빅 데이터의 통계 분석에서의 확률 분포

확률 분포는 유용한 패턴을 찾기 위해 데이터를 분석하는 데 사용할 수있는 많은 통계 기술 중 하나입니다. 확률 분포 를 사용하여 데이터 집합의 요소와 관련된 확률을 계산합니다.

• 이항 분포: 이진 분포를 사용하여 두 값 중 하나만 가정 할 수있는 변수를 분석합니다. 예를 들어, 스포츠 클럽에서 주어진 비율의 회원이 왼손잡이 일 확률을 결정할 수 있습니다.

  ->

• 포아송 분포: 일정 기간 동안 발생하는 일정 수의 이벤트의 가능성을 설명하기 위해 포아송 분포를 사용합니다. 예를 들어, 다음 시간 동안 웹 사이트에서 지정된 횟수의 히트 확률을 설명하는 데 사용할 수 있습니다. 정규 분포: 정규 분포는 경제, 금융, 마케팅, 생물학, 심리학 및 기타 여러 분야에서 가장 널리 사용되는 확률 분포입니다. 정규 분포의 특징 중 하나는

• 대칭입니다. - 변수 평균이 분포의 평균보다 낮은 거리가 평균보다 높은 동일한 확률과 같습니다.

  학생의 t- 분포:

  학생의 t- 분포는 정규 분포와 유사하지만 학생의 t- 분포를 사용하면 매우 작거나 매우 큰 값이 발생할 확률이 훨씬 높습니다.. 이 분포는 변수가 정규 분포와 일치하기에 너무 많은 변화를 나타내는 상황에서 종종 사용됩니다. 이것은 작은 샘플의 특성을 분석 할 때 사실입니다. 작은 샘플을 사용하면 샘플 간의 차이가 상당히 커질 수 있으므로 정규 분포를 사용하여 속성을 설명해서는 안됩니다.

  학생의 t- 분포는 W.S. Gosset은 기네스 양조 회사에서 근무하는 동안 그는 작은 표본 수단의 특성을 설명하려고 시도하고있었습니다.

• 카이 제곱 분포: 카이 제곱 분포는 여러 유형의 응용에 적합합니다. 예를 들어 모집단이 특정 확률 분포를 따르는 지 여부를 결정할 수 있습니다. 또한이를 사용하여 모집단의 분산이 지정된 값과 같은지 테스트하고 두 데이터 집합의 독립성을 테스트 할 수 있습니다.

  F- 분포: F- 분포는 카이 제곱 분포로부터 유도됩니다. 두 모집단의 분산이 서로 같은지 여부를 테스트하는 데 사용합니다. F- 분포는 회귀 분석과 같은 애플리케이션에서도 유용합니다.