প্রোফাইল সম্ভাবনা এবং আত্মবিশ্বাসের ব্যবধানগুলির মধ্যে সম্পর্ক কী?


18

এই চার্টটি তৈরি করতে আমি গড় বন্টন থেকে গড় আকার = 0 এবং এসডি = 1 দিয়ে বিভিন্ন আকারের এলোমেলো নমুনা তৈরি করেছি। আত্মবিশ্বাসের বিরতিগুলি তখন t.est () ফাংশন সহ .001 থেকে .999 (লাল রেখা) পর্যন্ত আলফা কাট অফ ব্যবহার করে গণনা করা হত, প্রোফাইলের সম্ভাবনাটি নীচের কোডটি ব্যবহার করে গণনা করা হত যা আমি বক্তৃতা নোটগুলিতে লাইন লাগিয়ে খুঁজে পেয়েছি (আমি পারি ' টি এই মুহুর্তে লিঙ্কটি সন্ধান করুন সম্পাদনা করুন: এটি পাওয়া গেছে ), এটি নীল রেখাগুলি দ্বারা প্রদর্শিত হয়। সবুজ রেখাগুলি আর ঘনত্ব () ফাংশনটি ব্যবহার করে স্বাভাবিক ঘনত্ব দেখায় এবং প্রতিটি চার্টের নীচে বক্সপ্লটগুলি দ্বারা ডেটা প্রদর্শিত হয়। ডানদিকে 95% আত্মবিশ্বাস অন্তর (লাল) এবং সর্বাধিক সম্ভাবনার অন্তরগুলির 1/20 তম (নীল) এর একটি শুঁয়োপোকা প্লট রয়েছে।

প্রোফাইল সম্ভাবনার জন্য আর কোড ব্যবহৃত:

  #mn=mean(dat)
  muVals <- seq(low,high, length = 1000)
  likVals <- sapply(muVals,
                    function(mu){
                      (sum((dat - mu)^2) /
                         sum((dat - mn)^2)) ^ (-n/2)
                    }
  )

এখানে চিত্র বর্ণনা লিখুন

আমার সুনির্দিষ্ট প্রশ্ন হ'ল এই দুই ধরণের অন্তরগুলির মধ্যে একটি পরিচিত সম্পর্ক আছে এবং কেন আস্থাভাবাপন্ন বিরতি সমস্ত ক্ষেত্রেই বেশি রক্ষণশীল বলে মনে হচ্ছে এন = 3 বাদে। আমার গণনা বৈধ কিনা তা সম্পর্কে মন্তব্য / উত্তরগুলি (এবং এটি করার আরও ভাল উপায়) এবং এই দুই ধরণের অন্তরগুলির মধ্যে সাধারণ সম্পর্কও কাঙ্ক্ষিত।

আর কোড:

samp.size=c(3,4,5,10,20,1000)
cnt2<-1
ints=matrix(nrow=length(samp.size),ncol=4)
layout(matrix(c(1,2,7,3,4,7,5,6,7),nrow=3,ncol=3, byrow=T))
par(mar=c(5.1,4.1,4.1,4.1))
for(j in samp.size){


  #set.seed(200)
  dat<-rnorm(j,0,1)
  vals<-seq(.001,.999, by=.001)
  cis<-matrix(nrow=length(vals),ncol=3)
  cnt<-1
  for(ci in vals){
    x<-t.test(dat,conf.level=ci)$conf.int[1:2]
    cis[cnt,]<-cbind(ci,x[1],x[2])
    cnt<-cnt+1
  }


  mn=mean(dat)
  n=length(dat)
  high<-max(c(dat,cis[970,3]), na.rm=T)
  low<-min(c(dat,cis[970,2]), na.rm=T)
  #high<-max(abs(c(dat,cis[970,2],cis[970,3])), na.rm=T)
  #low<--high


  muVals <- seq(low,high, length = 1000)
  likVals <- sapply(muVals,
                    function(mu){
                      (sum((dat - mu)^2) /
                         sum((dat - mn)^2)) ^ (-n/2)
                    }
  )


  plot(muVals, likVals, type = "l", lwd=3, col="Blue", xlim=c(low,high),
       ylim=c(-.1,1), ylab="Likelihood/Alpha", xlab="Values",
       main=c(paste("n=",n), 
              "True Mean=0 True sd=1", 
              paste("Sample Mean=", round(mn,2), "Sample sd=", round(sd(dat),2)))
  )
  axis(side=4,at=seq(0,1,length=6),
       labels=round(seq(0,max(density(dat)$y),length=6),2))
  mtext(4, text="Density", line=2.2,cex=.8)

  lines(density(dat)$x,density(dat)$y/max(density(dat)$y), lwd=2, col="Green")
  lines(range(muVals[likVals>1/20]), c(1/20,1/20), col="Blue", lwd=4)
  lines(cis[,2],1-cis[,1], lwd=3, col="Red")
  lines(cis[,3],1-cis[,1], lwd=3, col="Red")
  lines(cis[which(round(cis[,1],3)==.95),2:3],rep(.05,2), 
        lty=3, lwd=4, col="Red")
  abline(v=mn, lty=2, lwd=2)
  #abline(h=.05, lty=3, lwd=4, col="Red")
  abline(h=0, lty=1, lwd=3)
  abline(v=0, lty=3, lwd=1)

  boxplot(dat,at=-.1,add=T, horizontal=T, boxwex=.1, col="Green")
  stripchart(dat,at=-.1,add=T, pch=16, cex=1.1)

  legend("topleft", legend=c("Likelihood"," Confidence Interval", "Sample Density"),
         col=c("Blue","Red", "Green"), lwd=3,bty="n")

  ints[cnt2,]<-cbind(range(muVals[likVals>1/20])[1],range(muVals[likVals>1/20])[2],
                     cis[which(round(cis[,1],3)==.95),2],cis[which(round(cis[,1],3)==.95),3])
  cnt2<-cnt2+1
}
par(mar=c(5.1,4.1,4.1,2.1))


plot(0,0, type="n", ylim=c(1,nrow(ints)+.5), xlim=c(min(ints),max(ints)), 
     yaxt="n", ylab="Sample Size", xlab="Values")
for(i in 1:nrow(ints)){
  segments(ints[i,1],i+.2,ints[i,2],i+.2, lwd=3, col="Blue")
  segments(ints[i,3],i+.3,ints[i,4],i+.3, lwd=3, col="Red")
}
axis(side=2, at=seq(1.25,nrow(ints)+.25,by=1), samp.size)

আপনার বক্তৃতা নোটগুলিতে mnএকটি টাইপো mu, এবং না mean(dat)। আমি মন্তব্য মধ্যে তোমাকে বলেছিলাম আপনার অন্য প্রশ্ন , এই সংজ্ঞা পৃষ্ঠা 23 থেকে স্পষ্ট হওয়া উচিত
এলভিস

@ এলভিস আমি এটি মনে করি না। mn নোটগুলির 18 পৃষ্ঠায় সংজ্ঞায়িত করা হয়েছে।
ফ্লাস্ক

আমি প্রোফাইল সম্ভাবনার ধারণাটি স্পষ্ট করার চেষ্টা করেছি। আপনি উপরের কোডটিতে কী করছেন সে সম্পর্কে আপনি আরও কিছুটা মন্তব্য করতে পারেন?
এলভিস

3
@ এলভিস না আমি বুঝতে পারি না। প্রোফাইল সম্ভাবনার উপর ভিত্তি করে একটি আত্মবিশ্বাসের ব্যবধানটি পারসেন্টাইলগুলির সাহায্যে তৈরি করা উচিত, যা কোথাও প্রদর্শিত হয় না। χ2
স্টাফেন লরেন্ট

1
করছি @ StéphaneLaurent আমি নিশ্চিত মূল কোড না হয় প্রদানের আস্থা অন্তর। বরং 1/20 সর্বোচ্চ সম্ভাবনার অন্তর। আমি বিশ্বাস করি যে আমার প্লটের আত্মবিশ্বাসের অন্তরগুলির নামটি "ওয়াল্ড-টাইপ" আত্মবিশ্বাসের অন্তর এবং প্লটগুলির লাল রেখাগুলি এই উইকিপিডিয়া পৃষ্ঠায়
ফ্লাস্ক

উত্তর:


10

আমি একটি সম্পূর্ণ উত্তর দেব না (আপনি ঠিক কী করছেন তা বোঝার চেষ্টা করার জন্য আমার খুব কষ্ট হয়েছে), তবে আমি কীভাবে প্রোফাইলের সম্ভাবনা তৈরি তা পরিষ্কার করার চেষ্টা করব। আমি আমার উত্তরটি পরে শেষ করতে পারি।

আকার এর একটি সাধারণ নমুনার সম্পূর্ণ সম্ভাবনা হ'ল এল ( μ , σ 2 ) = ( σ 2 ) - এন / 2 Exp ( - Σ আমি ( এক্স আমি - μ ) 2 / 2 σ 2 )এন

এল(μ,σ2)=(σ2)-এন/2মেপুঃ(-Σআমি(এক্সআমি-μ)2/2σ2)

যদি আপনার আগ্রহের প্যারামিটার হয়, এবং একটি উপদ্রব পরামিতি হয় তবে কেবলমাত্র উপর অনুমানের সমাধানটি হল প্রোফাইল সম্ভাবনা যেখানে স্থির জন্য এমএলই হয় : σ 2 μ এল পি ( μ ) = এল ( μ , ^ σ 2 ( μ ) ) ^ σ 2 ( μ ) μ ^ σ 2 ( μ ) = আরগম্যাক্স σ 2 এল ( μ , σ 2 ) μσ2μ

এলপি(μ)=এল(μ,σ2^(μ))
σ2^(μ)μ
σ2^(μ)=argmaxσ2এল(μ,σ2)

একটি চেক করে যে

σ2^(μ)=1এনΣ(এক্স-μ)2

অতএব প্রোফাইল সম্ভাবনা হ'ল

এলপি(μ)=(1এনΣ(এক্স-μ)2)-এন/2মেপুঃ(-এন/2)

প্রোফাইলের সম্ভাবনা গণনা এবং প্লট করার জন্য এখানে কিছু আর কোড দেওয়া আছে (আমি স্থির শব্দটি সরিয়েছি ):মেপুঃ(-এন/2)

> data(sleep)
> difference <- sleep$extra[11:20]-sleep$extra[1:10]
> Lp <- function(mu, x) {n <- length(x); mean( (x-mu)**2 )**(-n/2) }
> mu <- seq(0,3, length=501)
> plot(mu, sapply(mu, Lp, x = difference), type="l")

প্রোফাইল সম্ভাবনা

সম্ভাবনার সাথে লিঙ্কটি আমি নিম্নলিখিত গ্রাফের সাথে সম্ভাবনার সাথে লিঙ্কটি হাইলাইট করার চেষ্টা করব।

প্রথমে সম্ভাবনার সংজ্ঞা দিন:

L <- function(mu,s2,x) {n <- length(x); s2**(-n/2)*exp( -sum((x-mu)**2)/2/s2 )}

তারপরে একটি কনট্যুর প্লট করুন:

sigma <- seq(0.5,4, length=501)
mu <- seq(0,3, length=501)

z <- matrix( nrow=length(mu), ncol=length(sigma))
for(i in 1:length(mu))
  for(j in 1:length(sigma))
    z[i,j] <- L(mu[i], sigma[j], difference)

# shorter version
# z <- outer(mu, sigma, Vectorize(function(a,b) L(a,b,difference)))

contour(mu, sigma, z, levels=c(1e-10,1e-6,2e-5,1e-4,2e-4,4e-4,6e-4,8e-4,1e-3,1.2e-3,1.4e-3))

এবং তারপরে এর গ্রাফটি সুপারপোজ করুন :σ2^(μ)

hats2mu <- sapply(mu, function(mu0) mean( (difference-mu0)**2 ))
lines(mu, hats2mu, col="red", lwd=2)

এল এর কনট্যুর প্লট

প্রোফাইল সম্ভাবনার মানগুলি লাল প্যারোবোলার পাশাপাশি সম্ভাবনা দ্বারা নেওয়া মান।

আপনি প্রোফাইলের সম্ভাবনাটিকে কেবল অবিচ্ছিন্ন শাস্ত্রীয় সম্ভাবনা হিসাবে ব্যবহার করতে পারেন (সিএফ @ প্রোকোফিভের উত্তর)। উদাহরণস্বরূপ, এমএলই মিও একই।μ^

আপনার আত্মবিশ্বাসের ব্যবধানের জন্য, ফাংশন এর বক্রতার কারণে ফলাফলগুলি কিছুটা পৃথক হবে , তবে যতক্ষণ না আপনি কেবল এটির একটি ছোট অংশ নিয়ে কাজ করেন, এটি প্রায় লিনিয়ার এবং পার্থক্য খুব ছোট হবে।σ2^(μ)

উদাহরণস্বরূপ, আপনি স্কোর পরীক্ষাগুলি তৈরির জন্য প্রোফাইল সম্ভাবনাটিও ব্যবহার করতে পারেন।


কোডে মিউ হ'ল নিম্ন থেকে উচ্চ পর্যন্ত মানের একটি ক্রম, এই প্রতিটি মানের সম্ভাবনা স্যাম্পল গড় (এমএন) তে সম্ভাবনা দ্বারা বিভক্ত করা হচ্ছে। সুতরাং এটি একটি স্বাভাবিক সম্ভাবনা।
ফ্লাস্ক

আমি মনে করি এটি একই জিনিস তবে সাধারণীকরণ নয়। আপনি কি এটি আর কোডে রাখতে পারেন বা অন্যথায় কিছু ডেটা ফাংশন প্লট করতে পারেন যাতে আমরা তুলনা করতে পারি?
ফ্লাস্ক

এটা এখানে. প্রথমে আমি ভেবেছিলাম mnটাইপো, এখন আমার মনে হয় আর কোডটি সব ভুল। আমি আগামীকাল এটি ডাবল পরীক্ষা করব - আমার বেঁচে থাকতে দেরি হয়ে গেছে।
এলভিস

তুমি ঠিক হতে পারো. কোডটি কীভাবে এটি স্বাভাবিক করতে পরিচালিত করে তা আমি বুঝতে পারি না। ওহ, আমি বুঝতে পেরেছি, "নরমালাইজেশন" সর্বাধিক দ্বারা বিভাজন করছে?
এলভিস

1
আমি মনে করি যখন সম্ভাব্যতা অনুপাতটি কিছু নম্বরের অনুমানের (উদাহরণস্বরূপ শূন্য) কিছু থ্রেশহোল্ডের (উদাহরণস্বরূপ 1/20 তম) কম হয় তখন এটি দেখতে সহজ করা আমাদের পক্ষে সহজ হয়।
ফ্লাস্ক

7

একটি সাধারণ কাঠামোতে, প্রোফাইল সম্ভাবনার অন্তরগুলি আনুমানিক আস্থা অন্তর v এই ফলাফলের প্রমাণটি মূলত প্রমাণ হিসাবে প্রমাণিত হয় যে সম্ভাবনা অনুপাতের পরিসংখ্যান ( ) প্রায় কে বিতরণ হিসাবে বিতরণ করা হয়। ধারণাটি সম্ভাবনা অনুপাতের পরিসংখ্যান থেকে প্রাপ্ত অনুমানের পরীক্ষাটি উল্টানো নিয়ে গঠিত ofχ2

উদাহরণস্বরূপ, একটি প্রোফাইল সম্ভাবনার অন্তর এর আনুমানিক আস্থা থাকে ।0,14795%

এগুলি শাস্ত্রীয় ফলাফল এবং তাই আমি কেবল এ সম্পর্কে কিছু রেফারেন্স সরবরাহ করব:

http://www.jstor.org/stable/2347496

http://www.stata-journal.com/sjpdf.html?articlenum=st0132

http://www.unc.edu/courses/2010fall/ecol/563/001/docs/lectures/lecture11.htm

http://en.wikipedia.org/wiki/Likelihood-ratio_test

http://en.wikipedia.org/wiki/Likelihood_function#Profile_likelihood

নিম্নলিখিত আর কোডটি দেখায় যে, এমনকি ছোট নমুনাগুলির জন্যও উভয় পদ্ধতির সাথে প্রাপ্ত অন্তরগুলি একই রকম (আমি আবার এলভিসের উদাহরণ ব্যবহার করছি):

নোট করুন যে আপনার স্বাভাবিকের সম্ভাবনা ব্যবহার করতে হবে।

data(sleep)
x <- sleep$extra[11:20]-sleep$extra[1:10]
n <- length(x)
Rp <- function(mu) {mean( (x-mean(x))^2 )^(n/2)/mean( (x-mu)^2 )^(n/2) }
Rp(mean(x))

mu <- seq(0,3, length=501)
plot(mu, sapply(mu, Rp), type="l")


Rpt<- function(mu) Rp(mu)-0.147 # Just an instrumental function

# Likelihood-confidence interval of 95% level

c(uniroot(Rpt,c(0.5,1.5))$root,uniroot(Rpt,c(1.51,3))$root)

# t confidence interval

t.test(x,conf.level=0.95)$conf.int

যদি আমরা আরও বড় আকারের নমুনা আকার ব্যবহার করি তবে আত্মবিশ্বাসের ব্যবধানগুলি আরও কাছাকাছি থাকে:

set.seed(123)
x <- rnorm(100)
n <- length(x)
Rp <- function(mu) {mean( (x-mean(x))^2 )^(n/2)/mean( (x-mu)^2 )^(n/2) }
Rp(mean(x))

mu <- seq(-0.5,0.5, length=501)
plot(mu, sapply(mu, Rp), type="l")


Rpt<- function(mu) Rp(mu)-0.147 # Just an instrumental function

# Likelihood-confidence interval of 95% level

c(uniroot(Rpt,c(-0.4,0))$root,uniroot(Rpt,c(0,0.4))$root)

# t confidence interval

t.test(x,conf.level=0.95)$conf.int

একটি গুরুত্বপূর্ণ পয়েন্ট:

নোট করুন যে নির্দিষ্ট নমুনাগুলির জন্য বিভিন্ন ধরণের আত্মবিশ্বাসের বিরতিগুলি তাদের দৈর্ঘ্য বা অবস্থানের ক্ষেত্রে পৃথক হতে পারে, যা সত্য তা গুরুত্বপূর্ণ তাদের কভারেজ। দীর্ঘকালীন সময়ে, তাদের সকলেরই নির্দিষ্ট নমুনাগুলির জন্য কতটা পৃথক, স্বাধীনভাবে একই কভারেজ সরবরাহ করা উচিত।


@ প্রোকফ্লেভ যদি আর টেস্টেস্ট () ফাংশন দিয়ে গণনা করা আত্মবিশ্বাসের ব্যবধানগুলির মধ্যে এবং উপরের সম্ভাবনা ফাংশন কোড দ্বারা গণনা করা লোকগুলির মধ্যে কিছু সাধারণ সম্পর্ক থাকে তবে আপনি এটি পোস্ট করতে পারেন। আমি বিশেষত এন = 3 ক্ষেত্রে আগ্রহী। দুর্ভাগ্যক্রমে আমার গণিতে সামান্য ব্যাকগ্রাউন্ড রয়েছে তাই অনেকগুলি কাগজপত্র আমাকে খরগোশের ছিদ্রের নিচে প্রতীকগুলির জন্য নাম এবং তারা কী উপস্থাপন করে ইত্যাদি নিয়ে যায়, যখন কয়েকটি লাইনের কোড (সহজতম আরআর) আমাকে এটি ব্যাখ্যা করতে পারে।
ফ্লাস্ক

@ ফ্লাস্ক আপনি কি সাধারণ বিতরণের পরামিতি বা আরও সাধারণ কাঠামোর জন্য আস্থা অন্তর পেতে আগ্রহী?
প্রোকোফিভ

প্রশ্নটিতে আমার উদাহরণ হিসাবে যেমনটি দেখানো হয়েছে তেমন একটি সাধারণ বিতরণের জন্য বিশেষত @ প্রোকফ্লেভ। আমি বিশেষত ভাবছি কেন এন = 3 ক্ষেত্রে বাদে আত্মবিশ্বাসের ব্যবধানগুলি বেশি রক্ষণশীল।
ফ্লাস্ক


1
আমি বিশ্বাস করতে শুরু করি যে সংশ্লিষ্ট আত্মবিশ্বাসের ব্যবধান পাওয়ার জন্য আমার স্বাভাবিক বা চিস্কোয়ার ডিস্ট্রিবিউশনের কিছু পরিমাণের দ্বারা সম্ভাবনার অন্তরগুলি বৃদ্ধি করা উচিত ..
ফ্লাস্ক

1

χ2এনRমিএকটিআমিz- র

  1. প্রোফাইল লগ-সম্ভাবনা প্রায় চতুর্ভুজ
  2. এখানে একটি প্যারামিটার ট্রান্সফর্ম রয়েছে যা প্রোফাইল লগ-সম্ভাবনাটিকে প্রায় চতুর্ভুজ করে তোলে।

চতুর্ভুজটি গুরুত্বপূর্ণ কারণ এটি লগ-স্কেলে একটি সাধারণ বিতরণকে সংজ্ঞায়িত করে। এটি যত বেশি চতুর্ভুজ হয় তত কাছাকাছি এবং ফলাফলের সিআইগুলি ভাল better সম্ভাবনার অন্তরগুলির জন্য আপনার 1/20 তম কাট অফের পছন্দটি অ্যাসিপটোটিক সীমাতে 95% সিআই এর বেশি সমতুল্য, কেননা নীল অন্তরগুলি সাধারণত লালগুলির চেয়ে দীর্ঘ হয়।

এখন, প্রোফাইল সম্ভাবনার সাথে আরও একটি সমস্যা রয়েছে যার কিছুটা মনোযোগ প্রয়োজন। আপনার যদি প্রচুর পরিমাণে ভেরিয়েবল থাকে যা আপনি প্রোফাইল করছেন, তারপরে যদি মাত্রা অনুসারে ডেটা পয়েন্টের সংখ্যা কম হয় তবে প্রোফাইলের সম্ভাবনা খুব পক্ষপাতদুষ্ট এবং আশাবাদী হতে পারে। প্রান্তিক, শর্তাধীন এবং পরিবর্তিত প্রোফাইল সম্ভাবনাগুলি তখন এই পক্ষপাতিত্ব হ্রাস করতে ব্যবহৃত হয়।

সুতরাং, আপনার প্রশ্নের উত্তর হ্যাঁ হ্যাঁ ... সংযোগটি সম্ভাব্যতা অনুপাতের চি-স্কোয়ার বিতরণে প্রকাশিত সর্বাধিক সম্ভাবনা অনুমানকারীগুলির অ্যাসিম্পটিক স্বাভাবিকতা।


" যদি আপনার কাছে প্রচুর পরিমাণে ভেরিয়েবল থাকে যা আপনি প্রোফাইলিং করে চলেছেন, তবে যদি ডাইমেনশন প্রতি ডেটা পয়েন্টের সংখ্যা কম হয়, তবে প্রোফাইলের সম্ভাবনা খুব পক্ষপাতদুষ্ট এবং আশাবাদী হতে পারে " কিসের তুলনায় আশাবাদী ?
ফ্লাস্ক

@ ফ্লাস্ক আশাবাদীর দ্বারা আমার অর্থ এটি আত্মবিশ্বাসের ব্যবধান হিসাবে বিবেচনা করার সময় নামমাত্র কভারেজ সম্ভাবনা সরবরাহ করা খুব সংকীর্ণ হবে।

আমি দেখছি, ধন্যবাদ, তবে আমার নির্দিষ্ট ক্ষেত্রে এটি আসলেই হতাশাবাদী? আমি সম্ভাবনা অন্তর বা সম্ভাবনা থেকে প্রাপ্ত আত্মবিশ্বাসের বিরতি সম্পর্কে কথা বলছি কিনা তা নিয়ে আমি এই বিষয়ে বিভ্রান্ত হয়ে পড়েছি।
ফ্লাস্ক

@ ফ্লাস্ক আমার মনে হয় আপনার অন্তরগুলি হতাশাব্যঞ্জিত বলে মনে হচ্ছে কারণ আপনি 1/20 তম সম্ভাবনার অন্তর (5% আপেক্ষিক সম্ভাবনা) 95% সিআই এর সাথে তুলনা করছেন। যেমন অন্যদের দ্বারা এখানে বলা হয়েছে, আপনি আপেলকে আপেলের সাথে কমপক্ষে অ্যাসিপোটোটিকভাবে আপেল করার জন্য 15% আপেক্ষিক সম্ভাবনার ব্যবধানের সাথে তুলনা করতে চাইবেন। আপনার সম্ভাবনার ব্যবধানটি যেমন দাঁড়িয়েছে তেমন প্লাসবাইল হিসাবে আরও বিকল্প বিবেচনা করছে।

আমি এখানে যা শিখছি তা প্রয়োগ করতে ইচ্ছুক প্রকৃত সমস্যাটি আমি বিশদভাবে লিখেছি । আমি উদ্বিগ্ন যে স্যাম্পলিং বিতরণ অজানা ক্ষেত্রে (তবে সম্ভবত স্বাভাবিক নয়) এবং জটিল যে আপনার দুটি প্রয়োজনীয়তা ধরে রাখতে পারে না। তবুও আমি যে প্রোফাইলের সম্ভাবনাগুলি গণনা করেছি তা সাধারণ এবং যুক্তিসঙ্গত বলে মনে হয়। এটা কি গড়ের নমুনা বিতরণটি সাধারণত বিতরণ করা উচিত?
ফ্লস্ক
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.