Да. Пусть у нас a - заданный диаметр, b - отклонение. По условию a - const, b имеет распределение N(c,d). Настоящий диаметр равен a+b, по свойствам мат. ожидания получаем, что a+b имеет распределение N(a+c, d).
Да, на всякий случай - я понимал так, что отклонение это не то же самое, что модуль отклонения. То есть оно имеет знак, и отклонение в строну уменьшения идёт с минусом, а в сторону увеличения - с плюсом.
чёт меня заклинило - а ведь если абсолютное отклонение имеет нормальное распределение, то и модуль отклонения ведь тоже распределён нормально, просто параметры другие?
А что, неотрицательная величина может иметь нормальное распределение ? Вы, кстати, лучше с ChatGPT поговорите, будет намного эффективнее, мне кадется, чем задавать столь странные алпросы здесь.
"Да, выборка из 20% самых высоких ростов (т.е. верхних 20% распределения) будет подчиняться нормальному закону, но с некоторыми оговорками.
Когда вы берете выборку из верхних 20%, вы фактически отсекаете нижние 80% данных, и оставшиеся данные будут представлять собой усеченное нормальное распределение. Это означает, что распределение роста в этой выборке будет по-прежнему близко к нормальному, но его форма изменится. Верхняя часть распределения будет более сжата, и в ней не будет значений, соответствующих нижним 80%.
Таким образом, хотя выборка все еще будет иметь некоторые характеристики нормального распределения, она не будет идеально нормальной из-за усечения"
так что за советы спасибо, но я всё же здесь позадаю)
Да, выборка из 20% самых высоких ростов (т.е. верхних 20% распределения) будет подчиняться нормальному закону, но с некоторыми оговорками.
Когда вы берете выборку из верхних 20%, вы фактически отсекаете нижние 80% данных, и оставшиеся данные будут представлять собой усеченное нормальное распределение. Это означает, что распределение роста в этой выборке будет по-прежнему близко к нормальному, но его форма изменится. Верхняя часть распределения будет более сжата, и в ней не будет значений, соответствующих нижним 80%.
Таким образом, хотя выборка все еще будет иметь некоторые характеристики нормального распределения, она не будет идеально нормальной из-за усечения
Выборка из верхних 20% нормального распределения не является нормально распределённой. Это связано с тем, что для нормального распределения каждая часть выборки, ограниченная по значению, уже не сохраняет симметрию и свойство нормальности.
Если мы берём только верхние 20% значений, то выборка становится усечённым распределением (truncated normal distribution), у которого:
Диапазон значений ограничен снизу (в данном случае точкой, соответствующей 80-му процентилю исходного нормального распределения). Форма распределения меняется - оно уже не будет симметричным или колоколообразным. Таким образом, хотя исходное распределение было нормальным, выборка из его верхних 20% уже не является нормально распределённой.
Токарь вытачивает болванки определённого диаметра. Предположим, что отклонения от заданного подчиняются нормальному распределению.
Вопрос простой - подчиняется ли нормальному распределению собственно диаметр болванок?
Reply
А мы там всесторонне и рассмотрели уж етот вопрос. обсудили. обсосали. полагалось - исчерпали. и вот на тебе.. вотще нам..
Reply
Reply
Reply
Reply
Спасибо большое, я так примерно и рассуждал, только без а b c d
Reply
Reply
чёт меня заклинило - а ведь если абсолютное отклонение имеет нормальное распределение, то и модуль отклонения ведь тоже распределён нормально, просто параметры другие?
Reply
Вы, кстати, лучше с ChatGPT поговорите, будет намного эффективнее, мне кадется, чем задавать столь странные алпросы здесь.
Reply
1 у меня нет доступа к чатгпт
2 странные вопросы здесь задавать не запрещено
Reply
Reply
спасибо, мне уже ниже подсказали
вот ответ ИИ
"Да, выборка из 20% самых высоких ростов (т.е. верхних 20% распределения) будет подчиняться нормальному закону, но с некоторыми оговорками.
Когда вы берете выборку из верхних 20%, вы фактически отсекаете нижние 80% данных, и оставшиеся данные будут представлять собой усеченное нормальное распределение. Это означает, что распределение роста в этой выборке будет по-прежнему близко к нормальному, но его форма изменится. Верхняя часть распределения будет более сжата, и в ней не будет значений, соответствующих нижним 80%.
Таким образом, хотя выборка все еще будет иметь некоторые характеристики нормального распределения, она не будет идеально нормальной из-за усечения"
так что за советы спасибо, но я всё же здесь позадаю)
Reply
Телега есть?
@GPT4Telegrambot
Reply
о, спасибо, сделал закладку
Reply
вот кстати и ответ
Да, выборка из 20% самых высоких ростов (т.е. верхних 20% распределения) будет подчиняться нормальному закону, но с некоторыми оговорками.
Когда вы берете выборку из верхних 20%, вы фактически отсекаете нижние 80% данных, и оставшиеся данные будут представлять собой усеченное нормальное распределение. Это означает, что распределение роста в этой выборке будет по-прежнему близко к нормальному, но его форма изменится. Верхняя часть распределения будет более сжата, и в ней не будет значений, соответствующих нижним 80%.
Таким образом, хотя выборка все еще будет иметь некоторые характеристики нормального распределения, она не будет идеально нормальной из-за усечения
Reply
ChatGPT
Выборка из верхних 20% нормального распределения не является нормально распределённой. Это связано с тем, что для нормального распределения каждая часть выборки, ограниченная по значению, уже не сохраняет симметрию и свойство нормальности.
Если мы берём только верхние 20% значений, то выборка становится усечённым распределением (truncated normal distribution), у которого:
Диапазон значений ограничен снизу (в данном случае точкой, соответствующей 80-му процентилю исходного нормального распределения).
Форма распределения меняется - оно уже не будет симметричным или колоколообразным.
Таким образом, хотя исходное распределение было нормальным, выборка из его верхних 20% уже не является нормально распределённой.
Reply
Leave a comment