প্রত্যাশিত ইভেন্টগুলি কীভাবে পর্যবেক্ষণ করা যায়?

ধরুন আমার কাছে 4 টি সম্ভাব্য ইভেন্টের ফ্রিকোয়েন্সিগুলির একটি নমুনা রয়েছে:

Event1 - 5
E2 - 1
E3 - 0
E4 - 12

এবং আমার ঘটনার প্রত্যাশিত সম্ভাবনা রয়েছে:

p1 - 0.2
p2 - 0.1
p3 - 0.1
p4 - 0.6

আমার চারটি ইভেন্টের পর্যবেক্ষণের ফ্রিকোয়েন্সিগুলির যোগফলের সাথে (18) আমি কী ঘটনার প্রত্যাশিত ফ্রিকোয়েন্সি গণনা করতে পারি?

expectedE1 - 18 * 0.2 = 3.6
expectedE2 - 18 * 0.1 = 1.8
expectedE1 - 18 * 0.1 = 1.8
expectedE1 - 18 * 0.6 = 10.8

আমি কীভাবে বনাম প্রত্যাশিত মানগুলির সাথে তুলনা করতে পারি? পরীক্ষা করার জন্য যদি আমার গণনা করা সম্ভাবনাগুলি ভাল ভবিষ্যদ্বাণী?

আমি চি-স্কোয়ার্ড টেস্টের কথা ভেবেছিলাম, তবে নমুনার আকারের সাথে ফলাফলটি পরিবর্তিত হবে (এন = 18), আমি বলতে চাইছি, যদি আমি 1342 দ্বারা পর্যবেক্ষণকৃত মানগুলি গুণ করি এবং একই পদ্ধতিটি ব্যবহার করি তবে ফলাফলটি ভিন্ন is হতে পারে একটি উইলকক্স পেয়ারড টেস্ট কাজ করে তবে আপনি কীসের পরামর্শ দিচ্ছেন?

যদি আর তে পরামর্শ দিতে পারে তবে এটি আরও ভাল।

r statistical-significance chi-squared multivariate-analysis exponential joint-distribution statistical-significance self-study standard-deviation probability normal-distribution spss interpretation assumptions cox-model reporting cox-model statistical-significance reliability method-comparison classification boosting ensemble adaboost confidence-interval cross-validation prediction prediction-interval regression machine-learning svm regularization regression sampling survey probit matlab feature-selection information-theory mutual-information time-series forecasting simulation classification boosting ensemble adaboost normal-distribution multivariate-analysis covariance gini clustering text-mining distance-functions information-retrieval similarities regression logistic stata group-differences r anova confidence-interval repeated-measures r logistic lme4-nlme inference fiducial kalman-filter classification discriminant-analysis linear-algebra computing statistical-significance time-series panel-data missing-data uncertainty probability multivariate-analysis r classification spss k-means discriminant-analysis poisson-distribution average r random-forest importance probability conditional-probability distributions standard-deviation time-series machine-learning online forecasting r pca dataset data-visualization bayes distributions mathematical-statistics degrees-of-freedom

— জুয়ান
সূত্র

আপনি উল্লেখ করেছেন যে আপনি দ্বারা সমস্ত মানকে গুণিত করলে আপনি বিভিন্ন ফলাফল পাবেন । এটা কোন সমস্যা না। আপনার খুব আলাদা ফলাফল পাওয়া উচিত । আপনি যদি একটি মুদ্রা ফ্লিপ করেন এবং এটি শীর্ষে আসে তবে এটি খুব বেশি বলে না। যদি আপনি বার একটি মুদ্রা ফ্লিপ করেন এবং প্রতিবার আপনি মাথা পান, আপনার কাছে আরও অনেক তথ্য রয়েছে যা প্রস্তাব করে যে মুদ্রাটি ন্যায্য নয়। $1342$ $1342$

সাধারণত আপনি আপনার বিভাগের বৃহত শতাংশে (যেমন, কমপক্ষে ) বলার সম্ভাবনাগুলি এত কম (বলুন, নিচে ) কম হলে পরীক্ষার বিকল্পগুলি ব্যবহার করতে চান use একটি সম্ভাবনা ফিশারের সঠিক পরীক্ষা , যা আর-এ প্রয়োগ করা হয় । আপনি পরীক্ষাটি ফিশারের যথাযথ পরীক্ষার সান্নিধ্য হিসাবে দেখতে পারেন এবং প্রত্যাশিত সংখ্যার বেশি হলে বড় পরিমাণটি প্রায় ভাল হয়। $\chi^2$ $5$ $20\%$ $\chi^2$

— ডগলাস জারে
সূত্র

আপনাকে ধন্যবাদ, এর জন্য কোনটি ভাল: কেবল ফিশার টেস্ট? বা পি সিমুলেটেড মান দিয়ে ফিশার পরীক্ষা? এবং কেন?

— জুয়ান

সিমুলেশন ত্রুটিগুলি প্রবর্তন করে যা ছোট হতে পারে তবে এটি ছোট মানগুলির জন্য প্রয়োজনীয় হওয়া উচিত নয়। আপনার যদি বিভাগ এবং অবজেক্ট থাকে তবে সম্ভাব্য ফলাফলের সংখ্যা । যখন এটি কম্পিউটারের মান অনুসারে ছোট হয় (সম্ভবত এরও কম ) তবে আমি ঠিক সঠিক গণনা ব্যবহার করব। সঠিক গণনা যদি ধীর হয় তবে সিমুলেশনের ত্রুটিগুলি পরীক্ষা করে দেখুন এবং গতি বৃদ্ধির জন্য তারা গ্রহণযোগ্য কিনা তা দেখুন।

k

$k$

n

$n$

(\binom{n + k - 1}{n})

$n+k-1 \choose n$

10^{7}

$10^7$

— ডগলাস জারে