更改

跳到导航 跳到搜索
删除556字节 、 2021年8月15日 (日) 19:19
无编辑摘要
第12行: 第12行:  
| <br /><math>k \in \{0, 1, \ldots, n\}</math> &ndash;  --- 成功的数量
 
| <br /><math>k \in \{0, 1, \ldots, n\}</math> &ndash;  --- 成功的数量
 
|-
 
|-
|<font color="#ff8000">概率质量函数 </font>
+
|'''概率质量函数'''
 
|<math>\binom{n}{k} p^k q^{n-k}</math>
 
|<math>\binom{n}{k} p^k q^{n-k}</math>
 
|-
 
|-
| <font color="#ff8000">累积分布函数 </font>
+
| ‘’‘累积分布函数 ‘’‘
 
| <math>I_{q}(n - k, 1 + k)</math>
 
| <math>I_{q}(n - k, 1 + k)</math>
 
|-
 
|-
| <font color="#ff8000">平均值</font> =
+
| ‘’‘平均值’’‘
 
| <math>np</math>
 
| <math>np</math>
 
|-
 
|-
| <font color="#ff8000">中位数</font>
+
| ‘’‘中位数’’‘
 
| <math>\lfloor np \rfloor</math> 或 <math>\lceil np \rceil</math>
 
| <math>\lfloor np \rfloor</math> 或 <math>\lceil np \rceil</math>
 
|-
 
|-
| <font color="#ff8000">模</font>
+
| ‘’‘模’’‘
 
| <math>\lfloor (n + 1)p \rfloor</math> 或 <math>\lceil (n + 1)p \rceil - 1</math>
 
| <math>\lfloor (n + 1)p \rfloor</math> 或 <math>\lceil (n + 1)p \rceil - 1</math>
 
|-
 
|-
| <font color="#ff8000">方差</font>
+
| ‘’‘方差’’‘
 
| <math>npq</math>
 
| <math>npq</math>
 
|-
 
|-
| <font color="#ff8000">偏度</font>
+
| ‘’‘偏度’’‘
 
| <math>\frac{q-p}{\sqrt{npq}}</math>
 
| <math>\frac{q-p}{\sqrt{npq}}</math>
 
|-
 
|-
| <font color="#ff8000">峰度</font>
+
| ‘’‘峰度’’‘
 
| <math>\frac{1-6pq}{npq}</math>
 
| <math>\frac{1-6pq}{npq}</math>
 
|-
 
|-
| <font color="#ff8000">熵</font>
+
| ‘’‘熵’’‘
 
| <math>\frac{1}{2} \log_2 (2\pi enpq) + O \left( \frac{1}{n} \right)</math>
 
| <math>\frac{1}{2} \log_2 (2\pi enpq) + O \left( \frac{1}{n} \right)</math>
 
|-
 
|-
| <font color="#ff8000">矩量母函数</font>
+
| ‘’‘矩量母函数’’‘
 
| <math>(q + pe^t)^n</math>
 
| <math>(q + pe^t)^n</math>
 
|-
 
|-
| <font color="#ff8000">特征函数</font> =
+
| ‘’‘特征函数’’‘ =
 
| <math>(q + pe^{it})^n</math>
 
| <math>(q + pe^{it})^n</math>
 
|-
 
|-
| <font color="#ff8000">概率母函数</font>
+
| ‘’‘概率母函数’’‘
 
| <math>G(z) = [q + pz]^n</math>
 
| <math>G(z) = [q + pz]^n</math>
 
|-
 
|-
| <font color="#ff8000">费雪信息量</font>
+
| ‘’‘费雪信息量’’‘
 
| <math> g_n(p) = \frac{n}{pq} </math><br />(对于固定的 <math>n</math>)
 
| <math> g_n(p) = \frac{n}{pq} </math><br />(对于固定的 <math>n</math>)
 
|-
 
|-
第55行: 第55行:  
[[File:Pascal's triangle; binomial distribution.svg.png|thumb|280px|与n和k相关的二项分布。一个8层(''n''&nbsp;=&nbsp;8)的高尔顿盒子中的一个球最终进入中央箱子(''k''&nbsp;=&nbsp;4)的概率是 <math>70/256</math>.|链接=Special:FilePath/Pascal's_triangle;_binomial_distribution.svg.png]]
 
[[File:Pascal's triangle; binomial distribution.svg.png|thumb|280px|与n和k相关的二项分布。一个8层(''n''&nbsp;=&nbsp;8)的高尔顿盒子中的一个球最终进入中央箱子(''k''&nbsp;=&nbsp;4)的概率是 <math>70/256</math>.|链接=Special:FilePath/Pascal's_triangle;_binomial_distribution.svg.png]]
   −
在概率论和统计学中,参数为n和p的二项分布是''n''个独立实验序列中成功次数的<font color="#ff8000">离散概率分布 discrete probability distribution </font>,每个实验结果是一个 是/否问题,每个实验都有布尔值结果: 成功/是/正确/1 (概率为&nbsp;p)或失败/否/错误/0 (概率为 q&nbsp;=&nbsp;1&nbsp;−&nbsp;p)。
+
在概率论和统计学中,参数为n和p的二项分布是''n''个独立实验序列中成功次数的’’‘离散概率分布 discrete probability distribution ‘’‘,每个实验结果是一个 是/否问题,每个实验都有布尔值结果: 成功/是/正确/1 (概率为&nbsp;p)或失败/否/错误/0 (概率为 q&nbsp;=&nbsp;1&nbsp;−&nbsp;p)。
      −
一个单一的结果为成功或失败的实验也被称为<font color="#ff8000">伯努利试验 Bernoulli trial</font>或<font color="#ff8000">伯努利实验 Bernoulli experiment </font>,一系列伯努利实验结果被称为<font color="#ff8000">伯努利过程 Bernoulli process </font>; 对于一个单一的实验,即''n''&nbsp;=&nbsp;1,这个二项分布是一个<font color="#ff8000">伯努利分布 Bernoulli distribution</font>。二项分布是<font color="#ff8000">统计显著性 statistical significance </font>的<font color="#ff8000">二项检验 binomial test </font>的基础。
+
一个单一的结果为成功或失败的实验也被称为’’‘伯努利试验 Bernoulli trial’’‘或’’‘伯努利实验 Bernoulli experiment ‘’‘,一系列伯努利实验结果被称为’’‘伯努利过程 Bernoulli process ‘’‘; 对于一个单一的实验,即''n''&nbsp;=&nbsp;1,这个二项分布是一个’’‘伯努利分布 Bernoulli distribution’’‘。二项分布是’’‘统计显著性 statistical significance ‘’‘的’’‘二项检验 binomial test ‘’‘的基础。
      −
二项分布经常被用来模拟大小为n的样本中的成功数量,这些样本是从大小为N的种群中有放回地抽取的。如果抽样没有把抽取的个体放回总体中,抽样就不是独立的,所以得到的分布是一个<font color="#ff8000">超几何分布 hypergeometric distribution </font>,而不是二项分布。然而,对于N远大于n的情况,二项分布仍然是一个很好的近似,并且被广泛使用。
+
二项分布经常被用来模拟大小为n的样本中的成功数量,这些样本是从大小为N的种群中有放回地抽取的。如果抽样没有把抽取的个体放回总体中,抽样就不是独立的,所以得到的分布是一个’’‘超几何分布 hypergeometric distribution ‘’‘,而不是二项分布。然而,对于N远大于n的情况,二项分布仍然是一个很好的近似,并且被广泛使用。
      第67行: 第67行:  
概率质量函数
 
概率质量函数
   −
一般来说,如果<font color="#ff8000">随机变量 random variable </font>X服从参数''n'' [[∈]] [[natural number|ℕ]]且 ''p'' ∈ [0,1]的二项分布,记作''X''&nbsp;~&nbsp;B(''n'',&nbsp;''p'')。在n个独立的伯努利试验中获得k次成功的概率由概率质量函数给出:
+
一般来说,如果’’‘随机变量 random variable ‘’‘X服从参数''n'' [[∈]] [[natural number|ℕ]]且 ''p'' ∈ [0,1]的二项分布,记作''X''&nbsp;~&nbsp;B(''n'',&nbsp;''p'')。在n个独立的伯努利试验中获得k次成功的概率由概率质量函数给出:
    
:<math>f(k,n,p) = \Pr(k;n,p) = \Pr(X = k) = \binom{n}{k}p^k(1-p)^{n-k}</math>
 
:<math>f(k,n,p) = \Pr(k;n,p) = \Pr(X = k) = \binom{n}{k}p^k(1-p)^{n-k}</math>
第75行: 第75行:  
:<math>\binom{n}{k} =\frac{n!}{k!(n-k)!}</math>
 
:<math>\binom{n}{k} =\frac{n!}{k!(n-k)!}</math>
   −
是<font color="#ff8000">二项式系数 binomial coefficient</font>,因此有了分布的名字。这个公式可以理解为,K次成功发生在概率为''p''<sup>''k''</sup>的情况下,''n''&nbsp;−&nbsp;''k''次失败发生在概率为(1&nbsp;−&nbsp;''p'')<sup>''n''&nbsp;−&nbsp;''k''</sup>的情况下。然而,''k''次成功可以发生在''n''个试验中的任何一个,并且在''n''个试验序列中有<math>\binom{n}{k}</math>种''k''次试验成功的不同分配方法。
+
是’’‘二项式系数 binomial coefficient’’‘,因此有了分布的名字。这个公式可以理解为,K次成功发生在概率为''p''<sup>''k''</sup>的情况下,''n''&nbsp;−&nbsp;''k''次失败发生在概率为(1&nbsp;−&nbsp;''p'')<sup>''n''&nbsp;−&nbsp;''k''</sup>的情况下。然而,''k''次成功可以发生在''n''个试验中的任何一个,并且在''n''个试验序列中有<math>\binom{n}{k}</math>种''k''次试验成功的不同分配方法。
      第94行: 第94行:     
===例子 ===
 
===例子 ===
假设抛出一枚<font color="#ff8000">有偏硬币 biased coin </font>时,正面朝上的概率为0.3。在6次抛掷中恰好看到4个正面的概率是
+
假设抛出一枚’’‘有偏硬币 biased coin ‘’‘时,正面朝上的概率为0.3。在6次抛掷中恰好看到4个正面的概率是
    
<math>f(4,6,0.3) = \binom{6}{4}0.3^4 (1-0.3)^{6-4}= 0.059535.</math>.
 
<math>f(4,6,0.3) = \binom{6}{4}0.3^4 (1-0.3)^{6-4}= 0.059535.</math>.
第104行: 第104行:  
<math>F(k;n,p) = \Pr(X \le k) = \sum_{i=0}^{\lfloor k \rfloor} {n\choose i}p^i(1-p)^{n-i},</math> ,
 
<math>F(k;n,p) = \Pr(X \le k) = \sum_{i=0}^{\lfloor k \rfloor} {n\choose i}p^i(1-p)^{n-i},</math> ,
   −
<math>\lfloor k\rfloor</math>是k的<font color="#ff8000">向下取整 round down</font>,即小于或等于''k''的最大整数。
+
<math>\lfloor k\rfloor</math>是k的’’‘向下取整 round down’’‘,即小于或等于''k''的最大整数。
   −
在<font color="#ff8000">正则化不完全的beta函数 regularized incomplete beta function </font>下,它也可以表示如下: <ref>{{cite book |last=Wadsworth |first=G. P. |title=Introduction to Probability and Random Variables |year=1960 |publisher=McGraw-Hill |location=New York  |page=[https://archive.org/details/introductiontopr0000wads/page/52 52] |url=https://archive.org/details/introductiontopr0000wads |url-access=registration }}</ref>
+
在’’‘正则化不完全的beta函数 regularized incomplete beta function ‘’‘下,它也可以表示如下: <ref>{{cite book |last=Wadsworth |first=G. P. |title=Introduction to Probability and Random Variables |year=1960 |publisher=McGraw-Hill |location=New York  |page=[https://archive.org/details/introductiontopr0000wads/page/52 52] |url=https://archive.org/details/introductiontopr0000wads |url-access=registration }}</ref>
    
<math>\begin{align}
 
<math>\begin{align}
第118行: 第118行:  
\end{align}</math>
 
\end{align}</math>
   −
这相当于<font color="#ff8000">F分布 F-distribution</font>的累积分布函数: <ref>{{cite journal |last=Jowett |first=G. H. |year=1963 |title=The Relationship Between the Binomial and F Distributions |journal=Journal of the Royal Statistical Society D |volume=13 |issue=1 |pages=55–57 |doi=10.2307/2986663 |jstor=2986663 }}</ref>
+
这相当于’’‘F分布 F-distribution’’‘的累积分布函数: <ref>{{cite journal |last=Jowett |first=G. H. |year=1963 |title=The Relationship Between the Binomial and F Distributions |journal=Journal of the Royal Statistical Society D |volume=13 |issue=1 |pages=55–57 |doi=10.2307/2986663 |jstor=2986663 }}</ref>
    
<math>F(k;n,p) = F_{F\text{-distribution}}\left(x=\frac{1-p}{p}\frac{k+1}{n-k};d_1=2(n-k),d_2=2(k+1)\right).</math>
 
<math>F(k;n,p) = F_{F\text{-distribution}}\left(x=\frac{1-p}{p}\frac{k+1}{n-k};d_1=2(n-k),d_2=2(k+1)\right).</math>
   −
下面给出了累积分布函数的一些<font color="#ff8000">闭式界 closed-form bounds </font>。
+
下面给出了累积分布函数的一些’’‘闭式界 closed-form bounds ‘’‘。
    
==属性==
 
==属性==
第132行: 第132行:  
<math> \operatorname{E}[X] = np.</math>。
 
<math> \operatorname{E}[X] = np.</math>。
   −
这是由于期望值的<font color="#ff8000">线性性 linearity</font>,以及{{mvar|X}}是{{mvar|n}}个相同的伯努利随机变量的线性组合,每个变量都有期望值{{mvar|p}}。换句话说,如果<math>X_1, \ldots, X_n</math>是参数{{mvar|p}}的相同的(且独立的)伯努利随机变量,那么
+
这是由于期望值的’’‘线性性 linearity’’‘,以及{{mvar|X}}是{{mvar|n}}个相同的伯努利随机变量的线性组合,每个变量都有期望值{{mvar|p}}。换句话说,如果<math>X_1, \ldots, X_n</math>是参数{{mvar|p}}的相同的(且独立的)伯努利随机变量,那么
    
<math>X = X_1 + \cdots + X_n</math>
 
<math>X = X_1 + \cdots + X_n</math>
第167行: 第167行:  
===模===
 
===模===
   −
通常二项式''B''(''n'', ''p'')分布的模等于<math>\lfloor (n+1)p\rfloor</math>,其中<math>\lfloor\cdot\rfloor</math>是<font color="#ff8000">向下取整函数 floor function </font>。然而,当(''n''&nbsp;+&nbsp;1)''p''是整数且''p''不为0或1时,二项分布有两种模: (''n''&nbsp;+&nbsp;1)''p''和(''n''&nbsp;+&nbsp;1)''p''&nbsp;−&nbsp;1。当''p''等于0或1时,对应的模为0或n。这些情况可总结如下:
+
通常二项式''B''(''n'', ''p'')分布的模等于<math>\lfloor (n+1)p\rfloor</math>,其中<math>\lfloor\cdot\rfloor</math>是’’‘向下取整函数 floor function ‘’‘。然而,当(''n''&nbsp;+&nbsp;1)''p''是整数且''p''不为0或1时,二项分布有两种模: (''n''&nbsp;+&nbsp;1)''p''和(''n''&nbsp;+&nbsp;1)''p''&nbsp;−&nbsp;1。当''p''等于0或1时,对应的模为0或n。这些情况可总结如下:
    
<math>\text{mode} =
 
<math>\text{mode} =
第228行: 第228行:  
当''p''&nbsp;=&nbsp;1/2并且''n''为偶数,k ≥ 3n/8时, 可以使分母为常数。
 
当''p''&nbsp;=&nbsp;1/2并且''n''为偶数,k ≥ 3n/8时, 可以使分母为常数。
   −
===<font color="#ff8000">尾部边界</font>===
+
===‘’‘尾部边界’’‘===
      第235行: 第235行:  
:<math>F(k;n,\tfrac{1}{2}) \geq \frac{1}{15} \exp\left(- 16n \left(\frac{1}{2} -\frac{k}{n}\right)^2\right). \!</math>
 
:<math>F(k;n,\tfrac{1}{2}) \geq \frac{1}{15} \exp\left(- 16n \left(\frac{1}{2} -\frac{k}{n}\right)^2\right). \!</math>
   −
<font color="#ff8000">霍夫丁不等式 Hoeffding's inequality </font>得到简单的边界
+
‘’‘霍夫丁不等式 Hoeffding's inequality ‘’‘得到简单的边界
    
:<math> F(k;n,p) \leq \exp\left(-2 n\left(p-\frac{k}{n}\right)^2\right), \!</math>
 
:<math> F(k;n,p) \leq \exp\left(-2 n\left(p-\frac{k}{n}\right)^2\right), \!</math>
第241行: 第241行:  
然而,这并不是很严格。特别是,当''p''=1时,有''F''(''k'';''n'',''p'') = 0(对于固定的''k'',''n''与''k''&nbsp;<&nbsp;''n''),但是Hoeffding的约束评价为一个正的常数。
 
然而,这并不是很严格。特别是,当''p''=1时,有''F''(''k'';''n'',''p'') = 0(对于固定的''k'',''n''与''k''&nbsp;<&nbsp;''n''),但是Hoeffding的约束评价为一个正的常数。
   −
当 n 已知时,参数 p 可以使用成功的比例来估计:<math> \widehat{p} = \frac{x}{n}</math>。可以利用<font color="#ff8000">极大似然估计 maximum likelihood estimator </font>和<font color="#ff8000"> 矩方法 method of moments</font>来求出该估计量。<font color="#ff8000">Lehmann-scheffé 定理</font>证明了该估计量是无偏的一致的且方差最小的,因为该估计量是基于一个极小<font color="#ff8000">充分完备统计量 sufficient and complete statistic</font>(即: x).它在概率和<font color="#ff8000">均方误差 MSE</font>方面也是一致的。
+
当 n 已知时,参数 p 可以使用成功的比例来估计:<math> \widehat{p} = \frac{x}{n}</math>。可以利用’’‘极大似然估计 maximum likelihood estimator ‘’‘和’’‘ 矩方法 method of moments’’‘来求出该估计量。’’‘Lehmann-scheffé 定理’’‘证明了该估计量是无偏的一致的且方差最小的,因为该估计量是基于一个极小’’‘充分完备统计量 sufficient and complete statistic’’‘(即: x).它在概率和’’‘均方误差 MSE’’‘方面也是一致的。
   −
可以从<font color="#ff8000">切尔诺夫界 Chernoff bound</font>中得到一个更清晰的边界。
+
可以从’’‘切尔诺夫界 Chernoff bound’’‘中得到一个更清晰的边界。
   −
利用 Beta分布作为<font color="#ff8000">共轭先验分布 conjugate prior distribution </font>时,也存在p的封闭形式的<font color="#ff8000">贝叶斯估计 Bayes estimator </font>。当使用一个通用<math>\operatorname{Beta}(\alpha, \beta)</math>作为先验时,后验均值估计量为: <math>\widehat{p_b} = \frac{x+\alpha}{n+\alpha+\beta}</math>。贝叶斯估计是渐近有效的,当样本容量趋近无穷大(n →∞)时,它趋近极大似然估计解。贝叶斯估计是有偏的(偏多少取决于先验) ,可接受的且一致的概率。
+
利用 Beta分布作为’’‘共轭先验分布 conjugate prior distribution ‘’‘时,也存在p的封闭形式的’’‘贝叶斯估计 Bayes estimator ‘’‘。当使用一个通用<math>\operatorname{Beta}(\alpha, \beta)</math>作为先验时,后验均值估计量为: <math>\widehat{p_b} = \frac{x+\alpha}{n+\alpha+\beta}</math>。贝叶斯估计是渐近有效的,当样本容量趋近无穷大(n →∞)时,它趋近极大似然估计解。贝叶斯估计是有偏的(偏多少取决于先验) ,可接受的且一致的概率。
    
:<math> F(k;n,p) \leq \exp\left(-nD\left(\frac{k}{n}\parallel p\right)\right)  </math>
 
:<math> F(k;n,p) \leq \exp\left(-nD\left(\frac{k}{n}\parallel p\right)\right)  </math>
   −
对于使用标准均匀分布作为非信息性的先验概率的特殊情况(<math>\operatorname{Beta}(\alpha=1, \beta=1) = U(0,1)</math>),后验均值估计变为<math>\widehat{p_b} = \frac{x+1}{n+2}</math> (后验模式应只能得出标准估计量)。这种方法被称为<font color="#ff8000">继承法则 the rule of succession </font>,它是18世纪皮埃尔-西蒙·拉普拉斯 Pierre-Simon Laplace提出的。
+
对于使用标准均匀分布作为非信息性的先验概率的特殊情况(<math>\operatorname{Beta}(\alpha=1, \beta=1) = U(0,1)</math>),后验均值估计变为<math>\widehat{p_b} = \frac{x+1}{n+2}</math> (后验模式应只能得出标准估计量)。这种方法被称为’’‘继承法则 the rule of succession ‘’‘,它是18世纪皮埃尔-西蒙·拉普拉斯 Pierre-Simon Laplace提出的。
    
其中''D''(''a'' || ''p'')是参数为a和p的相对熵,即Bernoulli(a)和Bernoulli(p)概率分布的差值:
 
其中''D''(''a'' || ''p'')是参数为a和p的相对熵,即Bernoulli(a)和Bernoulli(p)概率分布的差值:
第261行: 第261行:  
即使对于非常大的 n 值,均值的实际分布是非正态的。针对这一问题,提出了几种估计置信区间的方法。
 
即使对于非常大的 n 值,均值的实际分布是非正态的。针对这一问题,提出了几种估计置信区间的方法。
   −
我们还可以得到尾部<math>F(k;n,p) </math>的下界,即<font color="#ff8000">反集中界anti-concentration bounds </font>。通过用<font color="#ff8000">斯特林公式 Stirling's formula</font>对二项式系数进行近似,可以看出:
+
我们还可以得到尾部<math>F(k;n,p) </math>的下界,即’’‘反集中界anti-concentration bounds ‘’‘。通过用’’‘斯特林公式 Stirling's formula’’‘对二项式系数进行近似,可以看出:
    
:<math> F(k;n,p) \geq \frac{1}{\sqrt{8n\tfrac{k}{n}(1-\tfrac{k}{n})}} \exp\left(-nD\left(\frac{k}{n}\parallel p\right)\right),</math>
 
:<math> F(k;n,p) \geq \frac{1}{\sqrt{8n\tfrac{k}{n}(1-\tfrac{k}{n})}} \exp\left(-nD\left(\frac{k}{n}\parallel p\right)\right),</math>
第315行: 第315行:  
下列公式中的符号在两个地方不同于以前的公式:
 
下列公式中的符号在两个地方不同于以前的公式:
   −
*<math>z</math>是<font color="#ff8000">标准正态分布 standard normal distribution </font>的<math>1 - \tfrac{1}{2}\alpha</math>分位数(即概率)对应的目标错误率 <math>\alpha</math>。例如,95%的<font color="#ff8000">置信度 confidence level </font>的错误率为<math>\alpha</math>&nbsp;=&nbsp;0.05,因此 <math>1 - \tfrac{1}{2}\alpha</math>&nbsp;=&nbsp;0.975 并且<math>z</math>&nbsp;=&nbsp;1.96.
+
*<math>z</math>是’’‘标准正态分布 standard normal distribution ‘’‘的<math>1 - \tfrac{1}{2}\alpha</math>分位数(即概率)对应的目标错误率 <math>\alpha</math>。例如,95%的’’‘置信度 confidence level ‘’‘的错误率为<math>\alpha</math>&nbsp;=&nbsp;0.05,因此 <math>1 - \tfrac{1}{2}\alpha</math>&nbsp;=&nbsp;0.975 并且<math>z</math>&nbsp;=&nbsp;1.96.
    
====Wald 法====
 
====Wald 法====
第352行: 第352行:  
*其次,这个公式没有使用加减法来定义两个界限。相反,我们可以使用<math>z = z_{/alpha / 2}</math>得到下限,或者使用<math>z = z_{1 - \alpha/2}</math>得到上限。例如:对于95%的置信度,误差为<math>alpha</math>&nbsp;=&nbsp;0.05,所以用<math>z = z_{/alpha/2} = z_{0.025} = - 1.96</math>得到下限,用<math>z = z_{1 - \alpha/2} = z_{0.975} = 1.96</math>得到上限。
 
*其次,这个公式没有使用加减法来定义两个界限。相反,我们可以使用<math>z = z_{/alpha / 2}</math>得到下限,或者使用<math>z = z_{1 - \alpha/2}</math>得到上限。例如:对于95%的置信度,误差为<math>alpha</math>&nbsp;=&nbsp;0.05,所以用<math>z = z_{/alpha/2} = z_{0.025} = - 1.96</math>得到下限,用<math>z = z_{1 - \alpha/2} = z_{0.975} = 1.96</math>得到上限。
   −
由于X <math>\sim B(n, p)</math>和Y <math>\sim B(X, q)</math>,由<font color="#ff8000">全概率公式 the law of total probability </font>,
+
由于X <math>\sim B(n, p)</math>和Y <math>\sim B(X, q)</math>,由’’‘全概率公式 the law of total probability ‘’‘,
    
:<math>\widehat{p\,} + \frac{z^2}{2n} + z</math>
 
:<math>\widehat{p\,} + \frac{z^2}{2n} + z</math>
第432行: 第432行:  
将 <math> p^k = p^m p^{k-m} </math> 进行分解,并将所有不依赖于 <math> k </math> 的项从总和中抽出,即可得到
 
将 <math> p^k = p^m p^{k-m} </math> 进行分解,并将所有不依赖于 <math> k </math> 的项从总和中抽出,即可得到
   −
<font color="#ff8000">边缘分布 marginal distribution </font>是二项分布较完善的随机数产生方法。
+
‘’‘边缘分布 marginal distribution ‘’‘是二项分布较完善的随机数产生方法。
   −
一种从二项分布中产生随机样本的方法是使用<font color="#ff8000">反演算法 inversion algorithm </font>。要做到这一点,我们必须计算从到的所有值的概率。(为了包含整个样本空间,这些概率的和应该接近于1。)然后,通过使用伪随机数生成器来生成介于0和1之间的样本,可以使用在第一步计算出的概率将计算出的样本转换成离散数。
+
一种从二项分布中产生随机样本的方法是使用’’‘反演算法 inversion algorithm ‘’‘。要做到这一点,我们必须计算从到的所有值的概率。(为了包含整个样本空间,这些概率的和应该接近于1。)然后,通过使用伪随机数生成器来生成介于0和1之间的样本,可以使用在第一步计算出的概率将计算出的样本转换成离散数。
    
将 <math> i = k - m </math> 代入上述表达式后,我们得到了
 
将 <math> i = k - m </math> 代入上述表达式后,我们得到了
第440行: 第440行:  
这个分布是由雅各布 ·伯努利 Jacob Bernoulli推导出来的。他考虑了p = r/(r&nbsp;+&nbsp;s)的情形,其中 p 是成功的概率,r 和 s 是正整数。早些时候,布莱斯 · 帕斯卡 Blaise Pascal考虑过p&nbsp;=&nbsp;1/2的情况。
 
这个分布是由雅各布 ·伯努利 Jacob Bernoulli推导出来的。他考虑了p = r/(r&nbsp;+&nbsp;s)的情形,其中 p 是成功的概率,r 和 s 是正整数。早些时候,布莱斯 · 帕斯卡 Blaise Pascal考虑过p&nbsp;=&nbsp;1/2的情况。
   −
请注意,上述的和(括号内)等于<math> (p - pq + 1 - p)^{n-m} </math>由<font color="#ff8000">二项式定理 binomial theorem</font>得出。将此代入最终得到
+
请注意,上述的和(括号内)等于<math> (p - pq + 1 - p)^{n-m} </math>由’’‘二项式定理 binomial theorem’’‘得出。将此代入最终得到
    
===伯努利分布===
 
===伯努利分布===
863

个编辑

导航菜单