בקרה
סיכום תוצאות
- אומדן נקודתי
- —
- ממוצע מדגם
- —
- חציון מדגם
- —
- סטיית תקן מדגמית
- —
- n / B
- — / —
- ממוצע תיאורטי / σ
- — / —
-
אחוזון Bootstrap
—
-
קירוב t (ממוצע)
—
-
קירוב נורמלי (שיעור)
—
איך זה מחושב
- מאתחלים LCG (a=1664525, c=1013904223, m=232) עם הזרע 13579 כדי שזרם הדגימה יהיה ניתן לשחזור.
- מדגמים n=40 תצפיות מ‑אקספוננציאלית λ ומחשבים את הסטטיסטי שנבחר: ממוצע.
- מבצעים דגימה‑חוזרת B=2000 (זרע ל‑Bootstrap: 97531) פעמים, מחשבים אחוזונים מסוג Type‑1 ומדווחים את הרווחים שנבחרו (אחוזון Bootstrap (Type‑1), קירוב t (ממוצע), קירוב נורמלי (שיעור)).
- לחקר CLT משתמשים בזרע 2468 וב‑K=5000 ממוצעים מתוקננים, עם סיכום ממוצע/שונות ≈ —.
היסטוגרמות
התפלגות Bootstrap
מציגה את התפלגות הסטטיסטי לאורך דגימות bootstrap ומדגישה את טווח רווח הסמך.
ממוצעים מתוקננים (CLT)
השוואה ל‑N(0,1) מראה עד כמה מהר הממוצע והשונות האמפיריים מתקרבים ל‑0 ול‑1.
שאלות נפוצות
למה להשתמש באחוזון Type‑1?
הוא משתמש ב‑floor((B−1)p) כסטטיסטיקת סדר, כך שקצוות הרווח ברורים ושקופים לתלמידים — בדיוק כמו בהסברי bootstrap בספרים.
מה היתרון ב‑LCG קבוע?
אותם פרמטרים כמו בסימולטור ההסתברות שלנו (a=1664525, c=1013904223, m=232) מבטיחים דגימות זהות עבור אותו זרע — מצוין לשיעורים, דפי עבודה ואימות מרחוק.