এর অনেকগুলি, উদাহরণ রয়েছে। তালিকাভুক্ত করার জন্য অনেক বেশি, এবং সম্পূর্ণরূপে যে কেউ কারও পক্ষে জানা থাকতে পারে (সম্ভবত @ হুবুহু ছাড়াও, যাকে কখনই অবমূল্যায়ন করা উচিত নয়)।
যেমন আপনি উল্লেখ করেছেন, নিয়ন্ত্রিত পরীক্ষাগুলিতে আমরা চিকিত্সা এবং নিয়ন্ত্রণ গ্রুপগুলিতে এলোমেলোভাবে বিভাজন করে পক্ষপাতের নমুনা এড়ানো করি।
ইন বুটস্ট্র্যাপিং আমরা এলোমেলোভাবে একটি নির্দিষ্ট নমুনা থেকে প্রতিস্থাপন সঙ্গে স্যাম্পলিং দ্বারা একটি জনসংখ্যা থেকে পুনরাবৃত্তি স্যাম্পলিং আনুমানিক। এটি আমাদের অন্যান্য জিনিসগুলির সাথে আমাদের অনুমানের বৈচিত্রটি অনুমান করতে দেয়।
ইন ক্রস বৈধতা আমরা এলোমেলোভাবে টুকরা মধ্যে আমাদের তথ্য পার্টিশনিং এবং র্যান্ডম প্রশিক্ষণ একত্রিতকরনের এবং সেট পরীক্ষার দ্বারা একটি অনুমান নমুনা পথভ্রষ্টতা থেকে অনুমান।
ইন বিন্যাস পরীক্ষামূলক আমরা নাল হাইপোথিসিস অধীনে নমুনা র্যান্ডম একাধিক বিন্যাসন ব্যবহার করেন, পরিস্থিতিতে বিভিন্ন nonparametric হাইপোথিসিস পরীক্ষা সঞ্চালন করতে সক্ষম হবেন।
ইন ব্যাগিং আমরা বারবার প্রশিক্ষণ ডেটার বুটস্ট্র্যাপ নমুনার উপর প্রাক্কলন করণ, এবং তারপর ফলাফল গড় দ্বারা একটি অনুমান ভ্যারিয়েন্স নিয়ন্ত্রণ করে।
ইন র্যান্ডম বন আরো আমরা এছাড়াও এলোমেলোভাবে যে সিদ্ধান্ত বিন্দু এ উপলব্ধ ভবিষ্যতবক্তা থেকে স্যাম্পলিং দ্বারা একটি অনুমান ভ্যারিয়েন্স নিয়ন্ত্রণ করে।
ইন সিমুলেশন আমরা হইয়া মডেল জিজ্ঞাসা এলোমেলোভাবে নতুন ডেটা সেট যা আমরা প্রশিক্ষণ পরীক্ষার তথ্য তুলনা করতে পারবেন, একটি মডেল হইয়া এবং অনুমানের সাহায্য বৈধকরণ তৈরি করতে।
ইন মার্কভ চেইন মন্টে কার্লো সম্ভাব্য ফলাফল (এই উদাহরণস্বরূপ @Ben Bolker ধন্যবাদ) একটি মার্কভ চেইন ব্যবহারের স্থান অন্বেষণ করে একটি ডিস্ট্রিবিউশন থেকে নমুনা আমরা।
এগুলি হ'ল সাধারণ, দৈনন্দিন অ্যাপ্লিকেশন যা তাত্ক্ষণিক মনে আসে। যদি আমি গভীর খনন করি তবে আমি সম্ভবত সেই তালিকার দৈর্ঘ্য দ্বিগুণ করতে পারতাম। এলোমেলোতা উভয়ই অধ্যয়নের একটি গুরুত্বপূর্ণ অবজেক্ট এবং নিয়ন্ত্রণের একটি গুরুত্বপূর্ণ সরঞ্জাম।