βέβαιο ή 1. Διαβάστε περισσότερα »

1) Η πιθανότητα είναι 0.9xx0.08 = 0.072 = 7.2% 2) Η πιθανότητα είναι 0.9xx0.92xx0.12 = 0.09936 = 9.936% Οι ρυθμοί απόρριψης των τριών τμημάτων είναι 0.1, 0.08 και 0.12 αντίστοιχα. Αυτό σημαίνει ότι 0.9, 0.92 και 0.88 είναι η πιθανότητα ο ορός να περάσει τη δοκιμασία σε κάθε τμήμα χωριστά. Η πιθανότητα ο ορός να περάσει τον πρώτο έλεγχο είναι 0,9. Η πιθανότητα να αποτύχει η δεύτερη εξέταση είναι 0,08. Επομένως, η πιθανότητά του είναι 0.9x0.08 = 0.072 = 7.2%. Για να απορριφθεί ο ορός από το τρίτο τμήμα, πρέπει πρώτα να περάσει η πρώτη και δεύτερη επιθεώρηση. Η υπό όρους πιθανότητα είναι 0.9x0.92. Το ποσοστό απόρριψης του τρί Διαβάστε περισσότερα »

Οπουδήποτε μεταξύ 0% και λίγο κάτω από το 50% Εάν όλες οι τιμές σε ένα σύνολο δεδομένων μεγέθους 2N + 1 διαφέρουν, τότε N / (2N + 1) * 100% Αν τα στοιχεία του συνόλου δεδομένων είναι διατεταγμένα σε αύξουσα σειρά, τότε η διάμεση τιμή είναι η τιμή του μεσαίου στοιχείου. Για ένα μεγάλο σύνολο δεδομένων με ξεχωριστές τιμές, το ποσοστό των τιμών μικρότερο από το διάμεσο θα είναι λίγο κάτω από 50%. Εξετάστε το σύνολο δεδομένων [0, 0, 0, 1, 1].Ο διάμεσος είναι 0 και το 0% των τιμών είναι μικρότερο από το διάμεσο. Διαβάστε περισσότερα »

0,420175 = P ["5 γκολ σε 6 βολές"] + P ["6 γκολ σε 6 βολή"] = C (6,5) (7/10) ^ 5 (3/10) + C (6,6) 7/10) ^ = (7/10) ^ 5 (6 * 3/10 + 7/10) = (7/10) ^ 5 (25/10) = 7 ^ 5 * 25/10 ^ = 420175 / 1000000 = 0,420175 Διαβάστε περισσότερα »

0.2252 "Υπάρχουν συνολικά 5 + 7 + 8 = 20 κραγιόνια." = (15) (5/20) ^ (15/20) ^ = ((15!) 5 ^ 4 15 ^ 11) / (11) ) = 0.2252 "Επεξήγηση:" "Επειδή αντικαθιστούμε, οι πιθανότητες για το" "σχηματισμό ενός μπλε κραγιόν είναι" "κάθε φορά 5/20 .. Εκφράζουμε ότι κάνουμε 4 φορές ένα μπλε" "και έπειτα 11 φορές όχι μπλε από 5/20) ^ 4 (15/20) ^ 11. " "Φυσικά, τα μπλε δεν πρέπει πρώτα να σχεδιαστούν έτσι υπάρχουν" C "(15,4) τρόποι να τους σχεδιάσουμε, έτσι πολλαπλασιάζουμε με τον C (15,4)." "και C (15,4)" = (15!) / (11! 4!) "(συνδυασμοί)" Διαβάστε περισσότερα »

Υπάρχουν διάφορα είδη μέσων όρων, αλλά συνήθως θεωρείται ότι είναι ο αριθμητικός μέσος όρος. Ο διάμεσος, ο οποίος επίσης θεωρείται χαλαρά ως «μέσος όρος», υπολογίζεται με διαφορετικό τρόπο. Ας εξετάσουμε αυτή τη λίστα αριθμών που, για λόγους ευκολίας. παρατίθενται με αριθμητική σειρά: 4, 7, 8, 12, 13, 16, 20, 21 Για να λάβετε τον αριθμητικό μέσο, προσθέστε τους αριθμούς μαζί για να λάβετε το άθροισμα. Μετρήστε τους αριθμούς για να μετρήσετε. Διαχωρίστε το άθροισμα από τον αριθμό για να πάρετε τον αριθμητικό μέσο. 4 + 7 + 8 + 12 + 13 + 16 + 20 + 21 = 101 -> το άθροισμα. Υπάρχουν 8 αριθμοί, έτσι 101/8 = 12.625 Διαβάστε περισσότερα »

Κοιτάξτε κάτω από το :) Για να βρείτε τον μέσο όρο ενός συνόλου αριθμών, προσθέστε πρώτα όλους τους αριθμούς στο σύνολο και στη συνέχεια διαιρέστε με το συνολικό αριθμό των αριθμών. Για παράδειγμα, το σετ σας αποτελείται από τα ακόλουθα: 32,40,29,45,33,33,38,41 Θα τα προσθέσετε: 32 + 40 + 29 + 45 + 33 + 33 + 38 + 40 = 290 Τώρα θα πάρει το σύνολο 290 και θα διαιρέσει με το συνολικό αριθμό των αριθμών, για την περίπτωσή μας έχουμε συνολικά 8 αριθμούς. 290/8 = 36.25 Ο μέσος όρος είναι 36.25 Διαβάστε περισσότερα »

"Συνεχής" δεν έχουν κενά. Οι "διακριτές" έχουν ξεχωριστές τιμές που χωρίζονται από περιοχές "χωρίς αξία". Συνεχής μπορεί να είναι κάτι σαν το ύψος, το οποίο μπορεί να ποικίλει σε έναν πληθυσμό "συνεχώς", χωρίς συγκεκριμένους περιορισμούς. Το "διακριτό" θα μπορούσε να είναι επιλογές ή αποτελέσματα μιας δοκιμής - είτε "είναι" είτε "δεν είναι" - δεν υπάρχουν διαβαθμίσεις ή "συνέχεια" μεταξύ των επιλογών. http://stattrek.com/probability-distributions/discrete-continuous.aspx Διαβάστε περισσότερα »

Οι περιγραφικές στατιστικές περιλαμβάνουν περιγραφή των δεδομένων δειγμάτων δεδομένων, χωρίς να κρίνουν τον πληθυσμό. Για παράδειγμα: ο μέσος δείκτης μπορεί να υπολογιστεί από το δείγμα και είναι ένα περιγραφικό στατιστικό στοιχείο. Οι στατιστικές παρεμβάσεων εξάγουν ένα συμπέρασμα σχετικά με τον πληθυσμό με βάση το δείγμα. Για παράδειγμα, υπονοώντας ότι η πλειοψηφία των ανθρώπων υποστηρίζει έναν υποψήφιο (με βάση ένα δεδομένο δείγμα). Σχέση: Επειδή δεν έχουμε πρόσβαση σε ολόκληρο τον πληθυσμό, χρησιμοποιούμε περιγραφικά στατιστικά στοιχεία για να καταλήξουμε σε συμπεράσματα συμπερασμάτων. Διαβάστε περισσότερα »

Η λειτουργία θα αυξηθεί επίσης με τον ίδιο αριθμό Αφήστε να υπάρχει ένα σύνολο δεδομένων: a_1; a_2; a_3; ...; a_n. Ας είμαστε ένας τρόπος αυτού του συνόλου. Εάν προσθέσετε έναν αριθμό n σε κάθε τιμή, η ποσότητα των αριθμών δεν θα αλλάξει, αλλά μόνο οι αριθμοί αλλάζουν, οπότε αν ένας αριθμός m είχε τις περισσότερες εμφανίσεις (m είναι ο τρόπος), μετά την προσθήκη ενός αριθμού m + n θα έχει (αυτό θα συμβεί στις ίδιες θέσεις στο σύνολο όπως το m στην πρώτη). Διαβάστε περισσότερα »

Λεπτομέρειες για παράδειγμα: το κέρμα που κέρδισε γενικά η πιθανότητα ουράς και κεφαλιού θα πρέπει να είναι 50% αλλά στην πραγματικότητα θα μπορούσε να είναι 30% κεφαλή & 70% ουρά ή 40% κεφαλή & 60% ουρά ή ...... αλλά περισσότερο φορές που κάνετε το πείραμα => το δείγμα είναι μεγαλύτερο (συνήθως υψηλότερο από 30) από το CLT (κεντρικό όριο όριο), τελικά θα συγκλίνει στο 50% 50% Διαβάστε περισσότερα »

Αν έχετε πάρα πολλές διαφορετικές τιμές. Παράδειγμα: Πείτε ότι μετράτε το ύψος των 2000 ενήλικων ανδρών. Και μετράτε στο πλησιέστερο χιλιοστό. Θα έχετε 2000 τιμές, οι περισσότερες από τις οποίες είναι διαφορετικές. Τώρα, εάν θέλετε να δώσετε μια εντύπωση σχετικά με την κατανομή ύψους στον πληθυσμό σας, θα πρέπει να ομαδοποιήσετε αυτές τις μετρήσεις σε τάξεις, για παράδειγμα 50 mm (κάτω από 1,50m, 1,50- <1,55m, 1,55 - <160m κ.λπ.) Υπάρχουν τα όρια της τάξης σας. Όλοι από 1.500 έως 1.549 θα είναι σε μια τάξη, όλοι από 1.550 έως 1.599 θα είναι στην επόμενη τάξη κλπ. Τώρα μπορεί να έχετε σημαντικούς αριθμούς τάξεων, που Διαβάστε περισσότερα »

Όταν: 1) δεν γνωρίζετε κάθε λεπτομέρεια του μοντέλου σας, 2) δεν αξίζει τον κόπο να διαμορφώσουμε κάθε λεπτομέρεια. 3) το σύστημα που έχετε είναι τυχαίο από τη φύση του. Πρώτα απ 'όλα, πρέπει να ορίσουμε τι είναι "τυχαία αποτελέσματα". Τα τυχαία εφέ είναι οτιδήποτε, εσωτερικά ή εξωτερικά, που επηρεάζει τη συμπεριφορά του συστήματός σας, π.χ. σκουπίδια σε ένα ηλεκτρικό δίκτυο της πόλης. Οι άνθρωποι τα βλέπουν διαφορετικά, π.χ. οι άνθρωποι από την οικολογία αρέσουν να τους αποκαλούν καταστροφές, η περίπτωση της διακοπής ρεύματος ή η δημογραφική, στην περίπτωση της πόλης θα ήταν μια αύξηση στη χρήση ενέργειας πο Διαβάστε περισσότερα »

"a) 0.351087" "b) 7.2" "γ) 0.056627" "P [το άθροισμα είναι 8] = 5/36" "Υπάρχουν 5 πιθανές συνδυασμοί για να πετάξετε 8: ), (4,4), (5,3) και (6,2). " "α) Αυτό είναι ίσο με τις αποδόσεις που έχουμε 7 φορές στη σειρά ένα" "ποσό διαφορετικό από 8, και αυτές είναι" (1 - 5/36) ^ 7 = (31/36) ^ 7 = 0.351087 "b ) P = "2" = P ["x = 8, x> = 2"] / ] = (P ["x = 8"]) / (P ["x> = 2"]) P ["x = 8"] = 0.351087 * (5/36) = 0.048762 P ["x> = 2 "] = P [" το πρώτο ποσό δεν είναι 8 "] = 31/36 =& Διαβάστε περισσότερα »

4.1051 * 10-7% για 2 κόκκινα, 1 κίτρινο χωρίς αντικατάσταση. 3 κόκκινα δίσκοι + 10 πράσινοι δίσκοι + 10 κίτρινοι δίσκοι = 30 δίσκοι συνολικά 1) Σχεδιάστε 2 κόκκινα δίσκους και 1 κόκκινο δίσκο 1 κίτρινο δίσκο διαδοχικά χωρίς να τα αντικαταστήσετε. Δημιουργούμε κλάσματα, όπου ο αριθμητής είναι ο δίσκος που σχεδιάζετε και ο παρονομαστής είναι ο αριθμός των δίσκων που παραμένουν στην τσάντα. 1 είναι ένας κόκκινος δίσκος και 30 είναι ο αριθμός των δίσκων που απομένουν. Καθώς βγάλετε τους δίσκους (και όχι αντικαθιστώντας τους!) Ο αριθμός των δίσκων στην τσάντα μειώνεται. Ο αριθμός των δίσκων που απομένουν μειώνεται σε 29 για το Διαβάστε περισσότερα »

31 Πρώτα ορισμένοι ορισμοί: Η διάμεση τιμή είναι η μεσαία τιμή μιας ομάδας αριθμών. Ο μέσος όρος είναι το άθροισμα μιας ομάδας αριθμών που διαιρείται με τον αριθμό των αριθμών. Κατά τη διεκπεραίωση αυτού του στόχου, καθίσταται σαφές ότι ο στόχος σε αυτή την άσκηση είναι να αυξήσει τους διάφορους μεσαίους. Πώς θα το κάνουμε αυτό; Ο στόχος είναι να κανονίσουμε τα σύνολα αριθμών έτσι ώστε οι μέσες τιμές κάθε σετ να είναι όσο το δυνατόν υψηλότερες. Για παράδειγμα, ο υψηλότερος δυνατός διάμεσος είναι 41 με τους αριθμούς 42, 43, 44 και 45 να είναι υψηλότεροι από αυτόν και κάποια ομάδα τεσσάρων αριθμών να είναι μικρότερος από αυτ Διαβάστε περισσότερα »

48 φορές Πόσες φορές αναμένεται να χτυπήσει την μπάλα = P φορές "Συνολικές φορές που bat" = 3/5 φορές 80 = 3 / ακυρώστε5 φορές ακυρώστε80 ^ 16 = 3 φορές 16 = 48 φορές Διαβάστε περισσότερα »

"Βλέπουμε την εξήγηση" "Παίρνουμε μια χρονική περίοδο με μήκος" t ", που αποτελείται από n τεμάχια" Delta t = t / n. "Υποθέστε ότι η πιθανότητα για ένα επιτυχημένο συμβάν" "σε ένα κομμάτι είναι" p " ο συνολικός αριθμός συμβάντων στα χρονικά κομμάτια διανέμεται διωνυμικά σύμφωνα με το "p_x (x) = C (n, x) p ^ x (1-p) ^ (nx), x = (n!) / ((nk)! * (k!)) "(συνδυασμοί)" "Τώρα αφήσαμε" n-> oo ", έτσι" p-> 0 , αλλά "n * p = lambda" Έτσι αντικαθιστούμε το "p = lambda / n" στο p_x: "p_x (x) = (n!) / (nx) / ((nx)!) Διαβάστε περισσότερα »

"Βλέπε εξήγηση" "y είναι κανονική κανονική (με μέση τιμή 0 και τυπική απόκλιση 1)" "Έτσι χρησιμοποιούμε αυτό το γεγονός." "1" = P [- 1 <= (xz) / 2 <= 2] "Αναζητούμε τώρα τις τιμές z σε έναν πίνακα για τιμές z για z = 2 και z = -1. "και" 0.1587. = E (x)) ^ 2 => E [x ^ 2] = var + (E [x]) ^ 2 " Εδώ έχουμε var = 1 και μέσο = E [Y] = 0. " => E [Y ^ 2] = 1 + 0 ^ 2 = 1 "3)" P [Y <= a | B] = (P [Y <= a "B]) / (P [B]) P [B] = 0.8413 - 0.1587 = 0.6826" ] = 0, "αν" a <-1 P [Y <= a "B] = P [-1 <= Y <= a] = Διαβάστε περισσότερα »

M + -ts Όπου t είναι η βαθμολογία t που σχετίζεται με το διάστημα εμπιστοσύνης που χρειάζεστε. [Εάν το μέγεθος του δείγματός σας είναι μεγαλύτερο από 30, τότε τα όρια δίδονται από mu = bar x + - (z xx SE)] Υπολογίστε τον μέσο δείγμα (m) και τον πληθυσμό του δείγματος χρησιμοποιώντας τους τυποποιημένους τύπους. m = 1 / Nsum (x_n) s = sqrt (1 / (N-1) άθροισμα (x_n-m) ^ 2 Αν υποθέσουμε έναν κανονικά κατανεμημένο πληθυσμό iid το κεντρικό οριακό όριο για να εφαρμοστεί (πχ N> 35) τότε αυτός ο μέσος όρος θα κατανεμηθεί ως κατανομή t με df = N-1. Το διάστημα εμπιστοσύνης είναι τότε: m + -ts Όπου t είναι η βαθμολογία t που σχετί Διαβάστε περισσότερα »

Ο Διάμεσος. Μια ακραία βαθμολογία θα ανατρέψει την αξία σε μία ή την άλλη πλευρά. Υπάρχουν τρία βασικά μέτρα κεντρικής τάσης: μέσος όρος, διάμεσος και τρόπος λειτουργίας. Ο διάμεσος είναι η τιμή στη μέση μιας κατανομής δεδομένων όταν τα δεδομένα αυτά είναι οργανωμένα από τη χαμηλότερη στην υψηλότερη τιμή. Είναι η αναλογία του μέσου προς το διάμεσο που χρησιμοποιείται συχνότερα για τον εντοπισμό οποιουδήποτε λοξού στα δεδομένα. http://www.thoughtco.com/measures-central-tendency-3026706 Διαβάστε περισσότερα »

Ο αριθμητικός μέσος όρος είναι το σωστό σημείο ισορροπίας. Ο αριθμητικός μέσος όρος είναι το σωστό σημείο ισορροπίας. Αυτό οφείλεται στο γεγονός ότι το άθροισμα των θετικών αποκλίσεων και των αρνητικών αποκλίσεων που λαμβάνονται από τον αριθμητικό μέσο ακυρώνουν το ένα το άλλο. Διαβάστε περισσότερα »

Ο διάμεσος επηρεάζεται λιγότερο από τα υπερβολικά από το μέσο όρο. Ο διάμεσος επηρεάζεται λιγότερο από τα υπερβολικά από το μέσο όρο. Ας πάρουμε αυτό το πρώτο σύνολο δεδομένων χωρίς παραδείγματα: 20, 24, 26, 26, 26, 27, 29 Ο μέσος όρος είναι 25,43 και ο διάμεσος είναι 26. Ο μέσος και ο διάμεσος είναι σχετικά παρόμοιοι. Σε αυτό το δεύτερο σύνολο δεδομένων με μια απόκλιση, υπάρχει περισσότερη διαφορά: 1, 24, 26, 26, 26, 27, 29 Ο μέσος όρος είναι 22,71 και ο διάμεσος είναι 26. Ο διάμεσος δεν επηρεάζεται καθόλου από το εξωτερικό σε αυτό το παράδειγμα . Για περισσότερες πληροφορίες, ανατρέξτε σε αυτές τις σχετικές ερωτήσεις Soc Διαβάστε περισσότερα »

"Το πήρατε σωστά!" "Μπορώ να επιβεβαιώσω ότι η προσέγγισή σας είναι απολύτως σωστή." "Περίπτωση 1: Διακόπτης 3 ανοιχτός (Πιθανότητα 0,3):" 0,49 + 0,49 - 0,2401 = 0,7399 "Περίπτωση 2: Διακόπτης 3 κλειστή (Πιθανότητα 0,7):" (0,7 + 0,7-0,49) ^ 2 = 0.8281 " το κύκλωμα που μπορεί να περάσει το ρεύμα είναι: "0,3 * 0,7399 + 0,7 * 0,8281 = 0,80164 Διαβάστε περισσότερα »

1) 0.180447 2) 0.48675 3) 0.37749 "Poisson: οι πιθανότητες για k συμβάντα σε ένα χρονικό διάστημα t είναι" ((lambda * t) ^ k exp (-lambda * t) (2 ^ k * exp (-2)) / (k!) "1), και για το λόγο αυτό, "P (" 3 συμβάντα ") = (2 ^ 3 * exp (-2)) / (3!) = (4/3) e ^ -2 = 0.180447" / 100 = 0,36 "είναι η επιφάνεια κλάσματος του μικρότερου κύκλου σε σύγκριση με το μεγαλύτερο". "Οι πιθανότητες ότι ένας μετεωρίτης που πέφτει στον μεγαλύτερο κύκλο (BC) πέφτει στον μικρότερο κύκλο (SC) είναι 0,36". => P ["0 συμβάντα στην SC"] = P ["0 γεγονότα στο BC"] + 0.64 * P [ Διαβάστε περισσότερα »

Τα κατηγορηματικά δεδομένα έχουν τιμές που δεν μπορούν να παραγγελθούν με κανένα προφανή, συναρπαστικό τρόπο. Το φύλο είναι ένα παράδειγμα. Το αρσενικό δεν είναι λιγότερο ή περισσότερο από τη γυναίκα. Το χρώμα των ματιών είναι το άλλο στη λίστα σας. Οι βαθμοί επιστολών είναι στοιχεία κλάσης: υπάρχει μια αναγκάζουσα σειρά σε αυτά: πρέπει να τα παραγγείλετε από ψηλά σε χαμηλά (ή χαμηλά σε υψηλά). Τα άλλα παραδείγματα που αναφέρατε είναι περισσότερο ή λιγότερο συνεχή δεδομένα: υπάρχουν πολλές πιθανές τιμές, που μπορείτε να ομαδοποιήσετε σε κατηγορίες, αλλά έχετε μια συγκεκριμένη επιλογή σχετικά με το πλάτος της τάξης. Διαβάστε περισσότερα »

14.7 "ρολά" P ["όλοι οι αριθμοί που ρίχνονται"] = 1 - P ["1,2,3,4,5 ή 6 δεν ρίχνονται"] P ["A ή B ή C ή D ή E ή F"] = P [A] + P [B] + ... + P [F] - P [A και B] - P [A και C] .... + P [A και B και C] "Εδώ είναι" P_1 = 6 * (5/6) ^ n - 15 * (4/6) ^ n + 20 * (3/6) ^ n - 15 * (2/6) ^ n + (N-1) = 6 * (5/6) ^ (n-1) (5/6 - 1) - 15 * (4/6) n-1) (4/6-1) + ... = - (5/6) ^ (n-1) + 5 * (4/6) ^ (n-1) (n-1) + 10 * (2/6) ^ (n-1) -5 * (1/6) ^ (n-1) «Το αρνητικό είναι η πιθανότητά μας». (d / {da}) (1 / (1-α) = άθροισμα (α) α) = 1 / (1-α) ^ 2 => E [n] = άθροισμα n * P ["όλοι Διαβάστε περισσότερα »

Επειδή στην περιγραφή ενός συνόλου δεδομένων, το κύριο ενδιαφέρον μας είναι συνήθως η κεντρική αξία της διανομής. Στα περιγραφικά στατιστικά στοιχεία εξηγούμε τα χαρακτηριστικά ενός συνόλου δεδομένων - δεν κάνουμε συμπεράσματα σχετικά με τον μεγαλύτερο πληθυσμό από τον οποίο προέρχονται τα δεδομένα (Αυτό είναι στατιστικά στοιχεία). Με τον τρόπο αυτό, το κύριο ερώτημά μας είναι συνήθως «πού είναι το κέντρο της διανομής». Για να απαντήσουμε σε αυτήν την ερώτηση, συνήθως χρησιμοποιούμε τον μέσο όρο, τον διάμεσο ή τον τρόπο λειτουργίας, ανάλογα με τον τύπο των δεδομένων. Αυτά τα τρία κεντρικά μέτρα τάσης υποδεικνύουν Διαβάστε περισσότερα »

"Βλέπε εξήγηση" "Από τη διαφορά =" E (X ^ 2) - (E (X)) ^ 2 "που είναι εδώ:" 1 - 1 ^ 2 = 0 " σημαίνει ότι όλες οι τιμές του Χ είναι ίσες με το μέσο Ε (Χ) = 1. "" Έτσι X είναι πάντα 1. "" Ως εκ τούτου "X ^ 100 = 1. => E [X ^ 100] = 1 Διαβάστε περισσότερα »

"Απάντηση Δ)" "Είναι η μόνη λογική απάντηση, οι άλλοι είναι αδύνατοι." "Αυτό είναι το πρόβλημα του τζίρου." "Ένας παίκτης ξεκινά με το δ δολάριο." "Παίζει μέχρι να φτάσει στο δολάριο G ή να πέσει πίσω στο 0." p = "πιθανότητα να κερδίσει 1 δολάριο σε ένα παιχνίδι." q = 1 - p = "πιθανότητα να χάσει 1 δολάριο σε ένα παιχνίδι." "Καλέστε" r_k "την πιθανότητα (τύχη) που καταστρέφεται." "Έπειτα έχουμε" r_0 = 1 r_G = 0 r_k = p * r_ {k + 1} + q * r_ {k-1} "με" 1 <= k <= G-1 " σε p + q = 1 ως εξής: "r_ {k + 1 Διαβάστε περισσότερα »

Z = 2.33 Θα πρέπει να το αναζητήσετε από έναν πίνακα z-score (π.χ. http://www.had2know.com/academics/normal-distribution-table-z-scores.html) ή να χρησιμοποιήσετε μια αριθμητική εφαρμογή του αντίστροφου κανονικού (π.χ. normsinv στο Excel). Δεδομένου ότι επιθυμείτε το ποσοστό 98% που επιθυμείτε 1% σε κάθε πλευρά του + -z, αναζητήστε 99% (0.99) για το z για να το αποκτήσετε. Η πλησιέστερη τιμή για το 0.99 στο τραπέζι δίνει το z = 2.32 στο τραπέζι (2.33 στο Excel), αυτό είναι το σκορ σας z. Διαβάστε περισσότερα »

Ένα R-τετράγωνο υποδεικνύει πόσο καλά τα παρατηρούμενα δεδομένα ταιριάζουν με τα αναμενόμενα δεδομένα, αλλά μόνο σας δίνει πληροφορίες σχετικά με τη συσχέτιση. Μια τιμή R-τετράγωνο υποδεικνύει πόσο καλά τα παρατηρούμενα δεδομένα σας, ή τα δεδομένα που συλλέξατε, ταιριάζουν με μια αναμενόμενη τάση. Αυτή η τιμή σας λέει τη δύναμη της σχέσης αλλά, όπως όλες οι στατιστικές δοκιμές, δεν υπάρχει τίποτα δεδομένο που να σας λέει την αιτία πίσω από τη σχέση ή τη δύναμή της. Στο παρακάτω παράδειγμα, μπορούμε να δούμε ότι το γράφημα στα αριστερά δεν έχει καμία σχέση, όπως υποδεικνύεται από την χαμηλή τιμή R-τετραγώνων. Το γράφημα στα Διαβάστε περισσότερα »

Επειδή η διαφορά δεν ορίζεται. Στα Ordinal δεδομένα, μπορούν να παραγγελθούν τιμές δεδομένων, δηλαδή, μπορούμε να καταλάβουμε αν A <B ή όχι. Για παράδειγμα: η επιλογή "πολύ ικανοποιημένος" είναι μεγαλύτερος από "ελαφρώς ικανοποιημένος" σε μια έρευνα. Αλλά, δεν μπορούμε να βρούμε την αριθμητική διαφορά μεταξύ αυτών των δύο επιλογών. Η τυπική απόκλιση ορίζεται ως η μέση διαφορά τιμών από τον μέσο όρο και δεν μπορεί να υπολογιστεί για ένα κανονικό δεδομένο. Διαβάστε περισσότερα »

Τα δείγματα χρησιμοποιούνται όταν δεν θα ήταν πρακτικό να συγκεντρωθούν δεδομένα για ολόκληρο τον πληθυσμό. Εφόσον το δείγμα είναι αμερόληπτο (για παράδειγμα, η συλλογή δεδομένων από άτομα που προέρχονται από την τουαλέτα των γυναικών δεν θα αποτελούσε αμερόληπτο δείγμα του πληθυσμού μιας χώρας), ένα αρκετά μεγάλο δείγμα θα αντικατοπτρίζει κανονικά τα χαρακτηριστικά ολόκληρου του πληθυσμού. Οι στατιστικοί χρησιμοποιούν δείγματα για να κάνουν δηλώσεις ή προβλέψεις σχετικά με τα γενικά χαρακτηριστικά ενός πληθυσμού. Διαβάστε περισσότερα »

Επειδή υπάρχει μια διαφορά στο είδος των δεδομένων που παρουσιάζετε. Σε ένα διάγραμμα ράβδων, συγκρίνετε τα κατηγορικά ή ποιοτικά δεδομένα. Σκεφτείτε πράγματα όπως το χρώμα των ματιών. Δεν υπάρχει τάξη μέσα τους, όπως το πράσινο δεν είναι «μεγαλύτερο» από το καφέ. Στην πραγματικότητα θα μπορούσατε να τα κανονίσετε με οποιαδήποτε σειρά. Σε ένα ιστόγραμμα, οι τιμές είναι ποσοτικές, πράγμα που σημαίνει ότι μπορούν να χωριστούν σε ομάδες. Σκεφτείτε το ύψος ή το βάρος, όπου τοποθετείτε τα δεδομένα σας σε κατηγορίες, όπως «κάτω από 1,50μ», «1,50-1,60μ» και ούτω καθεξής. Αυτές οι τάξεις είναι συνδεδε Διαβάστε περισσότερα »

Δείτε παρακάτω τις σκέψεις μου: Η γενική μορφή για μια διωνυμική πιθανότητα είναι: sum_ (k = 0) ^ (n) C_ (n, k) (p) ^ k ((p) ^ (nk) Χρειαζόμαστε αυτή την πρώτη θητεία, τον όρο συνδυασμού; Ας δούμε ένα παράδειγμα και τότε θα είναι ξεκάθαρο. Ας δούμε τη δυαδική πιθανότητα να στρέψουμε ένα νόμισμα 3 φορές. Ας θέσουμε να πάρει τα κεφάλια να είναι p και να μην πάρει κεφάλια ~ p (και τα δύο = 1/2). Όταν περάσουμε από την διαδικασία αθροίσεως, οι 4 όροι του αθροίσματος θα ισούνται με 1 (στην ουσία βρίσκουμε όλα τα πιθανά αποτελέσματα και συνεπώς η πιθανότητα όλων των αποτελεσμάτων είναι 1): sum_ (k = 0) ^ ( 3) = χρώμα (κόκκινο) ( Διαβάστε περισσότερα »

83% Πρώτα γράφουμε P (70 <X <110) Τότε πρέπει να το διορθώσουμε λαμβάνοντας όρια, γι 'αυτό παίρνουμε το πλησιέστερο .5 χωρίς να περάσουμε, έτσι: P (69.5 <= Y <= 109.5) ένα Z αποτέλεσμα, χρησιμοποιούμε: Z = (Y-mu) / sigma P ((69.5-100) / 10 <= Z <= (109.5-100) / 10) P (-3.05 < (Z = 0,95) -Ρ (Ζ <= - 3,05) Ρ (Ζ <0,95) ~ ~ 83% Διαβάστε περισσότερα »

"a)" 0.08523 "β)" 0.88913 "γ)" 0.28243 "Έχουμε μια διωνυμική κατανομή με n = 12, p = 0.1." "a)" C (12,3) * 0,1 ^ 3 * 0,9 ^ 9 = 220 * 0,001 * 0,38742 = 0,08523 »με" C (n, k) (συνδυασμοί) "" β) "0,9 ^ 12 + 12 * 0,1 * 0,9 ^ 11 + 66 * 0,1 ^ 2 * 0,9 ^ 10» = 0,9 ^ 10 * 2) = 0,9 ^ 10 * (0,81 ± 1,08 + 0,66) = 0,9 ^ 10 * 2,55 = 0,88913 »γ)« 0,9 ^ 12 = 0,28243 Διαβάστε περισσότερα »

Ένα μέτρο της κεντρικής τάσης είναι μια τιμή που μπορεί να αντιπροσωπεύει τον συνολικό πληθυσμό και δρα σαν την κεντρική βαρύτητα προς την οποία κινούνται όλες οι άλλες αξίες. Τυπική απόκλιση - όπως υποδηλώνει το όνομα είναι ένα μέτρο της απόκλισης. Η απόκλιση σημαίνει αλλαγή ή απόσταση. Αλλά η αλλαγή ακολουθείται πάντα από τη λέξη «από». Ως εκ τούτου, η τυπική απόκλιση είναι ένα μέτρο αλλαγής ή η απόσταση από ένα μέτρο της κεντρικής τάσης - που είναι κανονικά ο μέσος όρος. Ως εκ τούτου, η τυπική απόκλιση είναι διαφορετική από το μέτρο της κεντρικής τάσης. Διαβάστε περισσότερα »

Δείτε παρακάτω :) Ο μέσος όρος δεν είναι μια καλή μέτρηση της κεντρικής τάσης, διότι λαμβάνει υπόψη κάθε σημείο δεδομένων. Αν έχετε υπερβολικά υψηλά ποσοστά όπως σε μια διαστρεβλωμένη διανομή, τότε αυτά τα απομεινάρια επηρεάζουν το μέσο όρο, ένα μόνο εξωλέμβιο μπορεί να μεταφέρει το μέσο προς τα κάτω ή προς τα πάνω. Γι 'αυτό το μέσο δεν είναι ένα καλό μέτρο της κεντρικής τάσης. Αντ 'αυτού, ο διάμεσος χρησιμοποιείται ως μέτρο της κεντρικής τάσης. Διαβάστε περισσότερα »

Επειδή η διακύμανση υπολογίζεται με βάση τις αποκλίσεις από τον μέσο όρο, που παραμένει η ίδια κάτω από μια μετάφραση. Η διακύμανση ορίζεται ως η τιμή προσδοκίας E [(x-mu) ^ 2] όπου mu είναι η μέση τιμή. Όταν το σύνολο δεδομένων μεταφράζεται, όλα τα σημεία δεδομένων μετατοπίζονται κατά το ίδιο ποσό x_i -> x_i + a Ο μέσος όρος μετατοπίζεται επίσης κατά το ίδιο ποσό mu -> mu + a έτσι ώστε οι αποκλίσεις από τη μέση να παραμείνουν οι ίδιες: x_i -mu -> (x_i + a) - (mu + a) = x_i -mu Διαβάστε περισσότερα »

SSReg le SST Σημειώστε ότι R ^ 2 = ("SSReg") / (SST) όπου SST = SSReg + SSE και γνωρίζουμε ότι το άθροισμα των τετραγώνων είναι πάντα το 0. Έτσι SSE ge 0 υποδηλώνει SSReg + SSE ge SSReg υποδηλώνει SST ge SSReg υποδηλώνει (SSReg) / (SST) le 1 σημαίνει R ^ 2 le 1 Διαβάστε περισσότερα »

Το πολύ 3 άτομα στη γραμμή θα είναι. P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 0.1 + 0.3 + 0.4 + να είστε ευκολότεροι αν και να χρησιμοποιείτε τον κανόνα της φιλοφρόνησης, καθώς έχετε μια αξία που δεν σας ενδιαφέρει, ώστε να μπορείτε απλώς να τη μείσετε μακριά από τη συνολική πιθανότητα. (X = 4) = 1 - P (X = 4) = 1 - 0.1 = 0.9 Έτσι P (X <= 3) = 0,9 Διαβάστε περισσότερα »

Αυτό είναι ΚΑΠΟΙΟ ... Ή κατάσταση. Μπορείτε να προσθέσετε τις πιθανότητες. Οι συνθήκες είναι αποκλειστικές, δηλαδή: δεν μπορείτε να έχετε 3 και 4 άτομα σε μια γραμμή. Υπάρχουν ΚΑΘΕ 3 άτομα ή 4 άτομα στη σειρά. Οπότε προσθέστε: P (3 ή 4) = P (3) + P (4) = 0.1 + 0.1 = 0.2 Ελέγξτε την απάντησή σας (αν έχετε χρόνο για τη δοκιμή) = P (0) + P (1) + P (2) = 0.1 + 0.3 + 0.4 = 0.8 Και αυτό και η απάντησή σας προσθέτουν μέχρι 1.0, όπως θα έπρεπε. Διαβάστε περισσότερα »

Ο αναμενόμενος αριθμός σε αυτή την περίπτωση μπορεί να θεωρηθεί ως σταθμισμένος μέσος όρος. Είναι καλύτερα να φτάνουμε σε αθροίζοντας την πιθανότητα ενός δεδομένου αριθμού με αυτόν τον αριθμό. Έτσι, στην περίπτωση αυτή: 0,1 * 0 + 0,3 * 1 + 0,4 * 2 + 0,1 * 3 + 0,1 * 4 = 1,8 Διαβάστε περισσότερα »

Πιστεύω ότι εννοείτε είτε «μπορείτε να αναστρέψετε ένα νόμισμα τρεις φορές» είτε «να αναστρέψετε τρία νομίσματα». Το Χ ονομάζεται «τυχαία μεταβλητή» γιατί πριν γυρίσουμε τα κέρματα δεν ξέρουμε πόσες κεφαλές θα πάρουμε. Αλλά μπορούμε να πούμε κάτι για όλες τις πιθανές τιμές για το Χ. Δεδομένου ότι κάθε κτύπημα ενός νομίσματος είναι ανεξάρτητο από άλλα κτυπήματα, η πιθανή τιμή της τυχαίας μεταβλητής Χ είναι {0, 1, 2, 3}, δηλαδή θα μπορούσατε να πάρετε 0 κεφαλές ή 1 κεφαλή ή 2 κεφαλές ή 3 κεφαλές. Δοκιμάστε ένα άλλο, όπου σκέφτεστε για τέσσερις πετάξεις ενός πεθαμένου. Αφήστε την τυχαία μεταβλητή Διαβάστε περισσότερα »

44% πιθανότητα επιλογής ενός μήλου Στο κελάρι, υπάρχουν: 4 μήλα και 5 μπανάνες, προσθέτοντας συνολικά 9 φρούτα. Αυτό μπορεί να εκφραστεί ως 4 + 5 = 9. Θέλετε να μάθετε την πιθανότητα επιλογής ενός μήλου. Υπάρχουν 4 μήλα από τα 9 φρούτα συνολικά. Αυτό μπορεί να εκφραστεί ως εξής: 4/9 4/9 = 0.44444444444 Υπάρχει πιθανότητα 44% να επιλέξει ένα μήλο. Διαβάστε περισσότερα »

0,5 ή 1/2 Αν έχουμε ένα δίκαιο κέρμα, υπάρχουν δύο δυνατότητες: κεφάλια ή ουρές Και οι δύο έχουν ίσες πιθανότητες. Έτσι διαιρούμε τις ευνοϊκές πιθανότητες ("επιτυχία") S από το συνολικό αριθμό πιθανών πιθανών τύπων. T: S / T = 1/2 = 0.5 = 50%. S ("επιτυχία") = (1 ή 2) = 2 δυνατότητες T (σύνολο) = 6 πιθανότητες, όλες εξίσου πιθανές. Ανάλογα με τα πρόσωπα των κεφαλών και της ουράς, το κέντρο βάρους μπορεί να είναι ένα μικρό κομμάτι στα κεφάλια ή την ουρά. Αυτό θα εμφανιστεί μόνο σε μακροπρόθεσμο mega-flipping, αλλά αυτό έχει γίνει! Google! Διαβάστε περισσότερα »

~ 1,9% πιθανότητα να σχεδιάσετε τον Ace of Spades. Υπάρχουν 52 φύλλα σε ένα κατάστρωμα και ένα Ace of Spades στο κατάστρωμα. Αυτό μπορεί να εκφραστεί ως 1/52. Χωρίστε για να βρείτε το ποσοστό. 1/52 = 0.01923076923 Υπάρχει πιθανότητα 1,9% να σχεδιάσετε έναν Άσσο των Σπαθιών. Δεν χρειάζεται πραγματικά να διαιρέσετε 1/52 για να ξέρετε το ποσοστό πιθανότητας ..... Δείτε ότι 1/52 μπορεί να γραφτεί ως 2/104 που .. περίπου .. είναι 2/100 που είναι 2% Αλλά θυμάστε ότι Το κάνω μόνο επειδή το 104 είναι κοντά στο 100 όσο μεγαλύτερος ο αριθμός θα διαφέρει από το 100, όσο μεγαλύτερος η απάντηση θα διαφέρει από την πραγματική Διαβάστε περισσότερα »

Εξαρτάται. Θα χρειαζόταν πολλαπλές υποθέσεις που είναι απίθανο να είναι αληθινές για να παρεκκλίνουμε αυτή την απάντηση από τα δεδομένα που δόθηκαν για να είναι η αληθινή πιθανότητα να κάνουμε έναν πυροβολισμό. Μπορεί κανείς να εκτιμήσει την επιτυχία μίας μόνο δοκιμής με βάση το ποσοστό των προηγούμενων δοκιμών που επιτεύχθηκε εάν και μόνο εάν οι δοκιμές είναι ανεξάρτητες και ταυτόσημα κατανεμημένες. Αυτή είναι η παραδοχή που έγινε στην διωνυμική (καταμέτρηση) κατανομή καθώς και στην γεωμετρική (αναμονή) κατανομή. Ωστόσο, είναι πολύ απίθανο να είναι ανεξάρτητες ή ταυτόχρονα κατανεμημένες ελεύθερες βολές. Με την πάροδο του Διαβάστε περισσότερα »

K = 3 P ["1 server is up"] = 0.98 => P ["τουλάχιστον 1 διακομιστής από τους K εξυπηρετητές είναι up"] = 1 - P ["0 servers out of K servers up" > P ["0 εξυπηρετητές από τους εξυπηρετητές K είναι επάνω"] = 0.00001 => (1-0.98) ^ K = 0.00001 => 0.02 ^ K = 0.00001 => K log (0.02) = log (0.00001) log (0.00001) / log (0.02) = 2.94 => "Πρέπει να λάβουμε τουλάχιστον 3 servers, έτσι K = 3". Διαβάστε περισσότερα »

0.6 P ["παίρνει το λεωφορείο"] = 0.8 P ["είναι έγκαιρος | παίρνει το λεωφορείο"] = 0.75 P [είναι εγκαίρως] = 4/6 = 2/3 P [ δεν είναι εγκαίρως "] =? P ["παίρνει το λεωφορείο και δεν είναι εγκαίρως"] = P ["δεν είναι έγκαιρα"] P ["δεν είναι εγκαίρως"] = παίρνει λεωφορείο "] * P [" παίρνει λεωφορείο "] = (1-0,75) * 0,8 = 0,25 * 0,8 = 0,2 => P [ "δεν είναι έγκαιρα"])) = 0.2 / (1-2 / 3) = 0.2 / (1/3) = 0.6 Διαβάστε περισσότερα »

Δες παρακάτω. Ο διάμεσος είναι η μεσαία τιμή σε ένα ταξινομημένο σύνολο δεδομένων. Διαβάστε περισσότερα »

(10, k) (7/10) ^ k (3/10) ^ (10-k) "με" C (n, k) = (n!) / (k! (nk)!) "(συνδυασμοί)" "(διωνυμική κατανομή)" "Έτσι για k = 8, 9 ή 10, έχουμε: (10/10) + C (10,9) (3/7) + C (10,8) (3/7) ^ 2) = (7 / 10) ^ 10 (1 + 30/7 + 405/49) = (7/10) ^ 10 (49 + 210 + 405) / 49 = (7/10) ^ 10 (664) % Διαβάστε περισσότερα »

Αυτό είναι γνωστό ως ένα σύνθετο πρόβλημα πιθανότητας Υπάρχουν τέσσερις άσσοι σε ένα κατάστρωμα με 52 κάρτες, οπότε η πιθανότητα σύλληψης ενός άσου είναι 4/52 = 1/13. Στη συνέχεια, υπάρχουν 13 μπαστούνια σε ένα κατάστρωμα, οπότε η πιθανότητα το spade είναι 13/52 ή 1/4. Αλλά, καθώς ένας από αυτούς τους άσους είναι επίσης ένα φτυάρι, πρέπει να το αφαιρέσουμε, οπότε δεν το υπολογίζουμε δύο φορές. Έτσι, 4/52 + 13 / 52-1 / 52 = 16/52 = 4/13 Διαβάστε περισσότερα »

Υπάρχει ένας τύπος για τη συνάρτηση Binomial Density Let n να είναι ο αριθμός των δοκιμών. Ας είναι ο αριθμός των επιτυχιών στη δίκη. Έστω p η πιθανότητα επιτυχίας σε κάθε δοκιμή. Τότε η πιθανότητα επιτυχίας σε ακριβώς k δοκιμές είναι (n!) / (K! (Nk)!) P ^ k (1-p) ^ (nk) 0,2), έτσι ώστε το ρ (8) = (10!) / (812) (0,2) ^ 8 (0,8) ^ 2p (8) = 45 (0.2) Διαβάστε περισσότερα »

0.200 Η πιθανότητα ότι τέσσερα από τα δέκα άτομα έχουν αυτόν τον τύπο αίματος είναι 0,3 * 0,3 * 0,3 * 0,3 = (0,3) ^ 4. Η πιθανότητα ότι οι άλλοι έξι δεν έχουν αυτόν τον τύπο αίματος είναι (1-0,3) ^ 6 = (0,7) ^ 6. Πολλαπλασιάζουμε αυτές τις πιθανότητες, αλλά επειδή αυτά τα αποτελέσματα μπορούν να συμβούν σε οποιονδήποτε συνδυασμό (για παράδειγμα, τα άτομα 1, 2, 3 και 4 έχουν τον τύπο αίματος, ή ίσως 1, 2, 3, 5, κλπ.), Πολλαπλασιάζουμε χρώμα (λευκό) I_10C_4. Έτσι, η πιθανότητα είναι (0.3) ^ 4 * (0.7) ^ 6 * χρώμα (λευκό) I_10C_4 ~~ 0.200. --- Αυτός είναι ένας άλλος τρόπος να το κάνουμε: Δεδομένου ότι ο συγκεκριμένος τύπος αίμ Διαβάστε περισσότερα »

S ^ 2 = το άθροισμα όλων των τιμών στο δείγμα n = το μέγεθος του δείγματος barx = το μέσον x_i = Παρατήρηση του δείγματος για κάθε όρο Βήμα 1 - Βρείτε το μέσο όρο των όρων σας. (3 + 6 + 7 + 8 + 9) / 5 = 6.6 Βήμα 2 - Αφαιρέστε το μέσο δείγματος από κάθε όρο (barx-x_i). (6,6,6) = -2,6 (7,6,6) ^ 2 = 0,4 (8-6,6) ^ 2 = 1,4 (9-6,6) ^ 2 = 2,4 Σημείωση: οι απαντήσεις αυτές πρέπει να είναι 0 Βήμα 3 - Πλατεία κάθε ένα από τα αποτελέσματα. (Squaring κάνει θετικούς αρνητικούς αριθμούς) -3.6 ^ 2 = 12.96 -0.6 ^ 2 = 0.36 0.4 ^ 2 = 0.16 1.4 ^ 2 = 1.96 2.4 ^ 2 = 5.76 Βήμα 4 - Βρείτε το άθροισμα των τετραγωνικών όρων. (12.96 + 0.36 + 0.16 + Διαβάστε περισσότερα »

Η πιθανότητα είναι frac {5} {6} Α είναι το γεγονός της επιλογής ενός αριθμού διαιρούμενου με 6 και B είναι το γεγονός της επιλογής ενός αριθμού που δεν διαιρείται με 6: P (A) = frac {1} {6} P (B) = P (όχι A) = 1 - P (A) = 1- frac {1} {6} = frac {5} {6} N (όπου N είναι ένας μεγάλος θετικός ακέραιος λέει 100) η πιθανότητα επιλογής ενός αριθμού διαιρούμενου με 6 είναι ~ 1/6 και αν N είναι ακριβώς διαιρούμενο με 6, τότε η πιθανότητα είναι ακριβώς 1/6 δηλαδή P (A) = frac {1} {6} iff N equiv 0 mod 6 αν το N δεν διαιρείται ακριβώς με 6, τότε θα υπολογίζατε το υπόλοιπο, για παράδειγμα αν N = 45: 45 equiv 3 mod 6 (6 * 7 = 42, 45-42 Διαβάστε περισσότερα »

Οι πιθανές ποσότητες είναι: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 Επομένως, ο συνολικός αριθμός πιθανών ποσών είναι 11. Ωστόσο, ο αριθμός των τρόπων να φτάσουμε σε ένα συγκεκριμένο σύνολο διαφέρει. Π.χ. Για να φτάσετε ένα σύνολο 2 είναι δυνατή μόνο 1 τρόπος - 1 και 1, αλλά συνολικά 6 μπορεί να επιτευχθεί με 5 τρόπους - 1 και 5, 5 και 1, 2 και 4, 4 και 2, 3 και 3. Χαρτογράφηση όλων οι πιθανοί τρόποι επίτευξης ενός δεδομένου ποσού αποφέρουν τα παρακάτω. Συνολικός αριθμός -> Αριθμός τρόπων 2 -> 1 3 -> 2 4 -> 3 5 -> 4 6 -> 5 7 -> 6 8 -> 5 9 -> 4 10 -> 3 11 -> 2 12 -> 1 Έτσι, ο συνολικός αριθμός Διαβάστε περισσότερα »

163 τρόποι. Υπάρχει ένας τρόπος να ψηφίσετε για 0 άτομα. Υπάρχουν 8 τρόποι ψηφοφορίας για 1 άτομο. Υπάρχουν (8 * 7) / 2 τρόποι ψηφοφορίας για 2 άτομα. Υπάρχουν (8 * 7 * 6) / (2 * 3) τρόποι ψηφοφορίας για 3 άτομα. Υπάρχουν (8 * 7 * 6 * 5) / (2 * 3 * 4) τρόποι ψηφοφορίας για 4 άτομα. Αυτό είναι όλο επειδή μπορείτε να επιλέξετε άτομα αλλά υπάρχουν τρόποι που μπορείτε να παραγγείλετε τους ανθρώπους. Για παράδειγμα, υπάρχουν 2 * 3 τρόποι για να παραγγείλετε τα ίδια 3 άτομα. Προσθέτοντας τα πάντα, παίρνουμε 1 + 8 + 28 + 56 + 70 = 163. Διαβάστε περισσότερα »

Διακύμανση του πληθυσμού = 59.1 (πιθανώς αυτό που θέλετε αν πρόκειται για εισαγωγική τάξη) Απόκλιση δείγματος = 68.9 Υπολογίστε τη μέση frac {17 + 3 + 10 + 1 - 3 + 4 + 19} {7} = 7.2857 Βρείτε τον μέσο όρο τετραγωνικές διαφορές. Για να γίνει αυτό: Πλατείστε τη διαφορά μεταξύ κάθε σημείου δεδομένων και του μέσου όρου. Προσθέστε όλες αυτές τις τετραγωνικές διαφορές. (17-7.2857) ^ 2 + (3-7.2857) ^ 2 + (10 - 7.2857) ^ 2 cdots = 413.43 Εάν βρίσκετε τη διακύμανση του πληθυσμού, διαιρέστε ανά αριθμό σημείων δεδομένων. Αν βρίσκετε τη διακύμανση του δείγματος, διαιρέστε με τον αριθμό των σημείων δεδομένων - 1. sigma ^ 2 = frac {413. Διαβάστε περισσότερα »

Οποιαδήποτε μπαταρία με διάρκεια ζωής μικρότερη των 35 ωρών θα πρέπει να αντικατασταθεί. Πρόκειται για απλοποιημένη εφαρμογή των στατιστικών αρχών. Τα βασικά πράγματα που πρέπει να σημειώσουμε είναι η τυπική απόκλιση και το ποσοστό. Το ποσοστό (1%) μας λέει ότι θέλουμε μόνο αυτό το μέρος του πληθυσμού να είναι λιγότερο πιθανό από το 3sigma, ή 3 τυπικές αποκλίσεις λιγότερο από το μέσο όρο (αυτό είναι στην πραγματικότητα στο 99,7%). Έτσι, με τυπική απόκλιση 6 ωρών, η διαφορά από τη μέση τιμή για το επιθυμητό κατώτατο όριο ζωής είναι: 50 - 3xx6 = 50 - 18 = 32hours Αυτό σημαίνει ότι οποιαδήποτε μπαταρία με λιγότερες από 32 ώρε Διαβάστε περισσότερα »

"a)" 4 "b) 0.150158" "c) 0.133705" "Σημειώστε ότι μια πιθανότητα δεν μπορεί να είναι αρνητική, επομένως υποθέτω ότι πρέπει να υποθέσουμε ότι το x μεταβαίνει από 0 σε 10." "Πρώτα απ 'όλα πρέπει να καθορίσουμε το c έτσι ώστε το άθροισμα όλων των πιθανοτήτων να είναι 1:" int_0 ^ 10 cx ^ 2 (10 - x) "" dx = c int_0 ^ 10 x ^ 2 (10 - "dx = 10c int_0 ^ 10x ^ 2dx-c int_0 ^ 10x ^ 3dx = 10c [x ^ 3/3] _0 ^ 10- c [x ^ 4 / 3 - 10000 c / 4 = 10000 c (1/3 - 1/4) = 10000 c (4 - 3) / 12 = 10000 c / 12 = 1 = Ε (Χ ^ 2) - (Ε (Χ)) ^ 2Ε (Χ) = int_0 ^ 10 0,0012 χ ^ 3 (10χ) dx = Διαβάστε περισσότερα »

Η μέση τιμή είναι 19 και η διακύμανση είναι 5,29 * 9 = 47,61 Διαισθητική απάντηση: Δεδομένου ότι όλα τα σήματα πολλαπλασιάζονται επί 3 και προστεθούν κατά 7, ο μέσος όρος θα πρέπει να είναι 4 * 3 + 7 = 19 Η τυπική απόκλιση είναι μέτρο της μέσης τετραγωνικής διαφοράς ο μέσος όρος και δεν αλλάζει όταν προσθέτετε το ίδιο ποσό σε κάθε σημάδι, αλλάζει μόνο όταν πολλαπλασιάζονται όλα τα σημάδια κατά 3 Έτσι, sigma = 2.3 * 3 = 6.9 Απόκλιση = sigma ^ 2 = 6.9 ^ 2 = 47.61 Let n είναι ο αριθμός των αριθμών όπου {n | n in mathbb {Z_ +}} στην περίπτωση αυτή n = 5 Αφήνουμε να είναι το μέσο κείμενο {var}Έστω ότι η sigma είναι η τυπική από Διαβάστε περισσότερα »

Ένα γράφημα κιβωτίου και μούχλας πρέπει να σας πει τη μέση τιμή του συνόλου δεδομένων σας, τις μέγιστες και τις ελάχιστες τιμές, το εύρος στο οποίο πέφτει το 50% των τιμών και τις τιμές οποιωνδήποτε απομειώσεων. Πιο τεχνικά, μπορείτε να θεωρήσετε ένα κουτί και ένα οικόπεδο whisker ως προς τα τεταρτημόρια. Το κορυφαίο μουστάκι είναι η μέγιστη τιμή, ενώ στο κάτω μέρος ο μύστης είναι η ελάχιστη τιμή (υποθέτοντας ότι καμία από τις τιμές δεν είναι υπερβολικές (βλ. Παρακάτω)). Οι πληροφορίες σχετικά με τις πιθανότητες συλλέγονται από τις θέσεις των τεταρτημορίων. Η κορυφή του κουτιού είναι το Q1, το πρώτο τεταρτημόριο. Το 25% τω Διαβάστε περισσότερα »

1/2 P ["κοστούμι είναι καρδιά"] = 1/4 P ["κάρτα είναι κόκκινη"] = 1/2 P ["κοστούμι είναι καρδιά" κάρτα = κόκκινο "] = "P [" κάρτα είναι κόκκινο "]) = (P [" κάρτα είναι κόκκινο | κοστούμι είναι καρδιές "] / P [" κοστούμι είναι καρδιές "]) = (1 * P ["κοστούμι είναι καρδιά"]) / (P ["κάρτα είναι κόκκινο"]) = (1/4) / (1/2) = 2/4 = 1/2 Διαβάστε περισσότερα »

0.3947 = 39.47% = P ["1ο είναι το γάλα και 2ο είναι απλό"] + P ["1ο είναι απλό και 2ο είναι γάλα"] = 15/20 (5/19) 19) = 2 * (15/20) (5/19) = 2 * (3/4) (5/19) = (3/2) (5/19) = 15/38 = 0,3947 = 39,47% : "" Όταν επιλέγουμε για πρώτη φορά υπάρχουν 20 σοκολάτες στο κουτί. " "Όταν επιλέγουμε ένα μετά από αυτό, υπάρχουν 19 σοκολάτες στο κουτί." "Χρησιμοποιούμε τον τύπο" P [A και B] = P [A] * P [B | A] "επειδή και οι δύο κλήσεις δεν είναι ανεξάρτητες." "Γι 'αυτό παίρνουμε π.χ. A =' 1ος είναι το γάλα 'και Β =' 2ος είναι σοκολάτα '' '&# Διαβάστε περισσότερα »

Ανατρέξτε στην ενότητα Επεξήγηση Η αγορά είναι ανταγωνιστική. Άλλα πράγματα παραμένουν αμετάβλητα. α) Αύξηση του εισοδήματος των καταναλωτών. Αρχικά, η ζήτηση και η προσφορά σπιτιών καθορίζουν την τιμή ισορροπίας και τον αριθμό των σπιτιών. DD είναι η καμπύλη ζήτησης. Η SS είναι η καμπύλη προσφοράς. Γίνονται ίσοι στο σημείο E_1. Το E_1 είναι το σημείο ισορροπίας. Ο αριθμός των σπιτιών M_1 παρέχεται και ζητείται στην τιμή P_1. Μετά την αύξηση του εισοδήματος των καταναλωτών, η καμπύλη της ζήτησης μετατοπίζεται προς τα δεξιά. Η νέα καμπύλη ζήτησης είναι D_1 D_1. Κόβει την καμπύλη προσφοράς SS στο σημείο E_2 Η νέα τιμή ισορρο Διαβάστε περισσότερα »