Отрицательное биномиальное распределение
Отрицательное биномиальное распределение задаёт вероятность того, что r-й успех случится ровно на k-м независимом испытании. Число успехов фиксировано, а длина серии до остановки случайна.
Математика
Школьные вероятности событий, средние и базовые характеристики случайных величин.
47 формул
Отрицательное биномиальное распределение задаёт вероятность того, что r-й успех случится ровно на k-м независимом испытании. Число успехов фиксировано, а длина серии до остановки случайна.
Мультиномиальная формула даёт вероятность заданного вектора количеств нескольких категорий за n независимых испытаний. Комбинаторный коэффициент учитывает все порядки с одинаковыми частотами.
Нормальная аппроксимация заменяет биномиальную сумму площадью под нормальной кривой с теми же средним и дисперсией. Поправка на непрерывность сдвигает целые границы на половину шага.
Граница Чернова даёт экспоненциальную верхнюю оценку вероятности большого превышения среднего у суммы независимых индикаторов. Она ограничивает хвост, а не вычисляет его точное значение.
Если каждый из n типов купонов появляется независимо и равновероятно, среднее число покупок для полной коллекции равно nH_n. Последние недостающие типы дают основную задержку.
Вероятность хотя бы одного из нескольких событий не превосходит суммы их вероятностей. Граница работает без независимости и позволяет контролировать общую ошибку по отдельным рискам.
При выборке без возвращения отрицательное гипергеометрическое распределение описывает номер извлечения заданного r-го успеха. В отличие от обычной гипергеометрической схемы размер выборки заранее не фиксирован.
Классическая вероятность события равна отношению числа благоприятных исходов к числу всех равновозможных исходов в конечном случайном опыте.
Медиана - это центральное значение упорядоченного набора. При нечетном количестве чисел берут средний элемент, при четном - среднее двух центральных.
Произведение вероятностей независимых событий: формула P(A\cap B)=P(A)P(B) помогает величины P, A, B заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Сумма вероятностей несовместных событий: формула P(A\cup B)=P(A)+P(B) помогает требуется требуется требуется требуется требуется требуется сложить шансы вариантов, которые не могут произойти вместе. В тексте есть условия, пример, ошибки и проверка результата.
Вероятность хотя бы одного события через дополнение: формула P(\ge1)=1-P(0) помогает величины P, R заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Формула «Математическое ожидание дискретной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Дисперсия дискретной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Среднеквадратическое отклонение случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Ковариация двух случайных величин» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Коэффициент корреляции Пирсона» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Формула полной вероятности» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Формула Байеса для условных вероятностей» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Вероятность в биномиальном распределении» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Математическое ожидание биномиального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Дисперсия биномиального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Плотность нормального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Стандартизация нормальной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «Доверительный интервал для среднего при известной дисперсии» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула «z-статистика для проверки среднего» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Распределение Пуассона даёт вероятность ровно k событий на фиксированном интервале, если известно их среднее число λ. Модель применяют к независимому потоку с постоянной интенсивностью.
Геометрическое распределение описывает число независимых попыток до первого успеха включительно. Вероятность успеха p остаётся одинаковой в каждой попытке, а предшествующие попытки заканчиваются неудачей.
Гипергеометрическая формула даёт вероятность выбрать ровно k объектов нужного типа среди n предметов, взятых без возвращения из N. В исходной совокупности ровно K объектов относятся к нужному типу.
Для непрерывного равномерного распределения на отрезке [a,b] вероятность попадания в его часть [c,d] равна отношению длин. Равные по длине части имеют одинаковые вероятности независимо от положения.
Экспоненциальная модель даёт вероятность ждать событие дольше t при постоянной интенсивности λ. В отличие от счёта событий по Пуассону, случайной величиной здесь служит непрерывное время до ближайшего события.
Неравенство Маркова даёт верхнюю границу вероятности большого значения неотрицательной случайной величины через её среднее. Оно работает без знания точного распределения, поэтому граница может быть грубой, но остаётся гарантированной при выполнении условий.
Неравенство Йенсена сравнивает значение выпуклой функции от среднего со средним её значений: φ(E[X])≤E[φ(X)]. Для вогнутой функции знак меняется. Это формальный способ учесть, что разброс влияет на нелинейное преобразование.
Закон полного ожидания говорит: сначала можно найти среднее X внутри каждой группы, заданной Y или разбиением Hᵢ, а затем усреднить эти условные средние по вероятностям групп. Результат равен общему математическому ожиданию X.
Закон полной дисперсии раскладывает общий разброс X на средний разброс внутри групп и разброс условных средних между группами. Группы задаёт Y. Формула помогает понять источник неопределённости, а не только получить одно число.
Производящая функция вероятностей кодирует распределение неотрицательной целочисленной величины X в степенном ряде. Коэффициент при zᵏ равен P(X=k), а независимая сумма превращает произведение функций. Она удобна для счётчиков событий и дискретных распределений.
Рычаг hᵢᵢ показывает, насколько положение наблюдения по признаку x влияет на его собственное предсказание в линейной регрессии. Он зависит только от набора x и не измеряет величину ошибки по отклику y.
Расстояние Кука измеряет изменение всех предсказаний регрессии при удалении одной строки данных. Оно сочетает величину остатка с рычагом наблюдения и выражается в безразмерном масштабе относительно остаточной дисперсии.
PRESS суммирует квадраты ошибок прогноза каждой строки моделью, обученной без этой строки. Для обычной линейной регрессии удалённые остатки вычисляют из одной полной подгонки через остатки и рычаги.
Интервал среднего отклика описывает неопределённость положения генеральной прямой при заданном x₀. Он учитывает оценивание коэффициентов, но не добавляет случайный разброс одного нового наблюдения вокруг этой прямой.
Прогнозный интервал простой регрессии задаёт диапазон для одного нового наблюдения при известном x₀. Он шире интервала среднего, поскольку учитывает как оценку прямой, так и индивидуальную случайную ошибку нового отклика.
Условная вероятность P(A|B) показывает вероятность события A в ситуации, когда известно наступление B. Она равна вероятности совместного наступления A и B, делённой на вероятность условия B, если последняя положительна.
Вероятность того, что произойдёт хотя бы одно из двух событий, равна сумме их вероятностей за вычетом вероятности совместного наступления. Вычитание устраняет двойной учёт общей части событий.
Вероятность того, что k-е наименьшее наблюдение не превысит порог, равна вероятности получить хотя бы k попаданий ниже этого порога в независимой выборке.
Для k-го наименьшего значения независимой равномерной выборки среднее делит интервал в отношении k к n + 1, а дисперсия зависит и от ранга, и от объёма выборки.
Распределение размаха равномерной выборки показывает, с какой вероятностью все наблюдения окажутся внутри некоторого короткого участка исходного интервала.
Любой заранее выбранный промежуток между соседними равномерными порядковыми статистиками, включая края интервала, имеет одну и ту же вероятность превысить заданную длину.