Вероятностная функция масс | |||
Кумулятивная функция распределения | |||
Обозначение | |||
---|---|---|---|
Параметры | - количество испытаний - вероятность успеха для каждого испытания | ||
Поддерживать | - количество успехов | ||
PMF | |||
CDF | |||
Иметь в виду | |||
Медиана | или же | ||
Режим | или же | ||
Дисперсия | |||
Асимметрия | |||
Бывший. эксцесс | |||
Энтропия | в шаннонах . Для натсов используйте в журнале натуральный журнал. | ||
MGF | |||
CF | |||
PGF | |||
Информация Fisher | (для фиксированного ) |
В теории вероятностей и статистике , в биномиальном распределении с параметрами п и р является дискретным распределением вероятностей числа успехов в последовательности п независимых опытов , каждый Задавая да-нет вопроса , и каждый со своим собственными булевым -значным результатом : успех (с вероятностью p ) или неудача (с вероятностью q = 1 - p ). Единичный эксперимент успеха / неудачи также называетсяИспытание Бернулли или эксперимент Бернулли, а последовательность результатов называется процессом Бернулли ; для одного испытания, т. е. n = 1, биномиальное распределение является распределением Бернулли . Биномиальное распределение является основой для популярного биномиального теста на статистическую значимость .
Биномиальное распределение часто используется для моделирования числа успехов в выборке размера п обращается с заменой из популяции размера N . Если выборка выполняется без замены, розыгрыши не являются независимыми, и поэтому результирующее распределение является гипергеометрическим распределением , а не биномиальным. Однако для N, намного большего, чем n , биномиальное распределение остается хорошим приближением и широко используется.
Определения [ править ]
Вероятностная функция масс [ править ]
В общем случае, если случайная величина X подчиняется биномиальному распределению с параметрами n ∈ ℕ и p ∈ [0,1], мы пишем X ~ B ( n , p ). Вероятность получить ровно k успехов в n независимых испытаниях Бернулли определяется функцией массы вероятности :
для k = 0, 1, 2, ..., n , где
- биномиальный коэффициент , отсюда и название распределения. Формулу можно понять так: k успехов происходят с вероятностью p k и n - k неудач происходят с вероятностью (1 - p ) n - k . Однако k успешных результатов могут произойти где угодно среди n попыток, и существуют разные способы распределения k успехов в последовательности из n попыток.
При создании справочных таблиц для вероятностей биномиального распределения обычно таблица заполняется до n / 2 значений. Это связано с тем, что для k > n / 2 вероятность может быть вычислена путем его дополнения как
Если посмотреть на выражение f ( k , n , p ) как функцию от k , найдется значение k, которое максимизирует его. Это значение k можно найти, вычислив
и сравнивая его с 1. Всегда существует целое число M , удовлетворяющее [1]
f ( k , n , p ) монотонно возрастает при k < M и монотонно убывает при k > M , за исключением случая, когда ( n + 1) p является целым числом. В этом случае есть два значения, для которых f является максимальным: ( n + 1) p и ( n + 1) p - 1. M является наиболее вероятным исходом (то есть наиболее вероятным, хотя это все еще может быть маловероятным. в целом) испытаний Бернулли и называется режимом .
Пример [ править ]
Предположим, при подбрасывании монеты выпадает орел с вероятностью 0,3. Вероятность увидеть ровно 4 решки за 6 бросков равна
Кумулятивная функция распределения [ править ]
Интегральная функция распределения может быть выражена как:
где "этаж" под k , т. е. наибольшее целое число, меньшее или равное k .
Его также можно представить в терминах регуляризованной неполной бета-функции следующим образом: [2]
которая эквивалентна интегральной функции распределения от F -распределения : [3]
Некоторые оценки в закрытой форме для кумулятивной функции распределения приведены ниже .
Свойства [ править ]
Ожидаемое значение и отклонение [ править ]
Если X ~ B ( п , р ), то есть, Х представляет собой биномиально распределенная случайная величина, п быть общее число экспериментов и р вероятность каждого эксперимента , получа положительный результат, то ожидаемое значение из X является: [4 ]
Это следует из линейности ожидаемого значения и того факта, что X представляет собой сумму n идентичных случайных величин Бернулли, каждая из которых имеет ожидаемое значение p . Другими словами, если идентичны (и независимы) случайные величины Бернулли с параметром p , то и
Дисперсия является:
Это аналогично следует из того факта, что дисперсия суммы независимых случайных величин является суммой дисперсий.
Высшие моменты [ править ]
Первые 6 центральных моментов , определяемые как , задаются формулой
Режим [ править ]
Обычно режим биномиального распределения B ( n , p ) равен , где - минимальная функция . Однако, когда ( n + 1) p является целым числом и p не равно ни 0, ни 1, тогда распределение имеет два режима: ( n + 1) p и ( n + 1) p - 1. Когда p равно 0 или 1 режим будет 0 и n соответственно. Эти случаи можно резюмировать следующим образом:
Доказательство: Пусть
Для только имеет значение отличное от нуля с . Ибо мы находим и для . Это доказывает, что режим равен 0 для и для .
Пусть . Мы нашли
- .
Из этого следует
Итак, когда - целое число, тогда и - это режим. В этом случае только режим. [5]
Медиана [ править ]
В общем, не существует единой формулы для нахождения медианы для биномиального распределения, и оно может даже быть неуникальным. Однако было установлено несколько особых результатов:
- Если np является целым числом, то среднее значение, медиана и мода совпадают и равны np . [6] [7]
- Любая медиана m должна лежать в интервале ⌊ np ⌋ ≤ m ≤ ⌈ np ⌉. [8]
- Медиана m не может находиться слишком далеко от среднего: | м - нп | ≤ min {ln 2, max { p , 1 - p } }. [9]
- Медиана уникальна и равна m = round ( np ), когда | м - нп | ≤ min { p , 1 - p } (кроме случая, когда p = 1/2и n нечетное). [8]
- Когда p = 1/2 и n нечетно, любое число m в интервале1/2( п - 1) ≤ м ≤ 1/2( n + 1) - медиана биномиального распределения. Если p = 1/2 и n четно, то m = n / 2 - единственная медиана.
Границы хвоста [ править ]
Для k ≤ np верхние границы могут быть получены для нижнего хвоста кумулятивной функции распределения - вероятности того, что имеется не более k успешных результатов. Поскольку эти границы можно также рассматривать как границы верхнего хвоста кумулятивной функции распределения при k ≥ np .
Неравенство Хёффдинга дает простую оценку
что, однако, не очень плотно. В частности, для p = 1 мы имеем, что F ( k ; n , p ) = 0 (для фиксированного k , n с k < n ), но оценка Хёффдинга дает положительную константу.
Более точная оценка может быть получена из оценки Чернова : [10]
где D ( a || p ) - относительная энтропия между a -coin и p -coin (т.е. между распределением Бернулли ( a ) и Бернулли ( p )):
Асимптотически это ограничение достаточно жесткое; подробности см. в [10] .
Можно также получить нижние границы на хвосте , известные как границы антиконцентрации. Аппроксимируя биномиальный коэффициент формулой Стирлинга, можно показать, что [11]
что влечет более простую, но более слабую оценку
Для p = 1/2 и k ≥ 3 n / 8 для четного n знаменатель можно сделать постоянным: [12]
Статистический вывод [ править ]
Оценка параметров [ править ]
Когда n известно, параметр p может быть оценен с использованием доли успехов: эта оценка находится с использованием оценки максимального правдоподобия, а также метода моментов . Эта оценка является несмещенной и равномерно с минимальной дисперсией , что доказано с помощью теоремы Лемана – Шеффе , поскольку она основана на минимальной достаточной и полной статистике (например, x ). Он также согласован как по вероятности, так и по MSE .
Байесовская оценка в закрытой форме для p также существует при использовании бета-распределения в качестве сопряженного априорного распределения . При использовании общего , как до, то задняя средняя оценка является: . Байесовская оценка асимптотически эффективна, и по мере приближения размера выборки к бесконечности ( n → ∞) она приближается к решению MLE . Оценка Байеса смещена (насколько зависит от априорных значений), допустима и непротиворечива по вероятности.
Для особого случая использования стандартного равномерного распределения в качестве неинформативного априорного ( ) апостериорная средняя оценка становится ( апостериорная мода должна просто вести к стандартной оценке). Этот метод называется правилом преемственности , которое было введено в 18 веке Пьером-Симоном Лапласом .
При оценке p с очень редкими событиями и малым n (например: если x = 0) использование стандартной оценки приводит к тому, что иногда нереально и нежелательно. В таких случаях существуют различные альтернативные оценки. [13] Один из способов - использовать байесовскую оценку, что приводит к:) . Другой способ заключается в использовании верхней границы доверительного интервала , полученном с использованием правила трех : )
Доверительные интервалы [ править ]
Даже для довольно больших значений n фактическое распределение среднего существенно ненормально. [14] Из-за этой проблемы было предложено несколько методов оценки доверительных интервалов.
В приведенных ниже уравнениях для доверительных интервалов переменные имеют следующее значение:
- n 1 - количество успехов из n , общее количество попыток
- доля успехов
- это квантиль из стандартного нормального распределения (т.е. пробит ) , соответствующей целевой частоты появления ошибок . Например, для уровня достоверности 95% ошибка = 0,05, поэтому = 0,975 и = 1,96.
Метод Вальда [ править ]
- Коррекции непрерывности 0,5 / п могут быть добавлены. [ требуется разъяснение ]
Метод Агрести – Коулла [ править ]
[15]
- Здесь оценка p изменена на
Метод арксинуса [ править ]
[16]
Метод Уилсона (оценка) [ править ]
Обозначения в формуле ниже отличаются от предыдущих формул в двух отношениях: [17]
- Во-первых, z x имеет несколько иную интерпретацию в формуле ниже: он имеет свое обычное значение « x- й квантиль стандартного нормального распределения», а не является сокращением для «(1 - x ) -го квантиля».
- Во-вторых, в этой формуле не используется знак «плюс-минус» для определения двух границ. Вместо этого можно использовать для получения нижней границы или использовать для получения верхней границы. Например: для уровня достоверности 95% ошибка = 0,05, поэтому нижнюю границу можно получить с помощью , а верхнюю - с помощью .
- [18]
Сравнение [ править ]
Точный метод ( Клоппера – Пирсона ) является наиболее консервативным. [14]
Метод Вальда, хотя его часто рекомендуют в учебниках, является наиболее предвзятым. [ требуется разъяснение ]
Связанные дистрибутивы [ править ]
Суммы биномов [ править ]
Если X ~ B ( n , p ) и Y ~ B ( m , p ) - независимые биномиальные переменные с одинаковой вероятностью p , то X + Y снова является биномиальной переменной; его распределение Z = X + Y ~ B ( n + m , p ):
Однако, если X и Y не имеют одинаковой вероятности p , тогда дисперсия суммы будет меньше, чем дисперсия биномиальной переменной, распределенной как
Соотношение двух биномиальных распределений [ править ]
Этот результат был впервые получен Кацем с соавторами в 1978 г. [19]
Пусть X ~ B ( n , p 1 ) и Y ~ B ( m , p 2 ) независимы. Пусть T = ( X / n ) / ( Y / m ).
Тогда log ( T ) приблизительно нормально распределен со средним логарифмом ( p 1 / p 2 ) и дисперсией ((1 / p 1 ) - 1) / n + ((1 / p 2 ) - 1) / m .
Условные биномы [ править ]
Если X ~ B ( n , p ) и Y | X ~ B ( X , q ) (условное распределение Y , заданное X ), тогда Y - простая биномиальная случайная величина с распределением Y ~ B ( n , pq ).
Например, представьте себе , бросая п шары в корзину U X и принимая шары, удар и бросать их в другую корзину U Y . Если р есть вероятность того , достиг U X , то Х \ В ( п , р ) является количеством шаров , которые поражают U X . Если q - вероятность попасть в U Y, то количество шаров, попавших в U Y, равно Y ~ B ( X , q ) и, следовательно, Y ~ B ( n , pq ).
Так как и , по закону полной вероятности ,
Поскольку приведенное выше уравнение может быть выражено как
Факторинг и вытягивание всех сроков, которые не зависят от суммы, теперь дает
После подстановки в выражение выше получаем
Обратите внимание, что сумма (в скобках) выше по биномиальной теореме равна . Подставляя это в finally, дает
и таким образом по желанию.
Распределение Бернулли [ править ]
Распределение Бернулли является частным случаем биномиального распределения, где n = 1. Символически X ~ B (1, p ) имеет то же значение, что и X ~ Bernoulli ( p ). И наоборот, любое биномиальное распределение, B ( n , p ), является распределением суммы n испытаний Бернулли, Бернулли ( p ), каждое с одинаковой вероятностью p . [20]
Биномиальное распределение Пуассона [ править ]
Биномиальное распределение - это частный случай биномиального распределения Пуассона или общего биномиального распределения , которое представляет собой распределение суммы n независимых неидентичных испытаний Бернулли B ( p i ). [21]
Нормальное приближение [ править ]
Если n достаточно велико, то перекос распределения не слишком велик. В этом случае разумное приближение к B ( n , p ) дается нормальным распределением
и это базовое приближение можно просто улучшить, используя подходящую поправку на непрерывность . Базовое приближение обычно улучшается при увеличении n (не менее 20) и лучше, когда p не близко к 0 или 1. [22] Можно использовать различные практические правила, чтобы решить, достаточно ли n , а p достаточно далеко от крайности нуля или единицы:
- Одно правило [22] состоит в том, что для n > 5 нормальное приближение является адекватным, если абсолютное значение асимметрии строго меньше 1/3; то есть, если
- Более сильное правило гласит, что нормальное приближение подходит только в том случае, если все в пределах 3 стандартных отклонений от его среднего находится в пределах диапазона возможных значений; то есть, только если
- Это правило трех стандартных отклонений эквивалентно следующим условиям, которые также подразумевают первое правило выше.
Правило полностью эквивалентно требованию, чтобы
Перемещение терминов вокруг урожайности:
Поскольку мы можем применить квадрат мощности и разделить на соответствующие множители и , чтобы получить желаемые условия:
Обратите внимание, что эти условия автоматически подразумевают это . С другой стороны, снова примените квадратный корень и разделите на 3,
Вычитание второго набора неравенств из первого дает:
Итак, желаемое первое правило выполнено,
- Другое часто используемое правило состоит в том, что оба значения и должны быть больше или равны 5. Однако конкретное число варьируется от источника к источнику и зависит от того, насколько хорошее приближение требуется. В частности, если использовать 9 вместо 5, правило подразумевает результаты, указанные в предыдущих параграфах.
Предположим, что оба значения и больше 9. Поскольку мы легко получаем, что
Теперь нам нужно только разделить на соответствующие множители и , чтобы вывести альтернативную форму правила трех стандартных отклонений:
Ниже приводится пример применения коррекции непрерывности . Предположим , что кто -то желает вычислить Pr ( X ≤ 8) для бином случайная величина Х . Если Y имеет распределение, заданное нормальным приближением, то Pr ( X ≤ 8) аппроксимируется Pr ( Y ≤ 8.5). Добавление 0,5 - это поправка на непрерывность; неисправленное нормальное приближение дает значительно менее точные результаты.
Это приближение, известное как теорема де Муавра – Лапласа , значительно экономит время при выполнении вычислений вручную (точные вычисления с большим n очень обременительны); исторически это было первое использование нормального распределения, введенное в книге Абрахама де Муавра « Доктрина шансов» в 1738 году. В настоящее время его можно рассматривать как следствие центральной предельной теоремы, поскольку B ( n , p ) является сумма n независимых, одинаково распределенных переменных Бернулли с параметром p . Этот факт является основанием для проверки гипотезы , «z-критерия пропорции», для значенияp с использованием x / n , доли выборки и оценки p в общей тестовой статистике . [23]
Например, предположим, что кто-то произвольно выбирает n человек из большой совокупности и спрашивает их, согласны ли они с определенным утверждением. Доля согласных, конечно, будет зависеть от выборки. Если бы группы из n человек отбирались повторно и действительно случайным образом, пропорции следовали бы приблизительному нормальному распределению со средним значением, равным истинной пропорции p согласия в совокупности, и со стандартным отклонением.
Приближение Пуассона [ править ]
Биномиальное распределение сходится к распределению Пуассона, когда количество попыток стремится к бесконечности, в то время как произведение np остается фиксированным или, по крайней мере, p стремится к нулю. Следовательно, распределение Пуассона с параметром λ = np можно использовать в качестве приближения к B ( n , p ) биномиального распределения, если n достаточно велико, а p достаточно мало. Согласно двум практическим правилам, это приближение хорошо, если n ≥ 20 и p ≤ 0,05, или если n ≥ 100 и np ≤ 10. [24]
Относительно точности пуассоновского приближения см. Новак, [25] гл. 4 и ссылки в нем.
Ограничение распространения [ править ]
- Предельная теорема Пуассона : когда n приближается к ∞, а p приближается к 0 прификсированномпроизведении np , биномиальное ( n , p ) распределение приближается к распределению Пуассона с математическим ожиданием λ = np . [24]
- Теорема де Муавра – Лапласа : когда n приближается к ∞, а p остается фиксированным, распределение
- приближается к нормальному распределению с ожидаемым значением 0 и дисперсией 1. [ править ] Этот результат иногда слабо говорилось, говоря , что распределение X является асимптотически нормальным с ожидаемым значением нп и дисперсией нп (1 - р ). Этот результат является частным случаем центральной предельной теоремы .
Бета-распространение [ править ]
Биномиальное распределение и бета-распределение - это разные взгляды на одну и ту же модель повторных испытаний Бернулли. Биномиальное распределение является PMF из K успехов заданных п независимых событий каждого с вероятностью р успеха. Математически, когда α = k + 1 и β = n - k + 1 , бета-распределение и биномиальное распределение связаны коэффициентом n + 1 :
Бета-распределения также предоставляют семейство априорных распределений вероятностей для биномиальных распределений в байесовском выводе : [26]
При однородном априорном распределении апостериорного распределения вероятности успеха p при n независимых событиях с k наблюдаемыми успехами является бета-распределением. [27]
Вычислительные методы [ править ]
Генерация биномиальных случайных величин [ править ]
Методы генерации случайных чисел, в которых маргинальное распределение является биномиальным распределением, хорошо известны. [28] [29]
Один из способов генерировать случайные выборки из биномиального распределения - использовать алгоритм инверсии. Для этого необходимо вычислить вероятность того, что Pr ( X = k ) для всех значений k от 0 до n . (Эти вероятности должны быть суммированы до значения, близкого к единице, чтобы охватить все пространство отсчетов.) Затем, используя генератор псевдослучайных чисел для генерации отсчетов равномерно между 0 и 1, можно преобразовать вычисленные отсчеты в дискретные числа с помощью вероятности, рассчитанные на первом этапе.
История [ править ]
Это распределение было получено Якобом Бернулли . Он рассмотрел случай, когда p = r / ( r + s ), где p - вероятность успеха, а r и s - положительные целые числа. Блез Паскаль ранее рассматривал случай, когда p = 1/2.
См. Также [ править ]
- Логистическая регрессия
- Полиномиальное распределение
- Отрицательное биномиальное распределение
- Бета-биномиальное распределение
- Биномиальная мера, пример мультифрактальной меры . [30]
- Статистическая механика
Ссылки [ править ]
- Перейти ↑ Feller, W. (1968). Введение в теорию вероятностей и ее приложения (Третье изд.). Нью-Йорк: Вили. п. 151 (теорема из раздела VI.3).
- Перейти ↑ Wadsworth, GP (1960). Введение в вероятность и случайные величины . Нью-Йорк: Макгроу-Хилл. п. 52 .
- ^ Джоветт, GH (1963). «Связь между биномиальным и F-распределениями». Журнал общества D Royal Статистическом . 13 (1): 55–57. DOI : 10.2307 / 2986663 . JSTOR 2986663 .
- ^ См. Proof Wiki
- ↑ См. Также Николас, Андре (7 января 2019 г.). «Режим поиска в биномиальном распределении» . Обмен стеками .
- Перейти ↑ Neumann, P. (1966). "Über den Median der Binomial- and Poissonverteilung". Wissenschaftliche Zeitschrift der Technischen Universität Dresden (на немецком языке). 19 : 29–33.
- ^ Господи, Ник. (Июль 2010 г.). «Биномиальные средние, когда среднее является целым числом», The Mathematical Gazette 94, 331–332.
- ^ a b Kaas, R .; Бурман, Дж. М. (1980). «Среднее значение, медиана и мода в биномиальных распределениях». Statistica Neerlandica . 34 (1): 13–18. DOI : 10.1111 / j.1467-9574.1980.tb00681.x .
- Перейти ↑ Hamza, K. (1995). «Наименьшая равномерная верхняя граница расстояния между средним и медианным биномиальным распределением и распределением Пуассона». Статистика и вероятностные письма . 23 : 21–25. DOI : 10.1016 / 0167-7152 (94) 00090-U .
- ^ a b Arratia, R .; Гордон, Л. (1989). «Учебник по большим отклонениям для биномиального распределения». Вестник математической биологии . 51 (1): 125–131. DOI : 10.1007 / BF02458840 . PMID 2706397 . S2CID 189884382 .
- ^ Роберт Б. Эш (1990). Теория информации . Dover Publications. п. 115 .
- ^ Matoušek, J .; Вондрак, Дж. «Вероятностный метод» (PDF) . конспекты лекций .
- ^ Раццаги, Мехди (2002). «Об оценке биномиальной вероятности успеха при нулевом появлении в выборке» . Журнал современных прикладных статистических методов . 1 (2): 326–332. DOI : 10.22237 / jmasm / 1036110000 .
- ^ а б Браун, Лоуренс Д .; Кай, Т. Тони; DasGupta, Anirban (2001), "Оценка интервала для биномиальной пропорции" , Статистическая наука , 16 (2): 101-133, CiteSeerX 10.1.1.323.7752 , DOI : 10,1214 / сс / 1009213286 , извлекаются 2015-01-05
- ^ Агрести, Алан; Кулл, Брент А. (май 1998 г.), «Приблизительное лучше, чем« точное »для интервальной оценки биномиальных пропорций» (PDF) , The American Statistician , 52 (2): 119–126, doi : 10.2307 / 2685469 , JSTOR 2685469 , дата обращения 05.01.2015
- Перейти ↑ Pires, MA (2002). «Доверительные интервалы для биномиальной пропорции: сравнение методов и оценка программного обеспечения» (PDF) . In Klinke, S .; Ahrend, P .; Рихтер, Л. (ред.). Материалы конференции CompStat 2002 . Краткие сообщения и плакаты.
- ^ Вилсон, Эдвин Б. (июнь 1927), "вероятностный вывод, закон о престолонаследии, и статистический вывод" (PDF) , Журнал Американской статистической ассоциации , 22 (158): 209-212, DOI : 10,2307 / 2276774 , JSTOR 2276774 , заархивировано из исходного (PDF) 13 января 2015 г. , получено 5 января 2015 г.
- ^ «Доверительные интервалы» . Справочник по инженерной статистике . NIST / Sematech. 2012 . Проверено 23 июля 2017 .
- ^ Кац, Д .; и другие. (1978). «Получение доверительных интервалов для отношения рисков в когортных исследованиях». Биометрия . 34 (3): 469–474. DOI : 10.2307 / 2530610 . JSTOR 2530610 .
- ^ Табога, Марко. «Лекции по теории вероятностей и математической статистике» . statlect.com . Проверено 18 декабря 2017 года .
- ^ Ван, YH (1993). «О количестве успехов в независимых испытаниях» (PDF) . Statistica Sinica . 3 (2): 295–312. Архивировано из оригинального (PDF) 03 марта 2016 года.
- ^ a b Коробка, Охотник и Охотник (1978). Статистика для экспериментаторов . Вайли. п. 130 .
- ^ NIST / SEMATECH , "7.2.4. Отвечает ли доля дефектных требований требованиям?" Электронный справочник статистических методов.
- ^ a b NIST / SEMATECH , «6.3.3.1. Графики контроля подсчета» , электронный справочник статистических методов.
- ^ Новак SY (2011) Экстремальные методы ценности с приложениями к финансам. Лондон: CRC / Chapman & Hall / Taylor & Francis. ISBN 9781-43983-5746 .
- ^ Маккей, Дэвид (2003). Теория информации, логические выводы и алгоритмы обучения . Издательство Кембриджского университета; Первое издание. ISBN 978-0521642989.
- ^ https://www.statlect.com/probability-distributions/beta-distribution
- ^ Деврой, Люк (1986) Генерация неоднородной случайной величины , Нью-Йорк: Springer-Verlag. (См. Особенно главу X, Дискретные одномерные распределения )
- ^ Качитвичянукул, В .; Шмайзер, Б.В. (1988). «Генерация биномиальных случайных величин». Коммуникации ACM . 31 (2): 216–222. DOI : 10.1145 / 42372.42381 . S2CID 18698828 .
- Перейти ↑ Mandelbrot, BB, Fisher, AJ, & Calvet, LE (1997). Мультифрактальная модель доходности активов. 3.2. Биномиальная мера - простейший пример мультифрактала.
Дальнейшее чтение [ править ]
- Хирш, Вернер З. (1957). «Биномиальное распределение - успех или неудача, насколько они вероятны?» . Введение в современную статистику . Нью-Йорк: Макмиллан. С. 140–153.
- Нетер, Джон; Вассерман, Уильям; Уитмор, Джорджия (1988). Прикладная статистика (Третье изд.). Бостон: Аллин и Бэкон. С. 185–192. ISBN 0-205-10328-6.
Внешние ссылки [ править ]
Викискладе есть медиафайлы, связанные с биномиальным распределением . |
- Интерактивная графика: одномерные отношения распределения
- Калькулятор формулы биномиального распределения
- Разница двух биномиальных переменных: XY или | XY |
- Запрос биномиального распределения вероятностей в WolframAlpha