Category: လမ်းညွှန်
တူညီသောဖြန့်ဝေမှုသည် a မှ b ကြားကာလတစ်ခုကြားရှိတန်ဖိုးတစ်ခုစီတွင်ဖြစ်ပေါ်နိုင်ခြေတူညီသောဖြစ်နိုင်ခြေဖြန့်ဝေမှုတစ်ခုဖြစ်သည်။ ကျပန်း ကိန်းရှင် X သည် တစ်ပြေးညီ ဖြန့်ဝေမှုနောက်တွင် လိုက်နေပါက၊ X သည် x 1 နှင့် x 2 ကြား တန်ဖိုးကို အောက်ပါဖော်မြူလာဖြင့် ရှာတွေ့နိုင်သည်- P(x 1 < X < x 2 ) = (x 2 – x 1 ) / (b –...
ကိန်းဂဏန်းဖြန့်ချီမှုသည် အချို့သောဖြစ်ရပ်တစ်ခုဖြစ်ပေါ်သည်အထိ ကျွန်ုပ်တို့စောင့်ဆိုင်းရမည့်အချိန်ကို နမူနာယူရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ ကျပန်းပြောင်းလဲနိုင်သော X သည် ထပ်ကိန်းခွဲဝေမှုတစ်ခုနောက်လိုက်ပါက၊ X ၏ ဖြစ်နိုင်ခြေသိပ်သည်းဆလုပ်ဆောင်ချက်ကို ရေးသားနိုင်သည်- f (x; λ) = λe -λx ရွှေ- λ: နှုန်းသတ်မှတ်ချက် e- ခန့်မှန်းခြေ ကိန်းသေတစ်ခုသည် 2.718 နှင့် ညီမျှသည်။ စုစည်း ဖြန့် ဝေမှု လုပ်ဆောင်ချက် F (x; λ) = 1 – e –λx...
ကိန်းဂဏန်းဖြန့်ချီမှုသည် အချို့သောဖြစ်ရပ်တစ်ခုဖြစ်ပေါ်သည်အထိ ကျွန်ုပ်တို့စောင့်ဆိုင်းရမည့်အချိန်ကို နမူနာယူရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ ဤကဲ့သို့သော ဖြန့်ဝေမှုအား မေးခွန်းများဖြေဆိုရန်အတွက် အသုံးပြုနိုင်ပါသည်။ လက်လီရောင်းချသူတစ်ဦးသည် ဖောက်သည်တစ်ဦး၏စတိုးဆိုင်သို့ ဝင်ရောက်ရန် အချိန်မည်မျှစောင့်သင့်သနည်း။ Laptop တစ်လုံးသည် မပြိုကွဲမီ အချိန်မည်မျှကြာအောင် ဆက်လက်လုပ်ဆောင်နိုင်မည်နည်း။ ကားဘက်ထရီ မသေခင် ဘယ်လောက်ကြာကြာ ဆက်အလုပ်လုပ်မလဲ။ နေရာဒေသတစ်ခုတွင် နောက်ထပ်မီးတောင်ပေါက်ကွဲသည့်အချိန်အထိ ကျွန်ုပ်တို့မည်မျှကြာကြာစောင့်သင့်သနည်း။ အခြေအနေတစ်ခုစီတွင်၊ အချို့သောဖြစ်ရပ်တစ်ခုဖြစ်ပေါ်လာသည်အထိ ကျွန်ုပ်တို့စောင့်ဆိုင်းရမည့်အချိန်ကို တွက်ချက်လိုပါသည်။ ထို့ကြောင့်၊ ဇာတ်ညွှန်းတစ်ခုစီကို ကိန်းဂဏန်းဖြန့်ချီမှုတစ်ခုကို အသုံးပြု၍ စံနမူနာယူနိုင်သည်။ ထပ်တိုးဖြန့်ချီမှု- PDF နှင့် CDF ကျပန်းပြောင်းလဲနိုင်သော X...
နမူနာနှစ်ခု t-test ကို လုပ်ဆောင်သောအခါ၊ နမူနာနှစ်ခုကြားရှိကွဲလွဲမှုများသည် တူညီသည်ဟု ယေဘူယျအားဖြင့် ကျွန်ုပ်တို့ယူဆသည်။ ဤယူဆချက်အောက်တွင်၊ နမူနာနှစ်ခု t-test တွင်အသုံးပြုရန် စုပေါင်းကွဲလွဲမှုကို တွက်ချက်နိုင်ပါသည်။ နမူနာနှစ်ခုအတွက် စုပေါင်းကွဲလွဲမှုကို တွက်ချက်ရန်၊ အောက်ပါအချက်အလက်များကို ဖြည့်စွက်ပြီး “တွက်ချက်ရန်” ခလုတ်ကို နှိပ်ပါ။ ဒေတာအကြမ်းထည့်ပါ။ အနှစ်ချုပ်ဒေတာထည့်ပါ။ နမူနာ ၁ 301, 298, 295, 297, 304, 305, 309, 298, 291, 299, 293, 304 နမူနာ ၂ 302,...
Poisson ဖြန့်ဖြူးမှုသည် အမှီအခိုကင်းပြီး အဆက်မပြတ် ပျမ်းမျှနှုန်းဖြင့် အဖြစ်အပျက်များကို သိရှိသောအခါ သတ်မှတ်ထားသော အချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပျက်နေသည့် ဖြစ်ရပ်အရေအတွက်အချို့၏ ဖြစ်နိုင်ခြေကို စံနမူနာပြုရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် လက်တွေ့ကမ္ဘာတွင် Poisson ဖြန့်ဖြူးမှုကို မည်သို့အသုံးပြုကြောင်း ဥပမာ 5 ခုကို မျှဝေပါသည်။ ဥပမာ 1- call center တွင် တစ်နာရီလျှင် ဖုန်းခေါ်ဆိုမှု ခေါ်ဆိုရေးစင်တာများသည် ဝန်ထမ်းအရေအတွက် မည်မျှဆက်လက်ထားရှိသင့်သည်ကို သိရှိရန်အတွက် တစ်နာရီလျှင် ခေါ်ဆိုမှုအရေအတွက်ကို စံနမူနာပြုရန် Poisson ဖြန့်ဖြူးမှုကို...
binomial distribution သည် အချို့သော စမ်းသပ်မှုအရေအတွက်များပေါ်တွင် ဖြစ်ပေါ်နေသော “ အောင်မြင်မှုများ” ဖြစ်နိုင်ခြေကို နမူနာယူရန် အသုံးပြုသော ဖြစ်နိုင်ခြေ ဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် လက်တွေ့ကမ္ဘာတွင် binomial distribution ကိုအသုံးပြုပုံ ဥပမာ 5 ခုကို မျှဝေပါသည်။ ဥပမာ 1- ဆေးနှင့်ပတ်သက်သော ဘေးထွက်ဆိုးကျိုးအရေအတွက် ဆေးဝါးအသစ်များသောက်သုံးခြင်းကြောင့် လူနာအချို့၏ဘေးထွက်ဆိုးကျိုးများခံစားရနိုင်ခြေကို နမူနာယူရန် ကျန်းမာရေးစောင့်ရှောက်မှုပညာရှင်များသည် binomial distribution ကိုအသုံးပြုသည်။ ဥပမာအားဖြင့်၊ အချို့သောဆေးသောက်သော အရွယ်ရောက်ပြီးသူ၏ 5% သည် အနုတ်လက္ခဏာဆောင်သော ဘေးထွက်ဆိုးကျိုးများခံစားရကြောင်း...
Poisson ဖြန့်ဖြူးမှုသည် အမှီအခိုကင်းပြီး အဆက်မပြတ် ပျမ်းမျှနှုန်းဖြင့် အဖြစ်အပျက်များကို သိရှိသောအခါ သတ်မှတ်ထားသော အချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပျက်နေသည့် ဖြစ်ရပ်အရေအတွက်အချို့၏ ဖြစ်နိုင်ခြေကို စံနမူနာပြုရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ Poisson ဖြစ်စဉ်တစ်ခု၏ ပျမ်းမျှဖြစ်ပျက်မှုအရေအတွက်ကို သိရန် အသုံးဝင်သော်လည်း၊ ပျမ်းမျှအကြိမ်အရေအတွက်များတစ်ဝိုက်တွင် ယုံကြည်မှုကြားကာလတစ်ခု ရှိရန် ပို၍ပင်အသုံးဝင်ပါသည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ကျပန်းနေ့တွင် ခေါ်ဆိုမှုစင်တာတစ်ခုတွင် ဒေတာစုဆောင်းပြီး တစ်နာရီလျှင် ပျမ်းမျှခေါ်ဆိုမှု 15 ကြိမ်ရှိသည်ဟု ဆိုကြပါစို့။ ကျွန်ုပ်တို့သည် တစ်ရက်တည်းအတွက်သာ ဒေတာကို စုဆောင်းထားသောကြောင့် ခေါ်ဆိုမှုစင်တာသည် တစ်နှစ်ပတ်လုံး ပျမ်းမျှတစ်နာရီလျှင်...
မကြာခဏဆိုသလို စာရင်းဇယားများတွင် ကျွန်ုပ်တို့သည် လူဦးရေကန့်သတ်ချက်များကို တိုင်းတာရန်ရှာကြသည်— လူဦးရေ တစ်ခုလုံး၏အချို့သောဝိသေသလက္ခဏာများကိုဖော်ပြသောနံပါတ်များ။ ဥပမာအားဖြင့်၊ နိုင်ငံတစ်ခုရှိ အမျိုးသားများ၏ ပျမ်းမျှအရပ်အမြင့်ကို တိုင်းတာရန် ကျွန်ုပ်တို့ စိတ်ဝင်စားပေမည်။ နိုင်ငံရှိ အမျိုးသားတိုင်း၏ အရပ်အမောင်းဆိုင်ရာ အချက်အလက်များကို စုဆောင်းရန် အလွန်စျေးကြီးပြီး အချိန်ကုန်သောကြောင့်၊ ကျွန်ုပ်တို့သည် ရိုးရှင်းသော ကျပန်းနမူနာ တစ်ခုတွင် ဒေတာကို စုဆောင်းမည့်အစား၊ ထို့နောက် နိုင်ငံအတွင်းရှိ အမျိုးသားအားလုံး၏ ပျမ်းမျှအရပ်အမြင့်ကို ခန့်မှန်းရန် ဤနမူနာတွင် အမျိုးသားများ၏ ပျမ်းမျှအရပ်အမြင့်ကို ကျွန်ုပ်တို့ အသုံးပြုပါမည်။ ကံမကောင်းစွာဖြင့်၊ နမူနာရှိ အမျိုးသားများ၏ ပျမ်းမျှအရပ်အမြင့်သည်...
စာရင်းဇယားများတွင်၊ အနိ မ့်ဆုံး ဟူသော ဝေါဟာရသည် “ ဒေသအလိုက် အလေးချိန်ရှိသော တိမ်တိုက်များကို ချောမွေ့စေသည်” ကို ရည်ညွှန်းသည် – point cloud တစ်ခုရှိ ဒေတာအမှတ်များနှင့် ကိုက်ညီသော ချောမွေ့သောမျဉ်းကွေးကို ထုတ်လုပ်သည့် လုပ်ငန်းစဉ်ကို ရည်ညွှန်းပါသည်။ R တွင် lowess smoothing ကိုလုပ်ဆောင်ရန်၊ အောက်ပါ syntax ကိုအသုံးပြုသည့် lowess() function ကိုသုံးနိုင်သည်။ အောက်ပိုင်း (x၊ y၊ f = 2/3) ရွှေ- x...
Poisson ဖြန့်ဖြူးမှုသည် ပုံသေအချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပျက်နေသည့် ဖြစ်ရပ်အရေအတွက်အချို့၏ ဖြစ်နိုင်ခြေကို နမူနာယူရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ အောက်ဖော်ပြပါ ယူဆချက်လေးခုနှင့် ကိုက်ညီပါက Poisson ဖြန့်ဖြူးမှုကို အသုံးပြုရန် သင့်လျော်ပါသည်။ ယူဆချက် 1- ဖြစ်ရပ်အရေအတွက်ကို ရေတွက်နိုင်ပါသည်။ ပေးထားသည့်အချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပေါ်လာနိုင်သည့် “ ဖြစ်ရပ်များ” အရေအတွက်ကို ရေတွက်နိုင်ပြီး 0၊ 1၊ 2၊ 3၊… စသည်ဖြင့် တန်ဖိုးများကို ယူနိုင်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။ Hypothesis 2- အဖြစ်အပျက်များ ဖြစ်ပျက်မှုသည် သီးခြားဖြစ်သည်။ ဖြစ်ရပ်တစ်ခု...