13: Статистика та ймовірність фону
- Page ID
- 32738
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)
- 13.5: Байєсівська теорія мережі
- Теорію байєсових мереж можна розглядати як злиття діаграм падіння та теореми Байєса. Байєсівська мережа, або мережа переконань, показує умовні ймовірності та причинно-наслідкові зв'язки між змінними. Імовірність події, враховуючи, що інша подія вже сталася, називається умовною ймовірністю.
- 13.10: Багатономіальні дистрибутиви
- Типові події, що породжують безперервні результати, можуть слідувати нормальному, експоненціальному або геометричному розподілу. Дискретні результати можуть лише приймати встановлені значення; наприклад, кидок кісток може генерувати лише ціле число від 1 до 6. Дискретні результати зазвичай розподіляються або біноміально, або багатономіально. Саме з багатономіальним розподілом і стосується цього розділу.