← Matematik

Bootstrap dan Teorem Had Pusat (CLT)

Isi maklumat yang diperlukan dan lihat keputusan terus dalam pelayar anda.

Direka untuk bilik darjah: URL boleh kongsi, eksport CSV, ruang iklan yang stabil, komen Giscus tertunda, dan pautan alat berkaitan untuk kebarangkalian serta inferens.

Bahasa lain ja | en | zh-CN | zh-TW | zh-HK | es | es-419 | es-MX | pt-BR | pt-PT | id | vi | ko | fr | de | it | ru-RU | hi-IN | ar | bn-BD | ur-PK | tr-TR | th-TH | pl-PL | fil-PH | ms-MY | fa-IR | nl-NL | uk-UA | he-IL | cs-CZ

Kawalan

Taburan & statistik
Tetapan eksponen
Benih & CLT
Selang keyakinan 95%

Ringkasan keputusan

Anggaran titik
Min sampel
Median sampel
Sisihan piawai sampel
n / B
/
Min teori / σ
/
  • Persentil bootstrap

  • Anggaran t (min)

  • Anggaran normal (perkadaran)

Cara pengiraan

  1. Mulakan LCG (a=1664525, c=1013904223, m=232) dengan benih supaya aliran sampel boleh diulang.
  2. Jana n= pemerhatian daripada dan kira statistik terpilih .
  3. Lakukan pensampelan semula sebanyak B=, ambil kuantil Jenis-1, dan laporkan selang yang dipilih ().
  4. Untuk penjelajah CLT, guna benih dengan K= min sampel tersandar, lalu ringkaskan sebagai min/varians ≈ .

URL boleh kongsi dan CSV menyimpan benih serta tetapan supaya demonstrasi boleh diulang dengan hasil yang sama.

Histogram

Taburan bootstrap

Memaparkan taburan pensampelan statistik merentas ulangan bootstrap dan menonjolkan julat selang keyakinan.

Min tersandar CLT

Lapisan N(0,1) menunjukkan seberapa cepat min dan varians empirik menghampiri 0 dan 1.

Soalan Lazim

Mengapa guna persentil Jenis-1?

Kaedah ini menggunakan statistik tertib floor((B−1)p), jadi hujung selang mudah difahami oleh pelajar dan selari dengan penerangan bootstrap dalam buku teks.

Apakah kelebihan LCG tetap ini?

Tetapan yang sama seperti simulator kebarangkalian kami (a=1664525, c=1013904223, m=232) menjamin sampel yang sama bagi benih yang sama. Ini sesuai untuk rancangan pengajaran, helaian latihan, dan semakan jarak jauh.