สถิติ

ความแปรปรวน (ประชากร): sigma ^ 2 ~~ 20.9 ความแปรปรวนของประชากร (สี (ดำ) (sigma ^ 2) คือค่าเฉลี่ยของกำลังสองของความแตกต่างระหว่างรายการข้อมูลประชากรแต่ละรายการกับค่าเฉลี่ยประชากร , d_3, ... } ของขนาด n ที่มีค่าเฉลี่ยของ mu sigma ^ 2 = (ผลรวม (d_i - mu) ^ 2) / n อ่านเพิ่มเติม »

ดูด้านล่าง มาตรฐานปกติคือการตั้งค่าปกติเช่น mu, sigma = 0,1 ดังนั้นเราจึงรู้ผลลัพธ์ล่วงหน้า PDF สำหรับมาตรฐานมาตรฐานคือ: mathbb P (z) = 1 / sqrt (2 pi) e ^ (- z ^ 2/2) มันมีค่าเฉลี่ย: mu = int _ (- oo) ^ (oo) dz z mathbb P (z) = 1 / sqrt (2 pi) int _ (- oo) ^ (oo) dz ze ^ (- z ^ 2/2) = 1 / sqrt (2 pi) int _ (- oo) ^ (oo) d (- e ^ (- z ^ 2/2)) = 1 / sqrt (2 pi) [e ^ (- z ^ 2/2)] _ (oo) ^ (- oo) = 0 มัน ดังนี้: Var (z) = int _ (- oo) ^ (oo) dz (z - mu) ^ 2 mathbb P (z) = 1 / sqrt (2 pi) int _ (- oo) ^ (oo) dz z ^ 2 e ^ (- z ^ 2/2) เวลานี้ใช้ IBP: Var (z) = - 1 / sqrt (2 pi) int _ (- oo) ^ (oo) d (e ^ (- z ^ 2/2)) z = - 1 / s อ่านเพิ่มเติม »

Var = sigma ^ 2 = int (x-mu) ^ 2f (x) dx ซึ่งไม่สามารถเขียนเป็น: sigma ^ 2 = intx ^ 2f (x) dx-2mu ^ 2 + mu ^ 2 = intx ^ 2f (x) dx - mu ^ 2 sigma_0 ^ 2 = 3int_-1 ^ 1 x ^ 4dx = 3/5 [x ^ 5] _- 1 ^ 1 = 6/5 ฉันสมมติว่าคำถามนั้นหมายถึงการพูดว่า f (x) = 3x ^ 2 "สำหรับ" -1 <x <1; 0 "มิฉะนั้น" ค้นหาความแปรปรวนหรือไม่ Var = sigma ^ 2 = int (x-mu) ^ 2f (x) dx ขยาย: sigma ^ 2 = intx ^ 2f (x) dx-2mucancel (intxf (x) dx) ^ mu + mu ^ 2cancel (intf (x) ) dx) ^ 1 sigma ^ 2 = intx ^ 2f (x) dx-2mu ^ 2 + mu ^ 2 = intx ^ 2f (x) dx - mu ^ 2 แทน sigma ^ 2 = 3int_-1 ^ 1 x ^ 2 * x ^ 2dx -mu ^ 2 = sigma_0 ^ 2 + mu ^ 2 โดยท อ่านเพิ่มเติม »

"b)" 7/16 "เหตุการณ์ตรงข้ามคือค่าต่ำสุดคือ"> = 1/4 "การคำนวณเหตุการณ์นั้นง่ายขึ้นเนื่องจากเราเพียงระบุ" "ที่ x และ y ต้องเป็น"> = 1/4 "จากนั้น." "และราคาสำหรับสิ่งนั้นก็คือ" (3/4) ^ 2 = 9/16 => P ["min" <= 1/4] = 1 - 9/16 = 7/16 อ่านเพิ่มเติม »

= 0.999979973 "เหตุการณ์เสริมง่ายต่อการคำนวณ" "เราคำนวณความน่าจะเป็นที่จะได้รับมากกว่า 18 หัว" นี่เท่ากับความน่าจะเป็นที่จะได้รับ 19 หัวบวกกับความน่าจะเป็นที่ได้รับ 20 หัว "เราใช้การแจกแจงทวินาม" P ["19 หัว"] = C (20,19) (1/2) ^ 20 P ["20 หัว"] = C (20,20) (1/2) ^ 20 "กับ" C (n, k ) = (n!) / ((nk)! k!) "(ชุดค่าผสม)" => P ["19 หรือ 20 หัว"] = (20 + 1) (1/2) ^ 20 = 21/1048576 => P ["มากที่สุด 18 หัว"] = 1 - 21/1048576 = 1048555/1048576 = 0.999979973 อ่านเพิ่มเติม »

Z = -1.5 เนื่องจากเรารู้ว่าเวลาที่ต้องใช้ในการทดสอบสิ้นสุดลงจึงมีการแจกแจงปกติเราจึงสามารถหาคะแนน z สำหรับเวลานี้ สูตรสำหรับคะแนน z คือ z = (x - mu) / sigma โดยที่ x คือค่าที่สังเกตได้ mu คือค่าเฉลี่ยและ sigma คือค่าเบี่ยงเบนมาตรฐาน z = (45 - 60) / 10 z = -1.5 เวลาของนักเรียนคือ 1.5 ส่วนเบี่ยงเบนมาตรฐานต่ำกว่าค่าเฉลี่ย อ่านเพิ่มเติม »

ดูด้านล่าง โดยทั่วไปแล้วค่า R ^ 2 จะบอกคุณว่าเปอร์เซ็นต์ของความแปรปรวนในตัวแปรตอบสนองของคุณนั้นเป็นอย่างไรโดยความแปรปรวนในตัวแปรอธิบายของคุณ มันเป็นเครื่องวัดความแข็งแรงของการเชื่อมโยงเชิงเส้น ในสถานการณ์นี้ R ^ 2 = 0.7569 การคูณทศนิยมนี้ด้วย 100 เราพบว่า 75.69% ของการเปลี่ยนแปลงในปริมาณพลังงานของแพ็กเก็ตชิปสามารถอธิบายได้ด้วยการเปลี่ยนแปลงในปริมาณไขมัน แน่นอนนี่หมายความว่าปัจจัยอื่น ๆ ที่มีการเปลี่ยนแปลงในปริมาณพลังงาน 24.31% อ่านเพิ่มเติม »

Z - คะแนนสำหรับช่วงความมั่นใจ 98% คือ 2.33 วิธีรับสิ่งนี้ ครึ่งหนึ่งของ 0.98 = 0.49 ค้นหาค่านี้ในพื้นที่ภายใต้ตารางเส้นโค้งปกติ ค่าที่ใกล้ที่สุดคือ 0.4901 ค่า z คือ 2.33 อ่านเพิ่มเติม »

Z = (73-74) / (3 / sqrt (135)) = -sqrt (135) / 3 การแจกแจงแบบปกติมาตรฐานเพียงแปลงกลุ่มข้อมูลในการแจกแจงความถี่ของเราซึ่งค่าเฉลี่ยคือ 0 และส่วนเบี่ยงเบนมาตรฐานคือ 1 เราสามารถใช้: z = (x-mu) / sigma สมมติว่าเรามี sigma แต่ที่นี่เรามี SD = s แทน z = (x- mu) / (s / sqrt (n)); โดยที่ n คือขนาดตัวอย่าง ... อ่านเพิ่มเติม »

Z-score คือ -0.866 z-score ของตัวแปร x ที่มี mu เฉลี่ยและ sigma เบี่ยงเบนมาตรฐานได้รับจาก (x-mu) / (sigma / sqrtn) ในฐานะ mu = 55, sigma = 2, n = 3 และ x = 56 คะแนน z คือ (56-55) / (2 / sqrt3) = ((- 1) * sqrt3) /2=-0.866 อ่านเพิ่มเติม »

Z = 0 ฉันมีข้อสงสัยเกี่ยวกับความถูกต้องของปัญหา ขนาดตัวอย่างคือ 5 มีความเหมาะสมที่จะหาคะแนนที คะแนน z จะคำนวณเฉพาะเมื่อขนาดตัวอย่างคือ> = 30 นักสถิติบางคนหากพวกเขาเชื่อว่าการกระจายตัวของประชากรเป็นเรื่องปกติให้ใช้คะแนน z แม้ว่าขนาดตัวอย่างจะน้อยกว่า 30 คุณไม่ได้ระบุอย่างชัดเจนถึงการกระจายที่คุณต้องการ เพื่อคำนวณ z อาจเป็นการแจกแจงที่สังเกตได้หรืออาจเป็นการกระจายตัวตัวอย่าง เมื่อคุณถามคำถามฉันจะตอบโดยสมมติว่ามันเป็นการกระจายตัวตัวอย่าง SE = (SD) /sqrtn=3/sqrt4=3/2=1.5 z = (x-mu) / (SE) = (60-60) /1.5=0/1.5=0 หมายเหตุ: หากค่าของ X คือ เท่ากับ Mean คือ mu the z score จะเป็น 0 เสมอ อ่านเพิ่มเติม »

Z-score คือ -26.03 z-score ของตัวแปร x พร้อม mu เฉลี่ยและ sigma เบี่ยงเบนมาตรฐานได้รับจาก (x-mu) / (sigma / sqrtn) ในฐานะ mu = 35, sigma = 5, n = 57 และ x = 13 คะแนน z คือ (13-35) / (5 / sqrt35) = ((- 22) * sqrt35) /5=-26.03 อ่านเพิ่มเติม »

คำตอบคือ z = 0.05 ในการแจกแจงแบบปกติ ในการแก้ปัญหานี้คุณจะต้องเข้าถึงตาราง z (หรือเรียกว่า "ตารางปกติมาตรฐาน") สำหรับการแจกแจงแบบปกติ มีสิ่งหนึ่งที่ดีใน Wikipedia ด้วยการถามว่าค่าของ z คืออะไรซึ่ง 52% ของข้อมูลอยู่ทางด้านซ้ายเป้าหมายของคุณคือการหาค่า z ที่พื้นที่ที่สะสมได้ถึงค่าของ z เป็น 0.52 ดังนั้นคุณต้องมีตาราง z สะสม ค้นหารายการในตาราง z สะสมที่แสดงว่าค่าที่แน่นอนของ z ใกล้เคียงกับเอาต์พุตในตาราง 0.52 (ซึ่งคือ 52% ของการแจกแจงสะสม) ในกรณีนี้ค่า z ของ 0.05 จะให้ผลลัพธ์ใกล้เคียงกับ 0.52 ที่มา: Wikipedia อ่านเพิ่มเติม »

โดยรวมแล้วฉันคิดว่าการตัดสินใจใช้บาร์หรือแผนภูมิวงกลมเป็นทางเลือกส่วนตัว หากคุณใช้กราฟเป็นส่วนหนึ่งของงานนำเสนอให้เน้นที่เรื่องราวโดยรวมที่คุณพยายามแบ่งปันด้วยแผนภูมิและรูปภาพแบบกราฟิก ด้านล่างนี้เป็นคำย่อที่ฉันใช้ในการประเมินว่าจะใช้แผนภูมิแท่งหรือแผนภูมิวงกลม: แผนภูมิแท่งเมื่อสังเกตประสิทธิภาพที่ได้รับความนิยม (เช่นพูดเมื่อเวลาผ่านไป) แผนภูมิวงกลมเมื่อแสดงการกระจายตัวอย่างทั้งหมด: สมมติว่าคุณต้องการติดตามว่าคุณเป็นอย่างไร ใช้เงินของคุณ และเดือนนี้คุณใช้จ่าย $ 1,000 หากคุณต้องการแสดงให้เห็นว่าคุณใช้เงิน $ 1,000 ตามหมวดหมู่อย่างไร (เช่นอาหารเสื้อผ้าน้ำมันเบนซิน) แผนภูมิรูปวงกลมอาจมีเหตุผลที่สุด อย่างไรก็ตามหากคุณต้องการแสด อ่านเพิ่มเติม »

P (2,3,5 หรือ 7) = 1/2 (ความน่าจะเป็นของการลงจอดบนจำนวนเฉพาะ) P_c = 1 - 1/2 = 1/2 (ความน่าจะเป็นที่ไม่ลงจอดบนนายก) (สมมติว่า 1-8 หมายถึงทั้งคู่ รวม) มี 4 ช่วงเวลาในรายการจากทั้งหมด 8 หมายเลข ดังนั้นความน่าจะเป็นคือจำนวนผลลัพธ์ที่น่าพอใจ (4) หารด้วยผลลัพธ์ที่เป็นไปได้ทั้งหมด (8) นี่เท่ากับครึ่งหนึ่ง ความน่าจะเป็นของส่วนเสริมของเหตุการณ์ใด ๆ คือ P_c = 1 - P_1 ความสมบูรณ์ของชุดนายกรัฐมนตรีคือ {1, 4, 6, 8} นี่ไม่ใช่ชุดของตัวเลขประกอบ (เนื่องจาก 1 ถือว่าเป็นทั้งแบบเฉพาะและแบบรวม) ดังนั้นส่วนประกอบคือชุดของตัวเลขที่ไม่สำคัญตั้งแต่ 1 ถึง 8 E_2 = เชื่อมโยงไปถึงหมายเลขที่ไม่สำคัญ อ่านเพิ่มเติม »

1) ความน่าจะเป็นคือ 0.9xx0.08 = 0.072 = 7.2% 2) ความน่าจะเป็นคือ 0.9xx0.92xx0.12 = 0.09936 = 9.936% อัตราการปฏิเสธของทั้งสามแผนกคือ 0.1, 0.08 และ 0.12 ตามลำดับ ซึ่งหมายความว่า 0.9, 0.92 และ 0.88 คือความน่าจะเป็นที่ซีรัมผ่านการทดสอบในแต่ละแผนกแยกจากกัน ความน่าจะเป็นที่ซีรัมผ่านการตรวจสอบครั้งแรกคือ 0.9 ความน่าจะเป็นที่จะตรวจไม่ได้ครั้งที่สองคือ 0.08 ดังนั้นความน่าจะเป็นแบบมีเงื่อนไขคือ 0.9xx0.08 = 0.072 = 7.2% สำหรับซีรัมที่จะถูกปฏิเสธโดยแผนกที่สามนั้นจะต้องผ่านการตรวจสอบครั้งแรกและครั้งที่สองก่อน ความน่าจะเป็นแบบมีเงื่อนไขของสิ่งนี้คือ 0.9xx0.92 อัตราการปฏิเสธของแผนกที่สามคือ 0.12 ดังนั้นความน่าจะเป็นที่จะได้รับการปฏิเสธโด อ่านเพิ่มเติม »

ที่ใดก็ได้ระหว่าง 0% และต่ำกว่า 50% ถ้าค่าทั้งหมดในชุดข้อมูลขนาด 2N + 1 แตกต่างกันดังนั้น N / (2N + 1) * 100% ถ้าองค์ประกอบของชุดข้อมูลเรียงตามลำดับจากน้อยไปมาก ค่ามัธยฐานคือค่าขององค์ประกอบกลาง สำหรับชุดข้อมูลขนาดใหญ่ที่มีค่าแตกต่างกันเปอร์เซ็นต์ของค่าที่น้อยกว่าค่ามัธยฐานจะต่ำกว่า 50% พิจารณาชุดข้อมูล [0, 0, 0, 1, 1]ค่ามัธยฐานคือ 0 และ 0% ของค่าน้อยกว่าค่ามัธยฐาน อ่านเพิ่มเติม »

0.420175 = P ["5 เป้าหมายใน 6 นัด"] + P ["6 ประตูใน 6 นัด"] = C (6,5) (7/10) ^ 5 (3/10) + C (6,6) ( 7/10) ^ 6 = (7/10) ^ 5 (6 * 3/10 + 7/10) = (7/10) ^ 5 (25/10) = 7 ^ 5 * 25/10 ^ 6 = 420175 / 1000000 = 0.420175 อ่านเพิ่มเติม »

0.2252 "มีทั้งหมด 5 + 7 + 8 = 20 ดินสอสี" => P = C (15,4) (5/20) ^ 4 (15/20) ^ 11 = ((15!) 5 ^ 4 15 ^ 11) / ((11!) (4!) 20 ^ 15 ) = 0.2252 "คำอธิบาย:" "เนื่องจากเราแทนที่โอกาสในการวาดดินสอสีฟ้าคือ" "ทุกครั้งที่ 5/20 เราแสดงว่าเราวาด 4 ครั้งต่อหนึ่งสีฟ้า" "แล้ว 11 ครั้งไม่ใช่สีฟ้าโดย ( 5/20) ^ 4 (15/20) ^ 11 " "แน่นอนว่าสีน้ำเงินไม่ต้องวาดก่อนดังนั้น" "มีวิธีวาดรูป C (15,4) ดังนั้นเราจึงคูณด้วย C (15,4)" "และ C (15,4)" = (15!) / (11! 4!) "(ชุดค่าผสม)" อ่านเพิ่มเติม »

มีค่าเฉลี่ยหลายประเภท แต่โดยปกติแล้วจะถือว่าเป็นค่าเฉลี่ยเลขคณิต ค่ามัธยฐานซึ่งถือกันอย่างหลวม ๆ ว่าเป็น 'ค่าเฉลี่ย' นั้นคำนวณในวิธีที่ต่างออกไป ให้เราพิจารณารายการตัวเลขนี้เพื่อความสะดวก มีการระบุไว้ในลำดับที่เป็นตัวเลข: 4, 7, 8, 12, 13, 16, 20, 21 ในการรับค่าเฉลี่ยเลขคณิตให้เพิ่มตัวเลขเข้าด้วยกันเพื่อให้ได้ผลรวม นับจำนวนที่จะได้รับการนับ หารผลรวมด้วยการนับเพื่อให้ได้ค่าเฉลี่ยเลขคณิต 4 + 7 + 8 + 12 + 13 + 16 + 20 + 21 = 101 -> ผลรวม มีตัวเลข 8 ตัวดังนั้น 101/8 = 12.625 ค่าเฉลี่ยเลขคณิตคือ 12.625 สำหรับค่ามัธยฐานให้จดรายการตัวเลขตามลำดับตัวเลขแล้วนับเช่น 8. ค้นหาเลขตรงกลางในรายการ หากมีการนับจำนวนไม่สม่ำเสมอ (บอ อ่านเพิ่มเติม »

ดูด้านล่าง :) เพื่อหาค่าเฉลี่ยของชุดตัวเลขคุณต้องเพิ่มตัวเลขทั้งหมดในชุดก่อนแล้วหารด้วยจำนวนตัวเลขทั้งหมด ตัวอย่างเช่นสมมติว่าชุดของคุณประกอบด้วยสิ่งต่อไปนี้: 32,40,29,45,33,33,38,41 คุณจะเพิ่มได้: 32 + 40 + 29 + 45 + 33 + 33 + 38 + 40 = 290 ตอนนี้คุณ จะรวมเป็น 290 และหารด้วยจำนวนทั้งหมดสำหรับกรณีของเราเรามีทั้งหมด 8 ตัวเลข 290/8 = 36.25 ค่าเฉลี่ยของเราคือ 36.25 อ่านเพิ่มเติม »

"ต่อเนื่อง" ไม่มีช่องว่าง "ไม่ต่อเนื่อง" มีค่าที่แตกต่างคั่นด้วยภูมิภาค "ไม่มีค่า" ต่อเนื่องอาจเป็นสิ่งที่ชอบความสูงซึ่งอาจแตกต่างกันในประชากร "ต่อเนื่อง" โดยไม่มีข้อ จำกัด ที่เฉพาะเจาะจง "ไม่ต่อเนื่อง" อาจเป็นตัวเลือกหรือผลลัพธ์ของการทดสอบ - ไม่ว่าจะ "เป็น" หรือ "ไม่" - ไม่มีการไล่ระดับหรือ "ความต่อเนื่อง" ระหว่างตัวเลือก http://stattrek.com/probability-distributions/discrete-continuous.aspx อ่านเพิ่มเติม »

สถิติเชิงพรรณนาประกอบด้วยคำอธิบายของข้อมูลตัวอย่างที่กำหนดโดยไม่ต้องตัดสินเกี่ยวกับประชากร ตัวอย่าง: ค่าเฉลี่ยตัวอย่างสามารถคำนวณได้จากตัวอย่างและเป็นสถิติเชิงพรรณนา สถิติที่อนุมานได้มาจากข้อสรุปเกี่ยวกับประชากรบนพื้นฐานของกลุ่มตัวอย่าง ตัวอย่างเช่นสมมติว่าคนส่วนใหญ่สนับสนุนผู้สมัครหนึ่งคน (บนพื้นฐานของตัวอย่างที่กำหนด) ความสัมพันธ์: เนื่องจากเราไม่สามารถเข้าถึงประชากรทั้งหมดเราจึงใช้สถิติเชิงพรรณนาเพื่อหาข้อสรุป อ่านเพิ่มเติม »

โหมดนี้จะเพิ่มขึ้นตามจำนวนเดียวกันให้มีชุดข้อมูล: a_1; a_2; a_3; ... ; a_n ให้ m เป็นโหมดของชุดนี้ หากคุณเพิ่มตัวเลข n ให้กับทุกค่าปริมาณของตัวเลขจะไม่เปลี่ยนแปลงเฉพาะตัวเลขที่เปลี่ยนแปลงดังนั้นหากตัวเลข m มีจำนวนมากที่สุด (m คือโหมด) หลังจากเพิ่มตัวเลข m + n จะมีค่ามากที่สุด เกิดขึ้น (มันจะเกิดขึ้นที่ตำแหน่งเดียวกันในชุดเป็น m ในครั้งแรก) อ่านเพิ่มเติม »

รายละเอียดในการอธิบายเช่นเหรียญพลิกโดยทั่วไปความเป็นไปได้ของหางและหัวควรเป็น 50% แต่อันที่จริงมันอาจเป็น 30% หัวและ 70% หางหรือ 40% หัวและ 60% หรือ ...... แต่ยิ่ง ครั้งที่คุณทำการทดลอง => ตัวอย่างมีขนาดใหญ่กว่า (โดยปกติจะสูงกว่า 30) โดย CLT (ทฤษฎีขีด จำกัด กลาง) ในที่สุดมันก็จะมาบรรจบกันเป็น 50% 50% อ่านเพิ่มเติม »

หากคุณมีค่าแตกต่างกันมากเกินไป ตัวอย่าง: สมมติว่าคุณวัดความสูงของชายผู้ใหญ่ 2000 คน และคุณวัดเป็นมิลลิเมตรที่ใกล้ที่สุด คุณจะมี 2,000 ค่าส่วนใหญ่จะแตกต่างกัน ตอนนี้ถ้าคุณต้องการสร้างความประทับใจให้กับการกระจายความสูงในประชากรของคุณคุณจะต้องจัดกลุ่มการวัดเหล่านี้ในชั้นเรียนพูดคลาส 50 มม. (ต่ำกว่า 1.50m, 1.50- <1.55m, 1.55 - <. 160m, ฯลฯ ) มีขอบเขตชั้นเรียนของคุณ ทุกคนจาก 1.500 ถึง 1.549 จะอยู่ในชั้นเรียนทุกคนจาก 1.550 ถึง 1.599 จะอยู่ในชั้นเรียนถัดไป ฯลฯ ตอนนี้คุณอาจมีหมายเลขคลาสที่ใหญ่มากซึ่งจะทำให้คุณสร้างกราฟเช่นฮิสโทแกรมเป็นต้น อ่านเพิ่มเติม »

เมื่อคุณ: 1) ไม่ทราบรายละเอียดทุกรูปแบบของคุณ; 2) มันไม่คุ้มค่าที่จะจำลองทุกรายละเอียด; 3) ระบบคุณมีการสุ่มโดยธรรมชาติ ก่อนอื่นเราควรกำหนดว่า "เอฟเฟ็กต์แบบสุ่ม" คืออะไร เอฟเฟกต์แบบสุ่มคืออะไรทั้งภายในหรือภายนอกที่มีผลต่อพฤติกรรมของระบบของคุณเช่น หน้ามืดในตะแกรงไฟฟ้าในเมือง ผู้คนเห็นพวกเขาต่างกันเช่น ผู้คนจากนิเวศวิทยาชอบที่จะเรียกพวกเขาว่าหายนะ, กรณีของความมืดมน, หรือกลุ่มประชากร, ในกรณีของเมืองมันจะเป็นการเพิ่มการใช้พลังงานที่จะลดแรงดันไฟฟ้าของกริดไฟฟ้า ในที่สุดแบบจำลองคืออะไร? แบบจำลองเป็นการแสดงถึงความเป็นจริงใด ๆ เช่น สมการพีชคณิตสำหรับการเติบโตของประชากร ตัวอย่างเช่นคุณสามารถเล่นสองหน้า (แบทแมน) และตัดสินใจช อ่านเพิ่มเติม »

"a) 0.351087" "b) 7.2" "c) 0.056627" "P [ผลรวมคือ 8] = 5/36" "เนื่องจากมีการรวมกันที่เป็นไปได้ 5 รายการเพื่อโยน 8:" "(2,6), (3,5) ), (4,4), (5,3) และ (6,2) " "a) นี่เท่ากับอัตราต่อรองที่เรามี 7 ครั้งในหนึ่งแถว" "ผลรวมแตกต่างจาก 8 และนี่คือ" (1 - 5/36) ^ 7 = (31/36) ^ 7 = 0.351087 "b ) 36/5 = 7.2 "" c) "P [" x = 8 | x> = 2 "] = (P [" x = 8, x> = 2 "]) / (P [" x> = 2 " ]) = (P ["x = 8"]) / (P ["x> = 2"]) P ["x = 8"] = 0.351087 * (5/36) = 0.048762 P [" อ่านเพิ่มเติม »

4.1051 * 10 ^ -7% สำหรับ 2 สีแดง, 1 สีเหลืองโดยไม่มีการเปลี่ยน; 3.7037 x 10 ^ -7% สำหรับ 2 reds, 1 yellow w / Replacement อันดับแรกให้ตั้งค่าสมการสำหรับปัญหาคำของคุณ: 10 แผ่นสีแดง + 10 แผ่นสีเขียว + 10 แผ่นดิสก์สีเหลือง + ดิสก์สีเหลือง 10 แผ่น = 30 แผ่น 1) วาด 2 แผ่นสีแดง แผ่นเหลือง 1 แผ่นติดต่อกันโดยไม่เปลี่ยนแผ่น เราจะสร้างเศษส่วนโดยที่ตัวเศษเป็นแผ่นที่คุณวาดและส่วนคือจำนวนแผ่นที่เหลืออยู่ในถุง 1 คือดิสก์สีแดงและ 30 คือจำนวนของดิสก์ที่เหลือ ในขณะที่คุณนำแผ่นดิสก์ออก (และไม่ได้แทนที่!) จำนวนแผ่นในถุงจะลดลง จำนวนแผ่นดิสก์ที่เหลือลดลงเหลือ 29 สำหรับส่วนที่สองเพราะ 1 แผ่นได้ถูกลบแล้วและยังไม่ได้ถูกแทนที่ กระบวนการเดียวกันนี้ อ่านเพิ่มเติม »

31 คำจำกัดความสองสามข้อแรก: ค่ามัธยฐานเป็นค่ากลางของกลุ่มตัวเลข Average คือผลรวมของกลุ่มของตัวเลขหารด้วยจำนวนของตัวเลข ในการทำงานผ่านมันจะกลายเป็นที่ชัดเจนว่าเป้าหมายในการออกกำลังกายนี้คือการเพิ่มค่ามัธยฐานต่างๆ แล้วเราจะทำอย่างไร เป้าหมายคือการจัดเรียงชุดของตัวเลขเพื่อให้เรามีค่ากลางของแต่ละชุดให้สูงที่สุด ตัวอย่างเช่นค่ามัธยฐานที่เป็นไปได้สูงที่สุดคือ 41 โดยมีตัวเลข 42, 43, 44, และ 45 ซึ่งสูงกว่าค่านั้นและบางกลุ่มของตัวเลขสี่กลุ่มจะน้อยกว่า ชุดแรกของเรานั้นประกอบไปด้วย (โดยตัวเลขเหล่านั้นอยู่เหนือค่ามัธยฐานในสีเขียวค่ามัธยฐานของตัวเองเป็นสีน้ำเงินและที่ด้านล่างเป็นสีแดง): สี (สีเขียว) (45, 44, 43, 42), สี (สีน้ำเงิน) ( 4 อ่านเพิ่มเติม »

48 ครั้งจำนวนครั้งที่เธอคาดว่าจะตีลูก = P คูณ "รวมเวลาที่เธอตี" = 3/5 ครั้ง 80 = 3 / ยกเลิก 5 ครั้งยกเลิก 80 ^ 16 = 3 ครั้ง 16 = 48 ครั้ง อ่านเพิ่มเติม »

"ดูคำอธิบาย" "เราใช้ช่วงเวลาที่มีความยาว" t "ซึ่งประกอบด้วยชิ้นส่วน n" Delta t = t / n "สมมติว่าโอกาสสำหรับเหตุการณ์ที่ประสบความสำเร็จ" "ในชิ้นเดียวคือ" p "จากนั้น จำนวนกิจกรรมทั้งหมดในส่วนเวลา n "" ถูกแจกแจงแบบทวินามตาม "p_x (x) = C (n, x) p ^ x (1-p) ^ (nx), x = 0,1, ... , n "กับ" C (n, k) = (n!) / ((nk)! * (k!)) "(ชุดค่าผสม)" "ตอนนี้เราปล่อย" n-> oo "ดังนั้น" p-> 0 , "แต่" n * p = lambda "ดังนั้นเราจึงแทนที่" p = lambda / n "ใน" p_x ":" p_x (x) = (n!) / ((x!) (nx)!) อ่านเพิ่มเติม »

"ดูคำอธิบาย" "y เป็นมาตรฐานปกติ (ด้วยค่าเฉลี่ย 0 และค่าเบี่ยงเบนมาตรฐาน 1)" "เราจึงใช้ข้อเท็จจริงนี้" "1)" = P [- 1 <= (xz) / 2 <= 2] "ตอนนี้เราค้นหาค่า z ในตารางสำหรับค่า z สำหรับ" "z = 2 และ z = -1 เราได้รับ" 0.9772 "และ" 0.1587 => P = 0.9772 - 0.1587 = 0.8185 "2)" var = E [x ^ 2] - (E [x]) ^ 2 => E [x ^ 2] = var + (E [x]) ^ 2 " ที่นี่เรามี var = 1 และค่าเฉลี่ย = E [Y] = 0. " => E [Y ^ 2] = 1 + 0 ^ 2 = 1 "3)" P [Y <= a | B] = (P [Y <= a "และ" B]) / (P [B]) P [B] = 0.8413 - 0.1587 = 0.6826 &qu อ่านเพิ่มเติม »

M + -ts โดยที่ t คือคะแนน t ที่เกี่ยวข้องกับช่วงความมั่นใจที่คุณต้องการ [หากขนาดตัวอย่างของคุณมากกว่า 30 ขีด จำกัด จะถูกกำหนดโดย mu = bar x + - (z xx SE)] คำนวณค่าเฉลี่ยตัวอย่าง (m) และประชากรตัวอย่างโดยใช้สูตรมาตรฐาน m = 1 / Nsum (x_n) s = sqrt (1 / (N-1) ผลรวม (x_n-m) ^ 2 ถ้าคุณสมมติว่าประชากรที่กระจายตัวตามปกติของ iid (ตัวแปรอิสระที่กระจายตัวเหมือนกันกับตัวแปรแปรปรวน) ที่มีจำนวนเพียงพอสำหรับ ทฤษฎีบทขีด จำกัด กลางที่จะใช้ (พูดว่า N> 35) จากนั้นค่าเฉลี่ยนี้จะถูกกระจายเป็น t-distribution ด้วย df = N-1 ช่วงเวลาความเชื่อมั่นคือ: m + -ts โดยที่ t คือคะแนน t ที่เกี่ยวข้องกับช่วงความเชื่อมั่น คุณต้องการถ้าคุณรู้ค่าเบี่ยงเบนม อ่านเพิ่มเติม »

ค่ามัธยฐาน คะแนนมากจะเอียงค่าไปด้านใดด้านหนึ่งหรืออื่น ๆ มีสามมาตรการหลักของแนวโน้มกลาง: หมายถึงค่ามัธยฐานและโหมด ค่ามัธยฐานคือค่าที่อยู่ตรงกลางของการกระจายข้อมูลเมื่อข้อมูลเหล่านั้นถูกจัดระเบียบจากต่ำสุดไปยังค่าสูงสุด มันเป็นอัตราส่วนของค่าเฉลี่ยต่อค่ามัธยฐานที่ใช้กันมากที่สุดเพื่อระบุความเบ้ของข้อมูล http://www.thoughtco.com/measures-of-central-tendency-3026706 อ่านเพิ่มเติม »

ค่ามัธยฐานได้รับผลกระทบจากค่าผิดปกติน้อยกว่าค่าเฉลี่ย ค่ามัธยฐานได้รับผลกระทบจากค่าผิดปกติน้อยกว่าค่าเฉลี่ย ลองชุดข้อมูลชุดแรกนี้โดยไม่มีค่าผิดเป็นตัวอย่าง: 20, 24, 26, 26, 26, 27, 29 ค่าเฉลี่ยคือ 25.43 และค่ามัธยฐานคือ 26 ค่าเฉลี่ยและค่ามัธยฐานค่อนข้างใกล้เคียงกัน ในชุดข้อมูลที่สองที่มีค่าผิดปกติมีความแตกต่าง: 1, 24, 26, 26, 26, 27, 29 ค่าเฉลี่ยคือ 22.71 และค่ามัธยฐานคือ 26 ค่ามัธยฐานไม่ได้รับผลกระทบจากค่าเริ่มต้นในตัวอย่างนี้ . โปรดดูคำถามโสคราตีสที่เกี่ยวข้องเหล่านี้สำหรับข้อมูลเพิ่มเติม: ค่าผิดปกติส่งผลต่อการวัดแนวโน้มกลางได้อย่างไร การวัดแนวโน้มกลางใดที่ได้รับผลกระทบมากที่สุดหากมีค่าผิดปกติ อ่านเพิ่มเติม »

"คุณเข้าใจถูกต้อง!" "ฉันสามารถยืนยันได้ว่าแนวทางของคุณถูกต้องสมบูรณ์" "กรณีที่ 1: เปิดสวิตช์ 3 (ความน่าจะเป็น 0.3):" 0.49 + 0.49 - 0.2401 = 0.7399 "กรณีที่ 2: ปิดสวิตช์ 3 (ความน่าจะเป็น 0.7):" (0.7 + 0.7 - 0.49) ^ 2 = 0.8281 " วงจรที่กระแสผ่านสามารถ "" คือ: "0.3 * 0.7399 + 0.7 * 0.8281 = 0.80164 อ่านเพิ่มเติม »

1) 0.180447 2) 0.48675 3) 0.37749 "ปัวซอง: อัตราต่อรองสำหรับเหตุการณ์ k ในช่วงเวลา t คือ" ((lambda * t) ^ k exp (-lambda * t)) / (k!) "ที่นี่เราไม่มี ข้อกำหนดเพิ่มเติมของช่วงเวลาดังนั้นเรา "" ใช้ t = 1, "lambda = 2 => P [" k events "] = (2 ^ k * exp (-2)) / (k!)" 1) "P [" 3 events "] = (2 ^ 3 * exp (-2)) / (3!) = (4/3) e ^ -2 = 0.180447" 2) "(6/10) ^ 2 = 36 / 100 = 0.36 "เป็นพื้นผิวเศษของวงกลมที่เล็กกว่าเมื่อเทียบกับวงกลมที่ใหญ่กว่า". "โอกาสที่ดาวตกที่ตกลงมาในวงกลมที่ใหญ่กว่า (BC) ตกลงมา" "วงกลมที่เล็กกว่านั้นก็คือ 0.36" อ่านเพิ่มเติม »

ข้อมูลหมวดหมู่มีค่าที่ไม่สามารถเรียงลำดับได้อย่างชัดเจนและน่าสนใจ เพศเป็นตัวอย่าง เพศชายไม่น้อยกว่าหรือมากกว่าเพศหญิง สีตาเป็นสีอื่นในรายการของคุณ คะแนนตัวอักษรเป็นข้อมูลระดับ: มีลำดับที่น่าสนใจในพวกเขา: คุณต้องสั่งพวกเขาจากสูงไปต่ำ (หรือต่ำไปสูง) ตัวอย่างอื่น ๆ ที่คุณพูดถึงเป็นข้อมูลต่อเนื่องมากขึ้นหรือน้อยลง: มีค่าที่เป็นไปได้มากมายที่คุณอาจจัดกลุ่มเป็นคลาส แต่คุณมีตัวเลือกบางอย่างเกี่ยวกับความกว้างของชั้นเรียน อ่านเพิ่มเติม »

14.7 "ม้วน" P ["ตัวเลขทั้งหมดโยน"] = 1 - P ["1,2,3,4,5 หรือ 6 ไม่ถูกโยน"] P ["A หรือ B หรือ C หรือ D หรือ E หรือ F"] = P [A] + P [B] + ... + P [F] - P [A และ B] - P [A and C] .... + P [A และ B และ C] + ... "นี่คือ" P_1 = 6 * (5/6) ^ n - 15 * (4/6) ^ n + 20 * (3/6) ^ n - 15 * (2/6) ^ n + 6 * ( 1/6) ^ n P = P_1 (n) - P_1 (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) -10 * (3/6) ^ (n-1) + 10 * (2/6) ^ (n-1) -5 * (1/6) ^ (n-1) "ค่าลบของนี่คือความน่าจะเป็นของเรา" รวม n * a ^ (n-1) = ผลรวม (d / {da}) (a ^ อ่านเพิ่มเติม »

เนื่องจากในการอธิบายชุดข้อมูลความสนใจหลักของเรามักจะเป็นค่ากลางของการแจกแจง ในสถิติเชิงพรรณนาเรากำลังอธิบายลักษณะของชุดข้อมูลในมือ - เราไม่ได้ทำการสรุปเกี่ยวกับประชากรที่มีขนาดใหญ่ขึ้นจากแหล่งที่มาของข้อมูล (นั่นคือสถิติเชิงอนุมาน) ในการทำเช่นนั้นคำถามหลักของเรามักจะ 'อยู่ที่ไหนศูนย์กลางของการกระจาย' ในการตอบคำถามนั้นเรามักจะใช้ค่าเฉลี่ยค่ามัธยฐานหรือโหมดขึ้นอยู่กับประเภทของข้อมูล มาตรการแนวโน้มส่วนกลางทั้งสามนี้บ่งชี้จุดศูนย์กลางซึ่งข้อมูลทั้งหมดรวบรวม นั่นคือสาเหตุที่เป็นหนึ่งในสองส่วนสำคัญของสถิติเชิงพรรณนา อีกส่วนหนึ่งคือการวัดการกระจายซึ่งอธิบายว่ามีการกระจายข้อมูลไปรอบ ๆ แนวโน้มกลางมากแค่ไหน ดังนั้นด้วยแนวโน้ อ่านเพิ่มเติม »

"ดูคำอธิบาย" "ตั้งแต่" "ความแปรปรวน =" E (X ^ 2) - (E (X)) ^ 2 "ซึ่งอยู่ที่นี่:" 1 - 1 ^ 2 = 0, "" ไม่มีความแปรปรวน "" สิ่งนี้ หมายความว่าค่าทั้งหมดของ X เท่ากับค่าเฉลี่ย E (X) = 1 "" ดังนั้น X จึงเป็น 1 เสมอ "" "ดังนั้น" X ^ 100 = 1 => E [X ^ 100] = 1 อ่านเพิ่มเติม »

"คำตอบ D)" "มันเป็นเพียงคำตอบเชิงตรรกะเท่านั้นส่วนอื่น ๆ นั้นเป็นไปไม่ได้" "นี่คือปัญหาการล่มสลายของนักพนัน" "นักการพนันเริ่มต้นด้วย k ดอลล่าร์" "เขาเล่นจนกว่าเขาจะถึง G ดอลลาร์หรือถอยกลับไปที่ 0" p = "โอกาสที่เขาจะชนะ 1 ดอลลาร์ในหนึ่งเกม" q = 1 - p = "โอกาสที่เขาจะเสีย 1 ดอลลาร์ในหนึ่งเกม" "เรียก" r_k "ความน่าจะเป็น (โอกาส) ที่เขาถูกทำลาย" "จากนั้นเรามี" r_0 = 1 r_G = 0 r_k = p * r_ {k + 1} + q * r_ {k-1}, "ด้วย" 1 <= k <= G-1 "เราสามารถเขียนสมการนี้ได้เนื่องจาก ถึง p + q = 1 ดังนี้: "r_ {k + 1} - อ่านเพิ่มเติม »

Z = 2.33 คุณต้องค้นหาข้อมูลนี้จากตารางคะแนน z (เช่น http://www.had2know.com/academics/normal-distribution-table-z-scores.html) หรือใช้การดำเนินการเชิงตัวเลขของอินเวอร์สปกติ ฟังก์ชันการกระจายความหนาแน่นสะสม (เช่น normsinv ใน Excel) เนื่องจากคุณต้องการช่วงเวลา 98% เปอร์เซ็นต์ที่คุณต้องการ 1% ในแต่ละด้านของ + -z ให้ค้นหา 99% (0.99) เพื่อให้ z ได้รับสิ่งนี้ ค่าที่ใกล้เคียงที่สุดสำหรับ 0.99 บนโต๊ะให้ z = 2.32 บนโต๊ะ (2.33 ใน Excel) นี่คือคะแนน z ของคุณ อ่านเพิ่มเติม »

R-squared เป็นการระบุว่าข้อมูลที่ตรวจพบนั้นเหมาะสมกับข้อมูลที่คาดหวังได้ดีเพียงใด แต่ให้ข้อมูลเกี่ยวกับสหสัมพันธ์เท่านั้น ค่า R-squared ระบุว่าข้อมูลที่คุณตรวจพบหรือข้อมูลที่คุณเก็บรวบรวมนั้นเหมาะสมกับแนวโน้มที่คาดหวังมากเพียงใด ค่านี้จะบอกคุณถึงความแข็งแกร่งของความสัมพันธ์ แต่เช่นเดียวกับการทดสอบทางสถิติทั้งหมดไม่มีสิ่งใดที่จะบอกสาเหตุของความสัมพันธ์หรือจุดแข็งของคุณ ในตัวอย่างด้านล่างเราจะเห็นกราฟทางด้านซ้ายไม่มีความสัมพันธ์ตามที่ระบุโดยค่า R-squared ต่ำ กราฟทางด้านขวามีความสัมพันธ์ที่แข็งแกร่งมากดังที่แสดงโดยค่า R-squared ที่ 1 ในกราฟที่เราไม่สามารถบอกได้ว่าอะไรเป็นสาเหตุของความสัมพันธ์นี้ในที่สุด ความสัมพันธ์ไม่ได้หมาย อ่านเพิ่มเติม »

เพราะมีความแตกต่างในประเภทของข้อมูลที่คุณนำเสนอ ในแผนภูมิแท่งคุณเปรียบเทียบข้อมูลตามหมวดหมู่หรือข้อมูลเชิงคุณภาพ นึกถึงสิ่งต่าง ๆ เช่นสีตา ไม่มีคำสั่งใดในตัวพวกเขาเช่นสีเขียวไม่ 'ใหญ่กว่า' สีน้ำตาล ในความเป็นจริงคุณสามารถจัดเรียงในลำดับใดก็ได้ ในฮิสโตแกรมค่าต่างๆนั้นเป็นปริมาณซึ่งหมายความว่าสามารถแบ่งออกเป็นกลุ่มที่ได้รับคำสั่ง นึกถึงส่วนสูงหรือน้ำหนักที่คุณเก็บข้อมูลไว้ในคลาสเช่น 'ต่ำกว่า 1.50m', '1,50-1.60m' เป็นต้น คลาสเหล่านี้เชื่อมต่อกันเนื่องจากคลาสหนึ่งเริ่มต้นเมื่อปลายอีกอันหนึ่งจบ อ่านเพิ่มเติม »

ดูความคิดของฉันด้านล่าง: แบบฟอร์มทั่วไปสำหรับความน่าจะเป็นทวินามคือ: sum_ (k = 0) ^ (n) C_ (n, k) (p) ^ k ((~ p) ^ (nk)) คำถามคือทำไม เราต้องการเทอมแรก, เทอมรวมกัน? ลองมาเป็นตัวอย่างแล้วมันจะชัดเจน ลองดูความน่าจะเป็นแบบทวินามของการโยนเหรียญ 3 ครั้ง ลองตั้งค่าให้หัวเป็น p และไม่ให้หัว ~ p (ทั้งคู่ = 1/2) เมื่อเราไปสู่กระบวนการรวมผลรวม 4 เทอมของผลรวมจะเท่ากับ 1 (ในสาระสำคัญเรากำลังค้นหาผลลัพธ์ที่เป็นไปได้ทั้งหมดดังนั้นความน่าจะเป็นของผลลัพธ์ทั้งหมดที่สรุปคือ 1): sum_ (k = 0) ^ ( 3) = สี (สีแดง) (C_ (3,0) (1/2) ^ 0 ((1/2) ^ (3))) + สี (สีฟ้า) (C_ (3,1) (1/2) ^ 1 ((1/2) ^ (2))) + C_ (3,2) (1/2) ^ 2 ((1/2) ^ (1)) + C_ (3,3) (1/ อ่านเพิ่มเติม »

83% ก่อนอื่นเราเขียน P (70 <X <110) จากนั้นเราต้องแก้ไขมันด้วยการหาขอบเขตเพราะเราใช้เวลาใกล้สุด 0.5 โดยไม่ผ่านไปดังนั้น: P (69.5 <= Y <= 109.5) a คะแนน Z เราใช้: Z = (Y-mu) / sigma P ((69.5-100) / 10 <= Z <= (109.5-100) / 10) P (-3.05 <= Z <= 0.95) P (Z <= 0.95) -P (Z <= - 3.05) P (Z <= 0.95) - (1-P (Z <= 3.05)) 0.8289- (1-0.9989) = 0.8289-0.0011 = 0.8278 = 82.78% ~~ 83% อ่านเพิ่มเติม »

"a)" 0.08523 "b)" 0.88913 "c)" 0.28243 "เรามีการแจกแจงทวินามที่มี n = 12, p = 0.1" "a)" C (12,3) * 0.1 ^ 3 * 0.9 ^ 9 = 220 * 0.001 * 0.38742 = 0.08523 "ด้วย" C (n, k) = (n!) / ((nk)! k!) " (ชุดค่าผสม) "" b) "0.9 ^ 12 + 12 * 0.1 * 0.9 ^ 11 + 66 * 0.1 ^ 2 * 0.9 ^ 10" = 0.9 ^ 10 * (0.9 ^ 2 + 12 * 0.1 * 0.9 + 66 * 0.1 ^ 2) = 0.9 ^ 10 * (0.81 + 1.08 + 0.66) = 0.9 ^ 10 * 2.55 = 0.88913 "c)" 0.9 ^ 12 = 0.28243 อ่านเพิ่มเติม »

การวัดแนวโน้มกลางคือค่าหนึ่งที่สามารถเป็นตัวแทนของประชากรทั้งหมดและทำหน้าที่เหมือนแรงโน้มถ่วงส่วนกลางซึ่งค่าอื่น ๆ ทั้งหมดเคลื่อนที่ ค่าเบี่ยงเบนมาตรฐาน - ตามชื่อที่แนะนำคือการวัดความเบี่ยงเบน การเบี่ยงเบนหมายถึงการเปลี่ยนแปลงหรือระยะทาง แต่การเปลี่ยนแปลงจะตามด้วยคำว่า 'จาก' เสมอ ดังนั้นค่าเบี่ยงเบนมาตรฐานคือการวัดการเปลี่ยนแปลงหรือระยะห่างจากการวัดแนวโน้มกลาง - ซึ่งโดยปกติคือค่าเฉลี่ย ดังนั้นค่าเบี่ยงเบนมาตรฐานจึงแตกต่างจากการวัดแนวโน้มกลาง อ่านเพิ่มเติม »

เนื่องจากความแปรปรวนถูกคำนวณในรูปของการเบี่ยงเบนจากค่าเฉลี่ยซึ่งยังคงเหมือนเดิมภายใต้การแปล ความแปรปรวนถูกกำหนดเป็นค่าความคาดหวัง E [(x-mu) ^ 2] โดยที่ mu คือค่าเฉลี่ย เมื่อแปลชุดข้อมูลแล้วจุดข้อมูลทั้งหมดจะถูกเลื่อนด้วยจำนวนเดียวกัน x_i -> x_i + a ค่าเฉลี่ยยังเปลี่ยนตามจำนวน mu -> mu + a ที่เท่ากันเพื่อให้ค่าเบี่ยงเบนจากค่าเฉลี่ยยังคงเท่าเดิม: x_i -mu -> (x_i + a) - (mu + a) = x_i -mu อ่านเพิ่มเติม »

SSReg le SST โปรดทราบว่า R ^ 2 = ("SSReg") / (SST) โดยที่ SST = SSReg + SSE และเรารู้ว่าผลรวมของกำลังสองเป็น ge 0 เสมอดังนั้น SSE ge 0 หมายถึง SSReg + SSE ge SSReg หมายถึง SST ge SSReg implies (SSReg) / (SST) le 1 หมายถึง R ^ 2 le 1 อ่านเพิ่มเติม »

อย่างมากที่สุด 3 คนในสายจะเป็น P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 0.1 + 0.3 + 0.4 + 0.1 = 0.9 ดังนั้น P (X <= 3) = 0.9 ดังนั้นคำถามจะ ทำได้ง่ายกว่าแม้ว่าจะใช้กฎการชมเชยเนื่องจากคุณมีค่าเดียวที่คุณไม่สนใจดังนั้นคุณสามารถลบมันออกจากความน่าจะเป็นรวมได้ เป็น: P (X <= 3) = 1 - P (X> = 4) = 1 - P (X = 4) = 1 - 0.1 = 0.9 ดังนั้น P (X <= 3) = 0.9 อ่านเพิ่มเติม »

นี่คือสถานการณ์หรือ ... คุณสามารถเพิ่มความน่าจะเป็น เงื่อนไขพิเศษเฉพาะนั่นคือ: คุณไม่สามารถมี 3 และ 4 คนในบรรทัด มีคน 3 คนหรือ 4 คนในสาย ดังนั้นเพิ่ม: P (3 หรือ 4) = P (3) + P (4) = 0.1 + 0.1 = 0.2 ตรวจสอบคำตอบของคุณ (ถ้าคุณมีเวลาเหลือในระหว่างการทดสอบ) โดยการคำนวณความน่าจะเป็นตรงข้าม: P (<3) = P (0) + P (1) + P (2) = 0.1 + 0.3 + 0.4 = 0.8 และนี่คือคำตอบของคุณและเพิ่มขึ้นถึง 1.0 เท่าที่ควร อ่านเพิ่มเติม »

จำนวนที่คาดหวังในกรณีนี้ถือเป็นค่าเฉลี่ยถ่วงน้ำหนัก มันมาถึงที่ดีที่สุดโดยการสรุปความน่าจะเป็นของตัวเลขที่กำหนดโดยตัวเลขนั้น ดังนั้นในกรณีนี้: 0.1 * 0 + 0.3 * 1 + 0.4 * 2 + 0.1 * 3 + 0.1 * 4 = 1.8 อ่านเพิ่มเติม »

ฉันเชื่อว่าคุณหมายถึง 'คุณพลิกเหรียญสามครั้ง' หรือ 'คุณพลิกเหรียญสามครั้ง' X เรียกว่า 'ตัวแปรสุ่ม' เพราะก่อนที่เราจะพลิกเหรียญเราไม่รู้ว่าเราจะได้หัวเท่าไหร่ แต่เราสามารถพูดบางอย่างเกี่ยวกับค่าที่เป็นไปได้ทั้งหมดสำหรับ X เนื่องจากการโยนเหรียญแต่ละครั้งเป็นอิสระจากการโยนอื่น ๆ ค่าที่เป็นไปได้ของตัวแปรสุ่ม X คือ {0, 1, 2, 3} นั่นคือคุณจะได้รับ 0 หัว หรือ 1 หัวหรือ 2 หัวหรือ 3 หัว ลองอีกอันที่คุณคิดถึงการโยนสี่ครั้ง ให้ตัวแปรสุ่ม Y แทนจำนวน 6s ในการทอยสี่ครั้ง อะไรคือค่าที่เป็นไปได้ทั้งหมดของตัวแปรสุ่ม Y อ่านเพิ่มเติม »

0.5 หรือ 1/2 ถ้าเรามีเหรียญที่ยุติธรรมมีสองความเป็นไปได้: หัวหรือก้อยทั้งสองมีโอกาสเท่ากัน ดังนั้นคุณจึงแบ่งโอกาสที่ดี ("ความสำเร็จ") S ด้วยจำนวนโอกาสทั้งหมด T: S / T = 1/2 = 0.5 = 50% อีกตัวอย่างหนึ่ง: โอกาสในการหมุนน้อยกว่าสามกับตายปกติคืออะไร? S ("สำเร็จ") = (1 หรือ 2) = 2 ความเป็นไปได้ T (ทั้งหมด) = 6 ความเป็นไปได้โอกาสที่เท่าเทียมกัน S / T = 2/6 = 1/3 พิเศษ: เกือบไม่มีเหรียญในชีวิตจริงมีความยุติธรรมอย่างสมบูรณ์ จุดศูนย์ถ่วงอาจเล็กน้อยบนหัวหรือด้านหางทั้งนี้ขึ้นอยู่กับใบหน้าของหัวและหาง นี้จะแสดงเฉพาะในระยะยาว mega-flipping แต่ได้ทำไปแล้ว! Google! อ่านเพิ่มเติม »

โอกาส 1.9% ที่คุณจะวาด Ace of Spades มีไพ่ 52 ใบในสำรับและ Ace of Spades หนึ่งใบในสำรับ สิ่งนี้สามารถแสดงเป็น 1/52 หารเพื่อหาเปอร์เซ็นต์ 1/52 = 0.01923076923 มีโอกาส 1.9% ที่คุณจะวาด Ace of Spades คุณไม่ต้องหาร 1/52 เพื่อรู้เปอร์เซ็นต์ความน่าจะเป็นของคุณ ..... ดูว่า 1/52 สามารถเขียนเป็น 2/104 ซึ่ง .. ประมาณ .. คือ 2/100 ซึ่งเท่ากับ 2% ฉันทำเพราะ 104 อยู่ใกล้ 100 ยิ่งจำนวนมากจะแตกต่างจาก 100 ยิ่งคำตอบใหญ่กว่าจริง อ่านเพิ่มเติม »

มันขึ้นอยู่กับ. มันต้องใช้สมมุติฐานหลายข้อที่ไม่น่าจะเป็นจริงที่จะคาดการณ์คำตอบนี้จากข้อมูลที่ให้ไว้เพื่อเป็นความน่าจะเป็นที่แท้จริงของการยิง เราสามารถประมาณความสำเร็จของการทดลองครั้งเดียวโดยพิจารณาจากสัดส่วนของการทดลองก่อนหน้าซึ่งประสบความสำเร็จหากการทดลองนั้นมีความเป็นอิสระและกระจายตัวเหมือนกัน นี่คือสมมุติฐานที่เกิดขึ้นในการแจกแจงทวินาม (การนับ) เช่นเดียวกับการกระจายทางเรขาคณิต (การรอ) อย่างไรก็ตามการยิงลูกโทษไม่น่าจะเป็นอิสระหรือกระจายตัวเหมือนกัน เมื่อเวลาผ่านไปหนึ่งสามารถปรับปรุงโดยการค้นหา "หน่วยความจำกล้ามเนื้อ" ตัวอย่างเช่น หากมีการปรับปรุงอย่างต่อเนื่องความน่าจะเป็นของช็อตแรกนั้นต่ำกว่า 10% และช็อตสุดท้ อ่านเพิ่มเติม »

K = 3 P ["เซิร์ฟเวอร์ 1 ตัวขึ้น"] = 0.98 => P ["เซิร์ฟเวอร์อย่างน้อย 1 เซิร์ฟเวอร์จากเซิร์ฟเวอร์ K หมด"] = 1 - P ["เซิร์ฟเวอร์ 0 เซิร์ฟเวอร์จากเซิร์ฟเวอร์ K ขึ้น"] = 0.99999 = > P ["เซิร์ฟเวอร์ 0 ตัวจากเซิร์ฟเวอร์ K หมด"] = 0.00001 => (1-0.98) ^ K = 0.00001 => 0.02 ^ K = 0.00001 => บันทึก K (0.02) = บันทึก (0.00001) => K = log (0.00001) / log (0.02) = 2.94 => "เราต้องใช้เซิร์ฟเวอร์อย่างน้อย 3 ตัวดังนั้น K = 3" อ่านเพิ่มเติม »

0.6 P ["เขาใช้เวลาบัส"] = 0.8 P ["เขาตรงเวลา | เขาขึ้นรถบัส"] = 0.75 P ["เขาอยู่ตรงเวลา"] = 4/6 = 2/3 P ["เขาขึ้นรถบัส | เขาไม่ตรงเวลา "] =? P ["เขาขึ้นรถบัส | เขาไม่ตรงเวลา"] * P ["เขาไม่ตรงเวลา"] = P ["เขาขึ้นรถบัสและเขาไม่ตรงเวลา"] = P ["เขาไม่ตรงเวลา | เขาขึ้นรถบัส "] * P [" เขาขึ้นรถบัส "] = (1-0.75) * 0.8 = 0.25 * 0.8 = 0.2 => P [" เขาขึ้นรถบัส | เขาไม่ตรงเวลา "] = 0.2 / (P [ "เขาไม่ตรงเวลา"]) = 0.2 / (1-2 / 3) = 0.2 / (1/3) = 0.6 อ่านเพิ่มเติม »

ดูด้านล่าง ค่ามัธยฐานคือค่ากลางในชุดข้อมูลที่ได้รับคำสั่ง อ่านเพิ่มเติม »

0.3828 ~~ 38.3% P ["k ใน 10 ผู้ป่วยที่โล่งใจ"] = C (10, k) (7/10) ^ k (3/10) ^ (10-k) "กับ" C (n, k) = (n!) / (k! (nk)!) "(ชุดค่าผสม)" "(การกระจายแบบทวินาม)" "ดังนั้นสำหรับ k = 8, 9, หรือ 10 เรามี:" P ["อย่างน้อย 8 ในผู้ป่วย 10 คน โล่งใจ "] = (7/10) ^ 10 (C (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) / 49 = 0.3828 ~~ 38.3 % อ่านเพิ่มเติม »

มีสูตรสำหรับฟังก์ชั่นความหนาแน่นของทวินามให้ n เป็นจำนวนครั้งของการทดลอง ให้ k เป็นจำนวนความสำเร็จในการทดลอง ให้ p เป็นโอกาสในการประสบความสำเร็จในการทดลองแต่ละครั้ง ความน่าจะเป็นที่จะประสบความสำเร็จในการทดลอง k คือ (n!) / (k! (nk)!) p ^ k (1-p) ^ (nk) ในกรณีนี้ n = 10, k = 8 และ p = 0.2 ดังนั้น p (8) = (10!) / (8! 2!) (0.2) ^ 8 (0.8) ^ 2 p (8) = 45 (0.2) ^ 8 (0.8) ^ 2 อ่านเพิ่มเติม »

0.200 ความน่าจะเป็นที่คนสี่ในสิบคนมีกรุ๊ปเลือดนั้นคือ 0.3 * 0.3 * 0.3 * 0.3 = (0.3) ^ 4 ความน่าจะเป็นที่อีกหกคนไม่มีกรุ๊ปเลือดนั้นคือ (1-0.3) ^ 6 = (0.7) ^ 6 เราคูณความน่าจะเป็นเหล่านี้เข้าด้วยกัน แต่เนื่องจากผลลัพธ์เหล่านี้สามารถเกิดขึ้นได้ในการรวมกันใด ๆ (ตัวอย่างเช่นบุคคลที่ 1, 2, 3 และ 4 มีกรุ๊ปเลือดหรืออาจจะ 1, 2, 3, 5 ฯลฯ ) เราคูณด้วย สี (สีขาว) I_10C_4 ดังนั้นความน่าจะเป็นคือ (0.3) ^ 4 * (0.7) ^ 6 * สี (ขาว) I_10C_4 ~~ 0.200 ——— นี่เป็นอีกวิธีที่จะทำได้: เนื่องจากการมีกรุ๊ปเลือดเฉพาะนี้เป็นการทดลองของเบอนูลลี (มีเพียงสองผลลัพธ์ความสำเร็จและความล้มเหลว; ความน่าจะเป็นของความสำเร็จ, 0.3, คงที่และการทดลองอิสระ) เราสามาร อ่านเพิ่มเติม »

S ^ 2 = ผลรวม ((x_i - barx) ^ 2) / (n - 1) โดยที่: s ^ 2 = ผลรวมความแปรปรวน = ผลรวมของค่าทั้งหมดในตัวอย่าง n = ตัวอย่างขนาด barx = หมายถึง x_i = การสังเกตตัวอย่างสำหรับแต่ละเทอม ขั้นตอนที่ 1 - ค้นหาความหมายของคำศัพท์ของคุณ (3 + 6 + 7 + 8 + 9) / 5 = 6.6 ขั้นตอนที่ 2 - ลบค่าเฉลี่ยตัวอย่างจากแต่ละเทอม (barx-x_i) (3 - 6.6) = -3.6 (6 - 6.6) ^ 2 = -0.6 (7 - 6.6) ^ 2 = 0.4 (8 - 6.6) ^ 2 = 1.4 (9 - 6.6) ^ 2 = 2.4 หมายเหตุ: ผลรวมของ คำตอบเหล่านี้ควรเป็น 0 ขั้นตอนที่ 3 - กำหนดผลลัพธ์แต่ละรายการ (Squaring ทำให้ตัวเลขติดลบเป็นบวก) -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 ขั้นตอนที่ 4 - ค้นหาผลรวมขอ อ่านเพิ่มเติม »

ความน่าจะเป็นคือ frac {5} {6} ให้ A เป็นเหตุการณ์ของการเลือกตัวเลขหารด้วย 6 และ B เป็นเหตุการณ์ของการเลือกจำนวนที่หารด้วย 6: P (A) = frac {1} {6} P (B) = P (ไม่ใช่ A) = 1 - P (A) = 1- frac {1} {6} = frac {5} {6} โดยทั่วไปถ้าคุณมี n สลิปของกระดาษหมายเลข 1 ถึง N (โดยที่ N เป็นจำนวนเต็มบวกขนาดใหญ่บอกว่า 100) ความน่าจะเป็นในการเลือกตัวเลขหารด้วย 6 คือ ~ 1/6 และถ้า N หารด้วย 6 อย่างแน่นอนแล้วความน่าจะเป็นคือ 1/6 เช่น P (A) = frac {1} {6} iff N equiv 0 mod 6 ถ้า N ไม่หารด้วย 6 อย่างแน่นอนแล้วคุณจะคำนวณส่วนที่เหลือเช่นถ้า N = 45: 45 equiv 3 mod 6 (6 * 7 = 42, 45-42 = 3, ส่วนที่เหลือคือ 3) จำนวนมากที่สุดน้อยกว่า N ที่หารด้วย 6 คือ อ่านเพิ่มเติม »

P (อัลฟา) = 5/12, P (เบต้า) = 11/18 จำนวนเงินที่เป็นไปได้คือ: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 ดังนั้นจำนวนผลรวมทั้งหมดที่เป็นไปได้ คือ 11 อย่างไรก็ตามจำนวนวิธีที่จะไปถึงยอดรวมที่แตกต่างกันโดยเฉพาะ เช่น. ในการเข้าถึงจำนวนทั้งหมด 2 วิธีสามารถทำได้ 1 วิธี - 1 และ 1 แต่จำนวนทั้งหมด 6 สามารถทำได้ใน 5 วิธี - 1 และ 5, 5 และ 1, 2 และ 4, 4 และ 2, 3 และ 3 การทำแผนที่ทั้งหมด วิธีที่เป็นไปได้ในการเข้าถึงผลรวมที่กำหนดให้ผลตอบแทนต่อไปนี้ ผลรวม -> ไม่มีหนทาง 2 -> 1 3 -> 2 4 -> 3 5 -> 4 6 -> 5 7 -> 6 8 -> 5 9 -> 4 10 -> 3 11 -> 2 12 -> 1 ดังนั้นจำนวนผลที่สามารถทำได้คือ: (1 + 2 + 3 + 4 + 5) xx2 +6 = 3 อ่านเพิ่มเติม »

163 วิธี มี 1 วิธีในการลงคะแนนสำหรับ 0 คน การลงคะแนนสำหรับ 1 คนมี 8 วิธี มี (8 * 7) / 2 วิธีในการลงคะแนนสำหรับ 2 คน มีวิธี (8 * 7 * 6) / (2 * 3) วิธีลงคะแนนสำหรับ 3 คน มีวิธี (8 * 7 * 6 * 5) / (2 * 3 * 4) วิธีโหวต 4 คน ทั้งหมดนี้เป็นเพราะคุณสามารถเลือกคน แต่มีวิธีที่คุณสามารถสั่งคน ตัวอย่างเช่นมี 2 * 3 วิธีในการสั่งซื้อ 3 คนเดียวกัน เมื่อเพิ่มทุกอย่างเราจะได้ 1 + 8 + 28 + 56 + 70 = 163 อ่านเพิ่มเติม »

ความแปรปรวนของประชากร = 59.1 (อาจเป็นสิ่งที่คุณต้องการหากนี่คือชั้นเรียนเบื้องต้น) ความแปรปรวนตัวอย่าง = 68.9 คำนวณค่าเฉลี่ย frac {17 + 3 + 10 + 1 - 3 + 4 + 19} {7} = 7.2857 ค้นหาความหมายของ ความแตกต่างกำลังสอง ในการทำสิ่งนี้: ความแตกต่างระหว่างจุดข้อมูลแต่ละจุดกับค่าเฉลี่ย เพิ่มความแตกต่างกำลังสองทั้งหมดเหล่านี้ (17-7.2857) ^ 2 + (3-7.2857) ^ 2 + (10 - 7.2857) ^ 2 cdots = 413.43 หากคุณกำลังค้นหาความแปรปรวนของประชากรหารด้วยจำนวนจุดข้อมูล หากคุณพบความแปรปรวนตัวอย่างให้หารด้วยจำนวนจุดข้อมูล - 1. sigma ^ 2 = frac {413.43} {7} = 59.061 (ประชากร) s ^ 2 = frac {413.43} {6} = 68.9051 (ตัวอย่าง) ปัดในสิ่งที่คุณได้รับคำสั่ง * ถ้านี อ่านเพิ่มเติม »

ควรเปลี่ยนแบตเตอรี่ที่มีอายุการใช้งานน้อยกว่า 35 ชั่วโมง นี่คือการประยุกต์ใช้หลักการทางสถิติที่ง่ายขึ้น สิ่งสำคัญที่ควรทราบคือส่วนเบี่ยงเบนมาตรฐานและร้อยละ เปอร์เซ็นต์ (1%) บอกเราว่าเราต้องการเพียงส่วนหนึ่งของประชากรที่มีความน่าจะเป็นน้อยกว่า 3sigma หรือเบี่ยงเบนมาตรฐาน 3 น้อยกว่าค่าเฉลี่ย (นี่คือ 99.7% จริง) ดังนั้นด้วยค่าเบี่ยงเบนมาตรฐาน 6 ชั่วโมงความแตกต่างจากค่าเฉลี่ยสำหรับอายุต่ำกว่าที่ต้องการคือ: 50 - 3xx6 = 50 - 18 = 32 ชั่วโมงซึ่งหมายความว่าแบตเตอรี่ที่มีชีวิตน้อยกว่า 32 ชั่วโมงจะถูกแทนที่ สิ่งที่สถิติบอกว่าเป็นช่วง 32-68 ชั่วโมงจะรวมถึง 99.7% ของแบตเตอรี่ทั้งหมดที่ผลิต ตัวอย่างเช่นในตอนท้าย 'สูง' หมายความว อ่านเพิ่มเติม »

"a)" 4 "b) 0.150158" "c) 0.133705" "โปรดทราบว่าความน่าจะเป็นไม่สามารถเป็นค่าลบดังนั้นฉันเดาว่า" "เราต้องสมมติว่า x ไปจาก 0 ถึง 10" "ก่อนอื่นเราต้องพิจารณา c เพื่อให้ผลรวมของความน่าจะเป็นทั้งหมดคือ 1:" int_0 ^ 10 cx ^ 2 (10 - x) "" dx = c int_0 ^ 10 x ^ 2 (10 - x) " "dx = 10 c int_0 ^ 10 x ^ 2 dx - c int_0 ^ 10 x ^ 3 dx = 10 c [x ^ 3/3] _0 ^ 10 - c [x ^ 4/4] _0 ^ 10 = 10,000 c / 3 - 10000 c / 4 = 10,000 c (1/3 - 1/4) = 10,000 c (4 - 3) / 12 = 10000 c / 12 = 1 => c = 12/10000 = 0.0012 "a) ความแปรปรวน =" E (X ^ 2) - (E (X)) ^ 2 E (X) อ่านเพิ่มเติม »

ค่าเฉลี่ยคือ 19 และความแปรปรวนคือ 5.29 * 9 = 47.61 คำตอบที่เข้าใจง่าย: เนื่องจากเครื่องหมายทั้งหมดถูกคูณด้วย 3 และเพิ่มด้วย 7 ค่าเฉลี่ยควรเป็น 4 * 3 + 7 = 19 ส่วนเบี่ยงเบนมาตรฐานคือการวัดความแตกต่างเฉลี่ยจาก ค่าเฉลี่ยและไม่เปลี่ยนแปลงเมื่อคุณเพิ่มจำนวนเดียวกันให้กับแต่ละเครื่องหมายมันจะเปลี่ยนเฉพาะเมื่อคูณเครื่องหมายทั้งหมดด้วย 3 ดังนั้น sigma = 2.3 * 3 = 6.9 ความแปรปรวน = sigma ^ 2 = 6.9 ^ 2 = 47.61 อนุญาต n เป็นจำนวนตัวเลขที่ {n | n in mathbb {Z_ +}} ในกรณีนี้ n = 5 ให้ mu เป็นค่าเฉลี่ย text {var} เป็นความแปรปรวนและปล่อยให้ซิกม่าเป็นค่าเบี่ยงเบนมาตรฐานการพิสูจน์ค่าเฉลี่ย: mu_0 = frac { sum _i ^ n x_i} {n} = 4 sum _i ^ n อ่านเพิ่มเติม »

พล็อตของกล่องและมัสสุควรบอกค่ามัธยฐานของชุดข้อมูลของคุณค่าสูงสุดและต่ำสุดช่วงที่ 50% ของค่าตกและค่าของค่าผิดปกติใด ๆ ในทางเทคนิคคุณสามารถพิจารณาพล็อตของกล่องและมัสสุในแง่ของควอไทล์ มัสสุอันดับบนสุดคือค่าสูงสุดส่วนล่างสุดเป็นค่าต่ำสุด (สมมติว่าไม่มีค่าใดเป็นค่าผิดปกติ (ดูด้านล่าง)) ข้อมูลเกี่ยวกับความน่าจะถูกรวบรวมจากตำแหน่งของควอไทล์ ด้านบนของกล่องคือ Q1 ซึ่งเป็นควอไทล์แรก 25% ของค่าอยู่ต่ำกว่า Q1 บางแห่งในกล่องจะเป็น Q2 50% ของค่าอยู่ต่ำกว่า Q2 Q2 คือค่ามัธยฐานของชุดข้อมูล ด้านล่างของกล่องคือ Q3 75% ของค่าอยู่ต่ำกว่า Q3 Q3 - Q1 (ความยาวของกล่อง) คือช่วงควอไทล์ซึ่งมีค่าอยู่ 50% หากค่าอยู่เหนือ Q3 + 1.5 ( text {IQR}) หรือต่ อ่านเพิ่มเติม »

1/2 P ["สูทคือหัวใจ"] = 1/4 P ["การ์ดเป็นสีแดง"] = 1/2 P ["สูทคือหัวใจ | การ์ดเป็นสีแดง"] = (P ["สูทคือหัวใจและการ์ด สีแดง "]) / (P [" บัตรสีแดง "]) = (P [" บัตรสีแดง | สูทคือหัวใจ "] * P [" สูทคือหัวใจ "]) / (P [" บัตรสีแดง "]) = (1 * P ["สูทคือหัวใจ"]) / (P ["การ์ดแดง"]) = (1/4) / (1/2) = 2/4 = 1/2 อ่านเพิ่มเติม »

0.3947 = 39.47% = P ["ที่ 1 คือนมและที่ 2 คือธรรมดา"] + P ["ที่ 1 คือธรรมดาและที่สองคือนม"] = (15/20) (5/19) + (5/20) (15 / 19) = 2 * (15/20) (5/19) = 2 * (3/4) (5/19) = (3/2) (5/19) = 15/38 = 0.3947 = 39.47% "คำอธิบาย : "" เมื่อเราเลือกครั้งแรกจะมีช็อคโกแลต 20 ชิ้นในกล่อง " "เมื่อเราเลือกหนึ่งอันนั้นจะมีช็อคโกแลต 19 ชิ้นในกล่อง" "เราใช้สูตร" P [A และ B] = P [A] * P [B | A] "เพราะการจับทั้งคู่ไม่เป็นอิสระ" "ดังนั้นใช้เวลาเช่น A = 'ที่ 1 คือนม' และ B = 'ที่สองคือช็อคโกแลต" "" จากนั้นเรามี "P [A] = 15/20" (15 นมสำห อ่านเพิ่มเติม »

อ้างถึงคำอธิบายส่วนตลาดมีการแข่งขัน สิ่งอื่น ๆ ยังคงไม่เปลี่ยนแปลง ก) การเพิ่มขึ้นของรายได้ของผู้บริโภค เริ่มต้นด้วยอุปสงค์และอุปทานของบ้านกำหนดราคาสมดุลและจำนวนของบ้าน DD เป็นเส้นอุปสงค์ SS เป็นเส้นโค้งอุปทาน พวกเขากลายเป็นเท่าเทียมกันที่จุด E_1 E_1 คือจุดสมดุล M_1 จำนวนบ้านถูกจัดหาและเรียกร้องในราคา P_1 หลังจากการเพิ่มขึ้นของรายได้ของผู้บริโภคเส้นอุปสงค์ได้เปลี่ยนไปทางขวา เส้นอุปสงค์ใหม่คือ D_1 D_1 มันตัดส่วนโค้งอุปทาน SS ที่จุด E_2 ราคาดุลยภาพใหม่คือ P_2 สูงกว่าราคาเดิม จำนวนบ้านใหม่ที่สมดุลคือ M_2 นี่เป็นจำนวนบ้านที่มากกว่าเดิม ผลลัพธ์สุทธิคือการเพิ่มขึ้นของราคาและจำนวนบ้าน b) เทคนิคการก่อสร้างใหม่ที่อนุญาตให้สร้างอพาร อ่านเพิ่มเติม »