Si le nombre d’occasions est énorme, la capacité de transport gaussienne pourrait alors être utilisée pour représenter des occasions physiques. L’appropriation gaussienne est une capacité non-stop qui se rapproche de la diffusion binomiale précise des occasions.
Le transport gaussien démontré est normalisé dans le but que l’ensemble des estimations globales de x donnent une probabilité de 1. L’idée du gaussien donne une probabilité de 0,683 d’être à l’intérieur d’un écart-type de la moyenne. La valeur moyenne est a=np où n est le nombre de fois et p la probabilité de toute estimation de x (cette articulation se poursuit à partir de la circulation binomiale). L’articulation de l’écart-type utilisée est en outre celle de la diffusion binomiale.
La dispersion gaussienne est en outre généralement appelée “transport ordinaire” et est régulièrement présentée comme un “coude formé par le carillon”.
Si la probabilité d’un seul événement est p = et qu’il y a n = événements, alors la valeur de la fonction de distribution gaussienne à la valeur x = est x 10^. Pour ces conditions, le nombre moyen d’événements est et l’écart-type est .
Cette figure est destinée à évaluer la valeur moyenne et l’écart-type et à vérifier l’estimation du travail de diffusion si une valeur x est fournie. Par exemple, si vous l’utilisez pour évaluer la quantité de “têtes” pour 100 coups de pièce, la probabilité d’un coup de pièce solitaire sera alors de 0,5 et l’estimation moyenne des têtes pour 100 coups sera de 50. Dans tous les cas, l’écart-type serait de 5, ce qui signifie que la probabilité d’avoir entre 45 et 55 têtes est de 0,683. La probabilité d’avoir exactement 50 têtes serait d’environ 0,08. Dans tous les cas, si vous évaluez l’estimation du travail d’appropriation pour des estimations de 45 à 55 et que vous les totalisez, le tout est de 0,7295, donc ce nombre de fois n’est pas assez énorme pour que l’estimation gaussienne donne des résultats exacts. En jouant un arrangement similaire de figurines en utilisant le transport binomial, on obtient 0,7287, de sorte qu’aucune estimation pour cet exemple de taille ne correspond à la projection gaussienne hypothétique.
This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Paramètres des cookiesJ'ACCEPTE
Privacy & Cookies Policy
Privacy Overview
Ce site Web utilise des cookies pour améliorer votre expérience lorsque vous naviguez sur le site Web. Parmi ces cookies, les cookies classés comme nécessaires sont stockés sur votre navigateur car ils sont essentiels pour le fonctionnement des fonctionnalités de base du site Web. Nous utilisons également des cookies tiers qui nous aident à analyser et à comprendre comment vous utilisez ce site Web. Ces cookies ne seront stockés dans votre navigateur qu'avec votre consentement. Vous avez également la possibilité de désactiver ces cookies. Mais la désactivation de certains de ces cookies peut avoir un effet sur votre expérience de navigation.
Les cookies nécessaires sont absolument essentiels au bon fonctionnement du site Web. Cette catégorie comprend uniquement les cookies qui garantissent les fonctionnalités de base et les fonctions de sécurité du site Web. Ces cookies ne stockent aucune information personnelle.
Tous les cookies qui peuvent ne pas être particulièrement nécessaires au fonctionnement du site Web et qui sont utilisés spécifiquement pour collecter des données personnelles des utilisateurs via des analyses, des publicités et d'autres contenus intégrés sont appelés cookies non nécessaires. Il est obligatoire d'obtenir le consentement de l'utilisateur avant d'exécuter ces cookies sur votre site Web.