Wartość oczekiwana, średnia i wariancja

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Podstawy rachunku prawdopodobieństwa w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

202 reviews

Rozpocznij kurs za darmo

Rzut monetą to klasyczny przykład eksperymentu losowego. Możliwe wyniki to orzeł lub reszka. Ten rodzaj eksperymentu, znany jako próba Bernoulliego lub próba dwumianowa, pozwala modelować problemy z dwoma możliwymi wynikami – takimi jak „tak" lub „nie" czy „głos za" lub „głos przeciw". Ten rozdział wprowadza eksperymenty Bernoulliego, rozkłady dwumianowe do modelowania wielu prób Bernoulliego oraz symulacje prawdopodobieństwa z użyciem biblioteki scipy.

Exercise 1: Rzućmy monetą w Pythonie Exercise 2: Rzuty monetą Exercise 3: Rzucamy jeszcze więcej monetami z binom Exercise 4: Funkcje masy prawdopodobieństwa i dystrybuanty Exercise 5: Przewidywanie prawdopodobieństwa wystąpienia wad Exercise 6: Przewidywanie statusu zatrudnienia Exercise 7: Przewidywanie wskaźnika wykrywalności włamań Exercise 8: Wartość oczekiwana, średnia i wariancja

Bieżące ćwiczenie

Exercise 9: Obliczanie wartości oczekiwanej i wariancji Exercise 10: Obliczanie średniej próbki Exercise 11: Weryfikacja wyników Exercise 12: Obliczanie średniej i wariancji próbki

W tym rozdziale nauczysz się obliczać różne rodzaje prawdopodobieństw – m.in. prawdopodobieństwo iloczynu dwóch zdarzeń oraz sumę prawdopodobieństw dwóch zdarzeń – a także symulować takie sytuacje. Poznasz też prawdopodobieństwo warunkowe i nauczysz się stosować regułę Bayesa.

Exercise 1: Obliczanie prawdopodobieństw dwóch zdarzeń Exercise 2: Czy zdarzenia się pokrywają?Exercise 3: Pomiar próbki Exercise 4: Prawdopodobieństwa łączne Exercise 5: Talia kart Exercise 6: Prawdopodobieństwa warunkowe Exercise 7: Opóźnione loty Exercise 8: Tabela kontyngencji Exercise 9: Więcej kart Exercise 10: Prawo całkowitego prawdopodobieństwa Exercise 11: Silniki Formuły 1 Exercise 12: Wyborcy Exercise 13: Reguła Bayesa Exercise 14: Warunkowanie Exercise 15: Fabryki i części Exercise 16: Badanie krwi na grypę świńską

Do tej pory pracowaliśmy z rozkładami dwumianowymi, ale zmienna losowa może przyjmować wiele różnych rozkładów prawdopodobieństwa. W tym rozdziale poznasz trzy kolejne, powiązane z rozkładem dwumianowym: rozkład normalny, rozkład Poissona i rozkład geometryczny.

Exercise 1: Rozkłady normalne Exercise 2: Zakres wartości Exercise 3: Wizualizacja rozkładów normalnych Exercise 4: W obrębie trzech odchyleń standardowych Exercise 5: Prawdopodobieństwa rozkładu normalnego Exercise 6: Przykład z wydatkami w restauracji Exercise 7: Przykład z baterią smartfona Exercise 8: Przykład: wzrost dorosłych Exercise 9: Rozkłady Poissona Exercise 10: Przykład z bankomatem Exercise 11: Przykład: wypadki na autostradzie Exercise 12: Generowanie i wizualizacja rozkładów Poissona Exercise 13: Rozkłady geometryczne Exercise 14: Przykład z połowem łososia Exercise 15: Przykład z rzutami wolnymi Exercise 16: Generowanie i wizualizacja rozkładów geometrycznych

Teraz, gdy umiesz już obliczać prawdopodobieństwa i znasz ważne własności rozkładów prawdopodobieństwa, omówimy dwa istotne wyniki: prawo wielkich liczb i centralne twierdzenie graniczne. Pozwoli ci to lepiej zrozumieć, jak średnia z próby zbiega do średniej populacyjnej wraz ze wzrostem ilości danych oraz jak zachowuje się suma zmiennych losowych w określonych warunkach. Zbadamy też związki między regresją liniową i logistyczną jako zastosowaniami rachunku prawdopodobieństwa i statystyki w data science.

Exercise 1: Od średniej próbki do średniej populacji Exercise 2: Generowanie próbki Exercise 3: Obliczanie średniej próbkowej Exercise 4: Wizualizacja średniej próbki Exercise 5: Dodawanie zmiennych losowych Exercise 6: Średnie z próby Exercise 7: Średnie próbkowe mają rozkład normalny Exercise 8: Dodawanie wyników rzutów kostką Exercise 9: Regresja liniowa Exercise 10: Dopasowywanie modelu Exercise 11: Przewidywanie wyników testów Exercise 12: Analiza reszt Exercise 13: Regresja logistyczna Exercise 14: Dopasowywanie modelu logistycznego Exercise 15: Przewidywanie, czy uczniowie zdadzą egzamin Exercise 16: Zdanie dwóch egzaminów Exercise 17: Podsumowanie