Kamusi
- Page ID
- 181158
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
| Maneno (au maneno ambayo yana ufafanuzi sawa) | Ufafanuzi ni kesi nyeti | (Hiari) Picha ya kuonyesha na ufafanuzi [Si kuonyeshwa katika Kamusi, tu katika pop-up kwenye kurasa] | (Hiari) Maneno ya Image | (Hiari) Kiungo cha nje au cha ndani | (Hiari) Chanzo cha Ufafanuzi |
|---|---|---|---|---|---|
| (Mfano. “Maumbile, Hereditary, DNA...”) | (Mfano. “Kuhusiana na jeni au urithi”) |  |
sifa mbaya mara mbili helix | https://bio.libretexts.org/ | CC-BY-SA; Delmar Larsen |
Uchambuzi wa Vardelmar
| Neno (s) | Ufafanuzi | Image | Manukuu | Link | Chanzo |
|---|---|---|---|---|---|
| Uchambuzi wa Uchanganuzi, Uchambuzi wa Vardelmar | pia inajulikana kama ANOVA, ni njia ya kupima kama au njia ya watu watatu au zaidi ni sawa. Mbinu inatumika kama: (1) watu wote wa maslahi ni kawaida kusambazwa. (2) idadi ya watu wana sawa kiwango kupotoka. (3) sampuli (si lazima ya ukubwa sawa) ni nasibu na kujitegemea kuchaguliwa kutoka kila idadi ya watu. (4) mtihani takwimu kwa ajili ya uchambuzi wa ugomvi ni\(F\) -uwiano. | OpenStax | |||
| Wastani | nambari inayoelezea tabia kuu ya data; kuna idadi ya wastani maalumu, ikiwa ni pamoja na maana ya hesabu, maana ya uzito, wastani, mode, na maana ya kijiometri. | OpenStax | |||
| Bernoulli majaribio | jaribio la sifa zifuatazo: (1) Kuna matokeo mawili tu yanayowezekana inayoitwa “mafanikio” na “kushindwa” kwa kila jaribio. (2) Uwezekano\(p\) wa mafanikio ni sawa kwa jaribio lolote (hivyo uwezekano\(q = 1 − p\) wa kushindwa ni sawa kwa jaribio lolote). | OpenStax | |||
| Usambazaji wa Binomial | kipekee random variable (RV) inayotokana na majaribio Bernoulli. Kuna idadi fasta,\(n\), ya majaribio ya kujitegemea. “Independent” inamaanisha kwamba matokeo ya jaribio lolote (kwa mfano, jaribio la 1) haliathiri matokeo ya majaribio yafuatayo, na majaribio yote yanafanyika chini ya hali sawa. Chini ya hali hizi RV binomial hufafanuliwa kama idadi ya mafanikio katika\(n\) majaribio. Uthibitisho ni:\(X \sim B(n, p) \mu = np\) na kupotoka kwa kiwango ni\(\sigma = \sqrt{npq}\). Uwezekano wa\(x\) mafanikio hasa katika\(n\) majaribio ni\(P(X = x) = \binom{n}{x} p^{x}q^{n-x}\). | OpenStax | |||
| Jaribio la Binomial | majaribio ya takwimu kwamba satisfies zifuatazo hali tatu: (1) Kuna fasta idadi ya majaribio,\(n\). (2) Kuna matokeo mawili tu inawezekana, inayoitwa “mafanikio” na, “kushindwa,” kwa kila kesi. Barua hiyo\(p\) inaashiria uwezekano wa mafanikio kwenye jaribio moja, na\(q\) inaashiria uwezekano wa kushindwa kwenye jaribio moja. (3) Majaribio yanajitegemea na yanarudiwa kwa kutumia hali sawa.\(n\) | OpenStax | |||
| Usambazaji wa Uwezekano wa Binomial | kipekee random variable (RV) inayotokana na majaribio Bernoulli; kuna idadi fasta,\(n\), ya majaribio ya kujitegemea. “Independent” inamaanisha kwamba matokeo ya jaribio lolote (kwa mfano, jaribio moja) haliathiri matokeo ya majaribio yafuatayo, na majaribio yote yanafanyika chini ya hali sawa. Chini ya hali hizi RV binomial\(X\) inaelezwa kama idadi ya mafanikio katika\(n\) majaribio. Nukuu ni:\(X ~ B(n, p)\). Maana ni\(\mu = np\) na kupotoka kwa kiwango ni\(\sigma = \sqrt{npq}\). Uwezekano wa\(x\) mafanikio hasa katika\(n\) majaribio ni\(P(X = x) = {n \choose x}p^{x}q^{n-x}\). | OpenStax | |||
| Kupofusha | si kuwaambia washiriki ambayo matibabu somo ni kupokea | OpenStax | |||
| Box njama | grafu ambayo inatoa picha ya haraka ya katikati 50% ya data | OpenStax | |||
| Kikundi cha kutofautiana | vigezo vinavyochukua maadili ambayo ni majina au maandiko | OpenStax | |||
| Theorem ya Kikomo ya Kati | Kutokana variable random (RV) na inayojulikana maana\(\mu\) na inayojulikana kiwango kupotoka\(\sigma\),, sisi ni sampuli na ukubwa\(n\), na sisi ni nia ya RVs mbili mpya: sampuli maana\(\bar{X}\),, na sampuli jumla,\(\sum X\). Ikiwa ukubwa (\(n\)) wa sampuli ni kubwa ya kutosha, basi\(\bar{X} \sim N\left(\mu, \dfrac{\sigma}{\sqrt{n}}\right)\) na\(\sum X \sim N(n\mu, (\sqrt{n})(\sigma))\). Ikiwa ukubwa (\(n\)) wa sampuli ni kubwa ya kutosha, basi usambazaji wa sampuli ina maana na usambazaji wa kiasi cha sampuli utafikia mgawanyo wa kawaida bila kujali sura ya idadi ya watu. Maana ya njia ya sampuli itakuwa sawa na idadi ya watu inamaanisha, na maana ya sampuli ya sampuli itakuwa sawa\(n\) mara idadi ya watu inamaanisha. Kupotoka kwa kawaida kwa usambazaji wa njia ya sampuli\(\dfrac{\sigma}{\sqrt{n}}\), inaitwa kosa la kawaida la maana. | OpenStax | |||
| Theorem ya Kikomo ya Kati | Kutokana variable random (RV) na inayojulikana maana\(\mu\) na inayojulikana kiwango kupotoka\(\sigma\). Sisi ni sampuli na ukubwa\(n\) na sisi ni nia ya RVs mbili mpya - sampuli maana,\(\bar{X}\), na sampuli jumla,\(\sum X\). Ikiwa ukubwa\(n\) wa sampuli ni kubwa ya kutosha, basi\(\bar{X} - N\left(\mu, \frac{\sigma}{\sqrt{n}}\right)\) na\(\sum X - N \left(n\mu, \sqrt{n}\sigma\right)\). Ikiwa ukubwa n wa sampuli ni kubwa ya kutosha, basi usambazaji wa sampuli ina maana na usambazaji wa kiasi cha sampuli utafikia usambazaji wa kawaida bila kujali sura ya idadi ya watu. Maana ya njia ya sampuli itakuwa sawa na maana ya idadi ya watu na maana ya sampuli ya sampuli itakuwa sawa\(n\) mara idadi ya watu inamaanisha. Kupotoka kwa kawaida kwa usambazaji wa njia ya sampuli\(\frac{\sigma}{\sqrt{n}}\), inaitwa kosa la kawaida la maana. | OpenStax | |||
| nguzo sampuli | njia ya kuchagua sampuli ya random na kugawanya idadi ya watu katika makundi (makundi); tumia sampuli rahisi ya random ili kuchagua seti ya makundi. Kila mtu katika makundi yaliyochaguliwa ni pamoja na sampuli. | OpenStax | |||
| Mgawo wa uwiano | kipimo kilichotengenezwa na Karl Pearson (miaka ya 1900 mapema) ambayo inatoa nguvu ya ushirikiano kati ya variable huru na variable tegemezi; formula\(n\) ni:\[r = \dfrac{n \sum xy - \left(\sum x\right) \left(\sum y\right)}{\sqrt{\left[n \sum x^{2} - \left(\sum x\right)^{2}\right] \left[n \sum y^{2} - \left(\sum y\right)^{2}\right]}}\] wapi idadi ya pointi data. Mgawo hauwezi kuwa zaidi ya 1 au chini ya —1. Karibu na mgawo ni ± 1, nguvu ushahidi wa uhusiano muhimu wa mstari kati\(x\) na\(y\). | OpenStax | |||
| Uwezekano wa masharti | uwezekano kwamba tukio kutokea kutokana na kwamba tukio jingine tayari ilitokea | OpenStax | |||
| Muda wa kujiamini (CI) | makadirio ya muda kwa parameter isiyojulikana ya idadi ya watu. Hii inategemea: (1) taka kujiamini ngazi. (2) Taarifa ambayo inajulikana kuhusu usambazaji (kwa mfano, inayojulikana kiwango kupotoka). (3) sampuli na ukubwa wake. | OpenStax | |||
| Ngazi ya kujiamini (CL) | asilimia kujieleza kwa uwezekano kwamba muda kujiamini ina kweli idadi ya watu parameter; kwa mfano, kama\(CL = 90%\), kisha 90 kati ya 100 sampuli makadirio ya muda itakuwa enclose kweli idadi ya watu parameter. | OpenStax | |||
| meza ya dharura | njia ya kuonyesha usambazaji wa mzunguko kama meza na safu na nguzo ili kuonyesha jinsi vigezo viwili vinaweza kutegemea (kikosi) juu ya kila mmoja; meza hutoa njia rahisi ya kuhesabu uwezekano wa masharti. | OpenStax | |||
| Kuendelea Random kutofautiana | kutofautiana kwa random (RV) ambao matokeo yake yanapimwa; urefu wa miti katika msitu ni RV inayoendelea. | OpenStax | |||
| Kundi la Kudhibiti | kikundi katika jaribio la randomized ambalo linapata matibabu yasiyotumika, lakini vinginevyo imeweza kusimamiwa hasa kama vikundi vingine. | OpenStax | |||
| Urahisi sampuli | njia isiyo ya kawaida ya kuchagua sampuli; njia hii huchagua watu ambao hupatikana kwa urahisi na inaweza kusababisha data ya upendeleo. | OpenStax | |||
| Mzunguko wa jamaa wa Ki | Neno linatumika kwa seti iliyoamriwa ya uchunguzi kutoka ndogo hadi kubwa. Mzunguko wa jamaa wa jumla ni jumla ya masafa ya jamaa kwa maadili yote ambayo ni chini ya au sawa na thamani iliyotolewa. | OpenStax | |||
| Data | seti ya uchunguzi (seti ya matokeo iwezekanavyo); data nyingi zinaweza kuwekwa katika makundi mawili: ubora (sifa ambayo thamani yake inaonyeshwa na lebo) au kiasi (sifa ambayo thamani yake inaonyeshwa na namba). Data ya kiasi inaweza kugawanywa katika vikundi viwili: discrete na kuendelea. Takwimu ni za kipekee ikiwa ni matokeo ya kuhesabu (kama idadi ya wanafunzi wa kikundi kilichopewa kikabila katika darasa au idadi ya vitabu kwenye rafu). Takwimu zinaendelea ikiwa ni matokeo ya kupima (kama vile umbali uliosafiri au uzito wa mizigo) | OpenStax | |||
| Kipimo cha kuoza | parameter kuoza inaeleza kiwango ambacho probabilities kuoza kwa sifuri kwa kuongeza maadili ya\(x\). Ni thamani\(m\) katika uwezekano wiani kazi\(f(x) = me^{(-mx)}\) ya kielelezo random variable. Pia ni sawa na\(m = \dfrac{1}{\mu}\), ambapo\(\mu\) ni maana ya variable random. | OpenStax | |||
| Daraja la Uhuru (df) | idadi ya vitu katika sampuli ambayo ni bure kutofautiana. | OpenStax | |||
| Matukio tegemezi | Ikiwa matukio mawili hayategemea, basi tunasema kuwa wanategemea. | OpenStax | |||
| Discrete Random kutofautiana | variable random (RV) ambao matokeo yake ni kuhesabiwa | OpenStax | |||
| Kufungia mara mbili | kitendo cha kupofusha masomo yote ya majaribio na watafiti wanaofanya kazi na masomo | OpenStax | |||
| Uwezekano sawa | Kila matokeo ya jaribio ina uwezekano sawa. | OpenStax | |||
| Hitilafu imefungwa kwa maana ya Idadi ya Watu (EBM) | kiasi cha makosa; inategemea kiwango cha kujiamini, ukubwa wa sampuli, na kupotoka kwa kiwango cha idadi ya watu inayojulikana au inakadiriwa. | OpenStax | |||
| Hitilafu imefungwa kwa Idadi ya Watu (EBP) | kiasi cha kosa; inategemea kiwango cha kujiamini, ukubwa wa sampuli, na uwiano wa mafanikio (kutoka kwa sampuli). | OpenStax | |||
| Tukio | subset ya seti ya matokeo yote ya jaribio; seti ya matokeo yote ya jaribio inaitwa nafasi ya sampuli na kwa kawaida inaashiria\(S\). Tukio ni subset kiholela katika\(S\). Inaweza kuwa na matokeo moja, matokeo mawili, hakuna matokeo (subset tupu), nafasi nzima ya sampuli, na kadhalika. Maelezo ya kawaida ya matukio ni barua kuu kama vile\(A, B, C\), na kadhalika. | OpenStax | |||
| Thamani inatarajiwa | inatarajiwa hesabu wastani wakati majaribio ni mara nyingi mara nyingi; pia hujulikana maana. Nukuu:\(\mu\). Kwa discrete random variable (RV) na uwezekano usambazaji kazi\(P(x)\), ufafanuzi pia inaweza kuandikwa katika fomu\(\mu = \sum{xP(x)}\). | OpenStax | |||
| Majaribio | shughuli iliyopangwa kufanyika chini ya hali ya kudhibitiwa | OpenStax | |||
| Kitengo cha majaribio | mtu yeyote au kitu cha kupimwa | OpenStax | |||
| Tofauti ya ufafanuzi | variable huru katika majaribio; thamani kudhibitiwa na watafiti | OpenStax | |||
| Usambazaji wa kielelezo | kuendelea random variable (RV) kwamba inaonekana wakati sisi ni nia ya vipindi vya muda kati ya baadhi ya matukio random, kwa mfano, urefu wa muda kati ya waliofika dharura katika hospitali; nukuu ni\(X \sim \text{Exp}(m)\). Maana ni\(\mu = \frac{1}{m}\) na kupotoka kwa kiwango ni\(\sigma = \frac{1}{m}\). uwezekano wiani kazi ni\(f(x) = me^{-mx}\),\(x \geq 0\) na nyongeza usambazaji kazi ni\(P(X \leq x) = 1 − e^{mx}\). | OpenStax | |||
| Quartile ya kwanza | thamani ambayo ni wastani wa nusu ya chini ya kuweka data iliyoamriwa | OpenStax | |||
| Marudio | idadi ya mara thamani ya data hutokea | OpenStax | |||
| Frequency Poligoni | inaonekana kama grafu ya mstari, lakini inatumia vipindi ili kuonyesha safu za kiasi kikubwa cha data. | OpenStax | |||
| Jedwali la mzunguko | uwakilishi wa data ambayo data ya makundi huonyeshwa pamoja na masafa yanayofanana | OpenStax | |||
| Usambazaji wa Jiometri | kipekee random variable (RV) inayotokana na majaribio Bernoulli; majaribio ni mara kwa mara mpaka mafanikio ya kwanza. Vigezo vya kijiometri\(X\) hufafanuliwa kama idadi ya majaribio hadi mafanikio ya kwanza. Nukuu:\(X \sim G(p)\). Maana ni\(\mu = \dfrac{1}{p}\) na kupotoka kwa kiwango ni\(\sigma = \sqrt{\dfrac{1}{p}\left(\dfrac{1}{p} - 1\right)}\). Uwezekano wa\(x\) kushindwa hasa kabla ya mafanikio ya kwanza hutolewa na formula:\(P(X = x) = p(1 –p)^{x-1}\). | OpenStax | |||
| Kijiometri majaribio | jaribio la takwimu na mali zifuatazo: (1) Kuna majaribio moja au zaidi ya Bernoulli na kushindwa yote isipokuwa ya mwisho, ambayo ni mafanikio. (2) Kwa nadharia, idadi ya majaribio inaweza kuendelea milele. Lazima kuwe na kesi angalau moja. (3) uwezekano\(p\),, ya mafanikio na uwezekano\(q\), ya kushindwa wala mabadiliko kutoka kesi ya kesi | OpenStax | |||
| Hypergeometric majaribio | majaribio ya takwimu na mali zifuatazo: (1) Unachukua sampuli kutoka kwa makundi mawili. (2) Una wasiwasi na kundi la riba, inayoitwa kundi la kwanza. (3) Wewe sampuli bila uingizwaji kutoka kwa makundi ya pamoja. (4) Kila pick si huru, tangu sampuli haina uingizwaji. (5) Wewe ni si kushughulika na majaribio Bernoulli. | OpenStax | |||
| Hypergeometric uwezekano | kipekee random variable (RV) kwamba ni sifa ya: (1) idadi fasta ya majaribio. (2) uwezekano wa mafanikio si sawa kutoka kesi ya kesi. Sisi sampuli kutoka makundi mawili ya vitu wakati sisi ni nia ya kundi moja tu. \(X\)hufafanuliwa kama idadi ya mafanikio nje ya idadi ya vitu waliochaguliwa. Notation:\(X \sim H(r, b, n)\), ambapo idadi\(r =\) ya vitu katika kundi la riba, idadi\(b =\) ya vitu katika kikundi si ya riba, na idadi\(n =\) ya vitu waliochaguliwa. | OpenStax | |||
| Nadharia | taarifa juu ya thamani ya parameter idadi ya watu, katika kesi ya nadharia mbili, taarifa kudhani kuwa kweli inaitwa null hypothesis (nukuu\(H_{0}\)) na taarifa ya kupingana inaitwa hypothesis mbadala (nukuu\(H_{a}\)). | OpenStax | |||
| Hypothesis kupima | Kulingana na ushahidi wa sampuli, utaratibu wa kuamua kama hypothesis imesemwa ni taarifa nzuri na haipaswi kukataliwa, au ni busara na inapaswa kukataliwa. | OpenStax | |||
| Matukio ya kujitegemea | Tukio la tukio moja halina athari juu ya uwezekano wa tukio la tukio lingine. Matukio\(\text{A}\) na\(\text{B}\) ni huru kama moja ya yafuatayo ni kweli: (1)\(P(\text{A|B}) = P(\text{A})\), (2)\(P(\text{B|A}) = P(\text{B})\), (3)\(P(\text{A AND B}) = P(\text{A})P(\text{B})\) | OpenStax | |||
| Takwimu za Inferential | pia huitwa inference ya takwimu au takwimu za kuingiza; kipengele hiki cha takwimu kinahusika na kukadiria parameter ya idadi ya watu kulingana na takwimu za sampuli. Kwa mfano, kama nne kati ya 100 calculators sampuli ni defective tunaweza kudai kwamba asilimia nne ya uzalishaji ni defective. | OpenStax | |||
| Ridhaa ya Taarifa | Somo lolote la kibinadamu katika utafiti wa utafiti lazima liwe na ufahamu wa hatari yoyote au gharama zinazohusiana na utafiti. Somo lina haki ya kujua asili ya matibabu yaliyojumuishwa katika utafiti, hatari zao za uwezo, na faida zao za uwezo. Ridhaa lazima ipewe kwa uhuru na mshiriki mwenye habari, anayefaa. | OpenStax | |||
| Bodi ya Tathmini ya Taasisi | kamati ya kazi ya usimamizi wa programu za utafiti zinazohusisha masomo ya binadamu | OpenStax | |||
| Muda | pia huitwa muda wa darasa; muda unawakilisha data mbalimbali na hutumiwa wakati wa kuonyesha seti kubwa za data | OpenStax | |||
| Kiwango cha Umuhimu wa Mtihani | uwezekano wa makosa Aina I (kukataa hypothesis null wakati ni kweli). Nukuu:\(\alpha\). Katika kupima hypothesis, Ngazi ya Umuhimu inaitwa\(\alpha\) preconcienced au preset\(\alpha\). | OpenStax | |||
| lurking kutofautiana | variable ambayo ina athari juu ya utafiti hata kama si kutofautiana maelezo wala majibu variable | OpenStax | |||
| Maana | idadi ambayo hatua tabia ya kati; jina la kawaida kwa maana ni “wastani.” Neno “maana” ni fomu iliyofupishwa ya “maana ya hesabu.” Kwa ufafanuzi, maana ya sampuli (iliyoonyeshwa na\(\bar{x}\)) ni\(\bar{x} = \dfrac{\text{Sum of all values in the sample}}{\text{Number of values in the sample}}\), na maana ya idadi ya watu (iliyoonyeshwa na\(\mu\)) ni\(\mu = \dfrac{\text{Sum of all values in the population}}{\text{Number of values in the population}}\). | OpenStax | |||
| Maana ya Usambazaji wa Uwezekano | wastani wa muda mrefu wa majaribio mengi ya majaribio ya takwimu | OpenStax | |||
| Wastani | nambari ambayo hutenganisha data iliyoamriwa ndani ya nusu; nusu ya maadili ni namba sawa au ndogo kuliko maadili ya wastani na nusu ni idadi sawa au kubwa kuliko wastani. Wastani anaweza au usiwe sehemu ya data. | OpenStax | |||
| mali isiyokumbuka | Kwa kielelezo random variable\(X\), mali memoryless ni taarifa kwamba ujuzi wa nini kilichotokea katika siku za nyuma haina athari juu ya probabilities baadaye. Hii ina maana kwamba uwezekano\(X\) unaozidi\(x + k\), kutokana na kwamba umezidi\(x\), ni sawa na uwezekano ambao\(X\) ungeweza kuzidi\(k\) kama hatukuwa na ujuzi kuhusu hilo. Katika alama tunasema kwamba\(P(X > x + k | X > x) = P(X > k)\) | OpenStax | |||
| midpoint | maana ya muda katika meza ya mzunguko | OpenStax | |||
| Mode | thamani inayoonekana mara nyingi katika seti ya data | OpenStax | |||
| Pande Exclusive | Matukio mawili ni ya kipekee ikiwa uwezekano kwamba wote hutokea kwa wakati mmoja ni sifuri. Ikiwa matukio\(\text{A}\) na\(\text{B}\) ni ya kipekee, basi\(P(\text{A AND B}) = 0\). | OpenStax | |||
| Hitilafu isiyo ya kawaida | suala linaloathiri kuaminika kwa data ya sampuli isipokuwa tofauti ya asili; inajumuisha makosa mbalimbali ya binadamu ikiwa ni pamoja na kubuni maskini ya utafiti, mbinu za sampuli za upendeleo, taarifa sahihi zinazotolewa na washiriki wa utafiti, makosa ya kuingia data, na uchambuzi maskini. | OpenStax | |||
| Usambazaji wa kawaida | kuendelea random variable (RV) na pdf\(f(x) = \dfrac{1}{\sigma \sqrt{2 \pi}}e^{\dfrac{-(x-\mu)^{2}}{2 \sigma^{2}}}\), ambapo\(\mu\) ni maana ya usambazaji na\(\sigma\) ni kupotoka kiwango; nukuu:\(X \sim N(\mu, \sigma)\). Ikiwa\(\mu = 0\) na\(\sigma = 1\), RV inaitwa usambazaji wa kawaida wa kawaida. | OpenStax | |||
| Tofauti ya namba | vigezo vinavyochukua maadili ambayo yanaonyeshwa kwa namba | OpenStax | |||
| Njia moja ANOVA | njia ya kupima ikiwa njia za watu watatu au zaidi ni sawa; njia hiyo inatumika ikiwa: (1) watu wote wa maslahi ni kawaida kusambazwa. (2) idadi ya watu wana upungufu sawa. (3) sampuli (si lazima ya ukubwa sawa) ni nasibu na kujitegemea kuchaguliwa kutoka kila idadi ya watu. (4) mtihani takwimu kwa ajili ya uchambuzi wa ugomvi ni\(F\) -uwiano. | OpenStax | |||
| Matokeo | matokeo fulani ya jaribio | OpenStax | |||
| Nje | uchunguzi ambao haufanani na data zote | OpenStax | |||
| p-thamani | uwezekano kwamba tukio kutokea rena kwa nafasi kuchukua hypothesis null ni kweli. ndogo\(p\) -thamani, nguvu ushahidi ni dhidi ya hypothesis null. | OpenStax | |||
| Kuweka Takwimu zilizounganishwa | seti mbili za data ambazo zina uhusiano mmoja hadi mmoja ili: (1) seti zote za data ni ukubwa sawa, na (2) kila hatua ya data katika seti moja ya data inafanana na hatua moja kutoka kwa seti nyingine. | OpenStax | |||
| Kipengele | nambari ambayo hutumiwa kuwakilisha tabia ya idadi ya watu na ambayo kwa ujumla haiwezi kuamua kwa urahisi | OpenStax | |||
| Kipengele | tabia ya namba ya idadi ya watu | OpenStax | |||
| Aerosmith | matibabu inaktiv ambayo haina athari halisi juu ya kutofautiana maelezo | OpenStax | |||
| Makadirio ya Point | nambari moja iliyohesabiwa kutoka sampuli na kutumika kukadiria parameter ya idadi ya watu | OpenStax | |||
| Poisson usambazaji | Ikiwa kuna wastani unaojulikana wa\(\lambda\) matukio yanayotokea kwa wakati wa kitengo, na matukio haya yanajitegemea, basi idadi ya matukio\(X\) yanayotokea katika kitengo kimoja cha wakati ina usambazaji wa Poisson. Uwezekano wa matukio k yanayotokea wakati mmoja wa kitengo ni sawa na\(P(X = k) = \dfrac{\lambda^{k}e^{-\lambda}}{k!}\). | OpenStax | |||
| Poisson uwezekano usambazaji | discrete random variable (RV) kwamba makosa idadi ya mara tukio fulani kutokea katika kipindi maalum; tabia ya kutofautiana: (1) uwezekano kwamba tukio hutokea katika kipindi fulani ni sawa kwa vipindi vyote. (2) matukio kutokea kwa maana inayojulikana na kujitegemea wakati tangu tukio la mwisho. Usambazaji hufafanuliwa kwa maana\(\mu\) ya tukio hilo kwa muda. Nukuu:\(X \sim P(\mu)\). Maana ni\(\mu = np\). Kupotoka kwa kiwango ni\(\sigma = \sqrt{\mu}\). Uwezekano wa kuwa na\(x\) mafanikio hasa katika\(r\) majaribio ni\(P(X = x) = \left(e^{-\mu}\right)\frac{\mu^{x}}{x!}\). Usambazaji wa Poisson mara nyingi hutumiwa kwa takriban usambazaji wa binomial, wakati\(n\) ni “mkubwa” na\(p\) ni “mdogo” (kanuni ya jumla ni kwamba\(n\) inapaswa kuwa kubwa kuliko au sawa na 20 na\(p\) inapaswa kuwa chini ya au sawa na 0.05). | OpenStax | |||
| Idadi iliyokusanywa | makadirio ya thamani ya kawaida ya\(p_{1}\) na\(p_{2}\). | OpenStax | |||
| Idadi ya watu | watu wote, vitu, au vipimo ambao mali ni kuwa alisoma | OpenStax | |||
| Uwezekano | idadi kati ya sifuri na moja, umoja, ambayo inatoa uwezekano kwamba tukio maalum kutokea | OpenStax | |||
| Uwezekano | idadi kati ya sifuri na moja, umoja, ambayo inatoa uwezekano kwamba tukio maalum litatokea; msingi wa takwimu hutolewa na axioms zifuatazo 3 (na A.N Kolmogorov, 1930): Hebu\(S\) kuashiria nafasi ya sampuli na\(A\) na\(B\) ni matukio mawili katika S. Kisha: (1)\(0 \leq P(\text{A}) \leq 1\), (2) Kama\(\text{A}\) na\(\text{B}\) ni matukio mawili ya kipekee, basi\(\text{P}(\text{A OR B}) = P(\text{A}) + P(\text{B})\) na (3)\(P(\text{S}) = 1\). | OpenStax | |||
| Kazi ya Usambazaji wa Uwezekano (PDF) | maelezo ya hisabati ya kipekee random variable (RV), kutokana ama katika mfumo wa equation (formula) au katika mfumo wa meza orodha matokeo yote ya uwezekano wa majaribio na uwezekano kuhusishwa na kila matokeo. | OpenStax | |||
| Uwiano | idadi ya mafanikio imegawanywa na idadi ya jumla katika sampuli | OpenStax | |||
| Takwimu zinazofaa | Angalia Data. | OpenStax | |||
| Takwimu za Kiasi | Angalia Data. | OpenStax | |||
| Kazi ya Random | kitendo cha kuandaa vitengo vya majaribio katika makundi ya matibabu kwa kutumia mbinu za random | OpenStax | |||
| Random sampuli | njia ya kuchagua sampuli ambayo inatoa kila mwanachama wa idadi ya watu nafasi sawa ya kuchaguliwa. | OpenStax | |||
| Tofauti ya Random (RV) | tabia ya maslahi katika idadi ya watu kuwa alisoma; notation ya kawaida kwa vigezo ni kesi ya juu barua Kilatini\(X, Y, Z\),...; notation ya kawaida kwa thamani maalum kutoka uwanja (seti ya maadili yote iwezekanavyo ya kutofautiana) ni kesi ya chini barua Kilatini\(x\)\(y\),, na\(z\). Kwa mfano, ikiwa\(X\) ni idadi ya watoto katika familia, basi\(x\) inawakilisha integer maalum 0, 1, 2, 3,... Vigezo katika takwimu hutofautiana na vigezo katika algebra ya kati kwa njia mbili zifuatazo. (1) Uwanja wa kutofautiana kwa random (RV) sio lazima kuweka namba; uwanja unaweza kuelezwa kwa maneno; kwa mfano, ikiwa rangi ya\(X =\) nywele basi uwanja ni {nyeusi, blond, kijivu, kijani, machungwa}. (2) Tunaweza kuwaambia ni thamani gani maalum\(x\) ya kutofautiana kwa random\(X\) inachukua tu baada ya kufanya jaribio | OpenStax | |||
| Frequency jamaa | uwiano wa idadi ya mara thamani ya data hutokea katika seti ya matokeo yote kwa idadi ya matokeo yote kwa idadi ya matokeo | OpenStax | |||
| Mwakilishi Mfano | subset ya idadi ya watu ambayo ina sifa sawa na idadi ya watu | OpenStax | |||
| Jibu kutofautiana | kutofautiana kwa tegemezi katika jaribio; thamani ambayo inapimwa kwa mabadiliko mwishoni mwa jaribio | OpenStax | |||
| Sampuli | subset ya idadi ya watu alisoma | OpenStax | |||
| Mfano Nafasi | seti ya matokeo yote ya uwezekano wa majaribio | OpenStax | |||
| sampuli upendeleo | si wanachama wote wa idadi ya watu ni sawa uwezekano wa kuchaguliwa | OpenStax | |||
| Usambazaji wa sampuli | Kutokana sampuli rahisi za kawaida za ukubwa\(n\) kutoka kwa idadi ya watu waliopewa na tabia ya kipimo kama vile maana, uwiano, au kupotoka kwa kila sampuli, usambazaji wa uwezekano wa sifa zote zilizopimwa huitwa usambazaji wa sampuli. | OpenStax | |||
| Kosa la Sampuli | tofauti ya asili inayotokana na kuchagua sampuli ili kuwakilisha idadi kubwa; tofauti hii inapungua kama ukubwa wa sampuli huongezeka, hivyo kuchagua sampuli kubwa hupunguza hitilafu ya sampuli. | OpenStax | |||
| Sampuli na uingizwaji | Mara baada ya mwanachama wa idadi ya watu ni kuchaguliwa kwa ajili ya kuingizwa katika sampuli, mwanachama kwamba ni kurudi kwa idadi ya watu kwa ajili ya uteuzi wa mtu binafsi ijayo. | OpenStax | |||
| Sampuli bila uingizwaji | Mwanachama wa idadi ya watu anaweza kuchaguliwa kwa kuingizwa katika sampuli mara moja tu. Ikiwa amechaguliwa, mwanachama hayarudi kwa idadi ya watu kabla ya uteuzi ujao. | OpenStax | |||
| Rahisi Random sampuli | njia moja kwa moja ya kuchagua sampuli random; kutoa kila mwanachama wa idadi ya watu. Tumia jenereta ya nambari ya random ili kuchagua seti ya maandiko. Maandiko haya yaliyochaguliwa kwa nasibu hutambua wanachama wa sampuli yako. | OpenStax | |||
| Imepotoshwa | kutumika kuelezea data ambayo si symmetrical; wakati upande wa kulia wa grafu inaonekana “kung'olewa mbali” ikilinganishwa upande wa kushoto, tunasema ni “skewed kushoto.” Wakati upande wa kushoto wa grafu inaonekana “umekatwa” ikilinganishwa na upande wa kulia, tunasema data “imepigwa kwa haki.” Vinginevyo: wakati maadili ya chini ya data yanaenea zaidi, tunasema data ni skewed upande wa kushoto. Wakati maadili makubwa yanaenea zaidi, data hupigwa kwa haki. | OpenStax | |||
| Mkengeuko | idadi ambayo ni sawa na mizizi mraba ya ugomvi na hatua jinsi mbali data maadili ni kutoka maana yao; notation: s kwa sampuli kupotoka kiwango na σ kwa idadi ya watu kiwango kupotoka. | OpenStax | |||
| Kupotoka kwa kiwango cha Usambazaji wa Uwezekano | idadi inayopima jinsi matokeo ya majaribio ya takwimu yanatoka kwa maana ya usambazaji | OpenStax | |||
| Hitilafu ya kawaida ya Maana | kupotoka kwa kiwango cha usambazaji wa njia za sampuli, au\(\dfrac{\sigma}{\sqrt{n}}\). | OpenStax | |||
| Usambazaji wa kawaida wa kawaida | kuendelea random variable (RV)\(X \sim N(0, 1)\); wakati\(X\) ifuatavyo kiwango usambazaji wa kawaida, mara nyingi hujulikana kama\ (Z\ sim N (0, 1)\. | OpenStax | |||
| Takwimu | tabia ya nambari ya sampuli; takwimu inakadiria parameter sambamba idadi ya watu. | OpenStax | |||
| Utabakishaji sampuli | njia ya kuchagua sampuli ya random inayotumiwa kuhakikisha kwamba vikundi vidogo vya idadi ya watu vinawakilishwa kwa kutosha; kugawanya idadi ya watu katika makundi (tabaka). Tumia sampuli rahisi ya random kutambua idadi ya watu kutoka kila tabaka. | OpenStax | |||
| Mwanafunzi t -Distribution | kuchunguzwa na kuripotiwa na William S. Gossett katika 1908 na kuchapishwa chini ya jina la siri Mwanafunzi. Tabia kuu za kutofautiana kwa random (RV) ni: (1) Ni kuendelea na inachukua maadili yoyote halisi. (2) pdf ni ya kawaida kuhusu maana yake ya sifuri. Hata hivyo, inaenea zaidi na kupendeza kwenye kilele kuliko usambazaji wa kawaida. (3) Inakaribia usambazaji wa kawaida wa kawaida kama\(n\) unavyoongezeka. (4) Kuna “familia” ya\(t\) -mgawanyo: kila mwakilishi wa familia hufafanuliwa kabisa na idadi ya digrii za uhuru ambayo ni moja chini ya idadi ya vitu data. | OpenStax | |||
| Sampuli ya utaratibu | njia ya kuchagua sampuli ya random; orodha ya wanachama wa idadi ya watu. Tumia sampuli rahisi ya random ili kuchagua hatua ya mwanzo katika idadi ya watu. Hebu k = (idadi ya watu binafsi katika idadi ya watu)/(idadi ya watu wanaohitajika katika sampuli). Chagua kila mtu binafsi katika orodha kuanzia na ile iliyochaguliwa kwa nasibu. Ikiwa ni lazima, kurudi mwanzo wa orodha ya idadi ya watu ili kukamilisha sampuli yako. | OpenStax | |||
| Na Tukio | Matokeo ni katika tukio\(\text{A AND B}\) kama matokeo ni katika wote kwa\(\text{A AND B}\) wakati mmoja. | OpenStax | |||
| Tukio la Kusaidia | inayosaidia ya tukio\(\text{A}\) lina matokeo yote ambayo si katika\(\text{A}\). | OpenStax | |||
| Uwezekano wa masharti ya B iliyotolewa | \(P(\text{A|B})\)ni uwezekano kwamba tukio\(\text{A}\) kutokea kutokana na kwamba tukio\(\text{B}\) tayari ilitokea. | OpenStax | |||
| Uwezekano wa masharti ya Tukio moja Kutokana na Tukio Lingine | P (A | B) ni uwezekano kwamba tukio A litatokea kutokana na kwamba tukio B tayari limetokea. | OpenStax | |||
| Sheria ya Idadi Kubwa | Kama idadi ya majaribio katika jaribio la uwezekano huongezeka, tofauti kati ya uwezekano wa kinadharia wa tukio na uwezekano wa mzunguko wa jamaa unakaribia sifuri. | OpenStax | |||
| Tukio la Au | Matokeo ni katika tukio\(\text{A OR B}\) kama matokeo ni katika\(\text{A}\) au ni katika\(\text{B}\) au ni katika wote\(\text{A}\) na\(\text{B}\). | OpenStax | |||
| AU ya Matukio mawili | Matokeo ni katika tukio A AU B ikiwa matokeo ni katika A, iko katika B, au iko katika A na B. | OpenStax | |||
| Matibabu | maadili tofauti au sehemu ya kutofautiana maelezo kutumika katika majaribio | OpenStax | |||
| Mchoro wa mti | muhimu Visual uwakilishi wa nafasi sampuli na matukio katika mfumo wa “mti” na matawi alama na matokeo iwezekanavyo pamoja na probabilities kuhusishwa (frequency, masafa jamaa) | OpenStax | |||
| Weka Hitilafu ya 1 | Uamuzi ni kukataa hypothesis null wakati, kwa kweli, hypothesis null ni kweli. | OpenStax | |||
| Aina ya Hitilafu ya 2 | Uamuzi si kukataa hypothesis null wakati, kwa kweli, hypothesis null ni uongo. | OpenStax | |||
| Usambazaji Sare | kuendelea random variable (RV) ambayo ina matokeo sawa uwezekano juu ya uwanja,\(a < x < b\); mara nyingi hujulikana kama usambazaji mstatili kwa sababu graph ya pdf ina aina ya mstatili. Nukuu:\(X \sim U(a,b)\). Maana ni\(\mu = \frac{a+b}{2}\) na kupotoka kwa kiwango ni\(\sigma = \sqrt{\frac{(b-a)^{2}}{12}}\). Kazi ya wiani ya uwezekano ni\(f(x) = \frac{1}{b-a}\) kwa\(a < x < b\) au\(a \leq x \leq b\). Usambazaji wa jumla ni\(P(X \leq x) = \frac{x-a}{b-a}\). | OpenStax | |||
| Usambazaji Sare | kuendelea random variable (RV) ambayo ina matokeo sawa uwezekano juu ya uwanja,\(a < x < b\); mara nyingi hujulikana kama Distribution Rectangular kwa sababu graph ya pdf ina aina ya mstatili. Nukuu:\(X \sim U(a, b)\). Maana ni\(\mu = \dfrac{a+b}{2}\) na kupotoka kwa kiwango ni\(\sigma = \sqrt{\dfrac{(b-a)^{2}}{12}}\). Kazi ya wiani ya uwezekano ni\(f(x) = \dfrac{a+b}{2}\) kwa\(a < x < b\) au\(a \leq x \leq b\). Usambazaji wa jumla ni\(P(X \leq x) = \dfrac{x-a}{b-a}\). | OpenStax | |||
| Variable | tabia ya maslahi kwa kila mtu au kitu katika idadi ya watu | OpenStax | |||
| Variable (Random Variable) | tabia ya maslahi katika idadi ya watu kuwa alisoma. Nukuu ya kawaida kwa vigezo ni barua za Kilatini za juu\(X, Y, Z,\)... Uthibitisho wa kawaida kwa thamani maalum kutoka kwa kikoa (seti ya maadili yote iwezekanavyo ya kutofautiana) ni barua za Kilatini za chini\(x, y, z,\)... Kwa mfano, ikiwa\(X\) ni idadi ya watoto katika familia, basi\(x\) inawakilisha integer maalum 0, 1, 2, 3,... Vigezo katika takwimu hutofautiana na vigezo katika algebra ya kati kwa njia mbili zifuatazo. (1) Uwanja wa kutofautiana kwa random (RV) sio lazima kuweka namba; uwanja unaweza kuelezwa kwa maneno; kwa mfano, kama rangi ya\(X =\) nywele, basi uwanja ni {nyeusi, blond, kijivu, kijani, machungwa}. (2) Tunaweza kuwaambia nini maalum thamani x ya variable random\(X\) inachukua tu baada ya kufanya majaribio. | OpenStax | |||
| Uchanganuzi | maana ya upungufu wa mraba kutoka kwa maana; mraba wa kupotoka kwa kawaida. Kwa seti ya data, kupotoka inaweza kuwakilishwa kama\(x - \bar{x}\) wapi\(x\) thamani ya data na\(\bar{x}\) ni sampuli maana. Tofauti ya sampuli ni sawa na jumla ya mraba wa upungufu uliogawanywa na tofauti ya ukubwa wa sampuli na moja. | OpenStax | |||
| Venn mchoro | uwakilishi wa kuona wa nafasi ya sampuli na matukio kwa namna ya miduara au ovals inayoonyesha makutano yao | OpenStax | |||
| z-alama | mabadiliko ya mstari wa fomu\(z = \dfrac{x-\mu}{\sigma}\); ikiwa mabadiliko haya yanatumika kwa usambazaji wowote\(X \sim N(\mu, \sigma\) wa kawaida, matokeo ni usambazaji wa kawaida wa kawaida\(Z \sim N(0,1)\). Kama mabadiliko haya inatumika kwa thamani yoyote maalum\(x\) ya RV na maana\(\mu\) na kiwango kupotoka\(\sigma\), matokeo inaitwa\(z\) -alama ya\(x\). The\(z\) -score inaruhusu sisi kulinganisha data kwamba ni kawaida kusambazwa lakini kuongezwa tofauti. | OpenStax |