概率统计
|
集合的分类：
并集：以属于A或属于B的元素为元素的集合称为A与B的并（集），记作A∪B（或B∪A），读作“A并B”（或“B并A”），即A∪B={x|x∈A,或x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。
它们两个集合中含有1,2,3,4，5这5个元素，不管元素的出现次数，只要元素出现在这两个集合中。那么说A∪B={1，2，3，5}。 图中的阴影部分就是A∩B。
交集：以属于A且属于B的元素为元素的集合称为A与B的交（集），记作A∩B（或B∩A），读作“A交B”（或“B交A”），即A∩B={x|x∈A,且x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。那么因为A和B中都有1,5，所以A∩B={1，5} 。
差集：以属于A而不属于B的元素为元素的集合称为A与B的差（集）
|
集合的分类：
并集：以属于A或属于B的元素为元素的集合称为A与B的并（集），记作A∪B（或B∪A），读作“A并B”（或“B并A”），即A∪B={x|x∈A,或x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。
它们两个集合中含有1,2,3,4，5这5个元素，不管元素的出现次数，只要元素出现在这两个集合中。那么说A∪B={1，2，3，5}。 图中的阴影部分就是A∩B。
交集：以属于A且属于B的元素为元素的集合称为A与B的交（集），记作A∩B（或B∩A），读作“A交B”（或“B交A”），即A∩B={x|x∈A,且x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。那么因为A和B中都有1,5，所以A∩B={1，5} 。
差集：以属于A而不属于B的元素为元素的集合称为A与B的差（集）
|
集合的分类：
并集：以属于A或属于B的元素为元素的集合称为A与B的并（集），记作A∪B（或B∪A），读作“A并B”（或“B并A”），即A∪B={x|x∈A,或x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。
它们两个集合中含有1,2,3,4，5这5个元素，不管元素的出现次数，只要元素出现在这两个集合中。那么说A∪B={1，2，3，5}。 图中的阴影部分就是A∩B。
交集：以属于A且属于B的元素为元素的集合称为A与B的交（集），记作A∩B（或B∩A），读作“A交B”（或“B交A”），即A∩B={x|x∈A,且x∈B}
例如，全集U={1，2，3，4，5} A={1，3，5} B={1，2，5} 。那么因为A和B中都有1,5，所以A∩B={1，5} 。
差集：以属于A而不属于B的元素为元素的集合称为A与B的差（集）
|
t分布计算器，选定要计算的内容，然后在下面输入相应的数据，单击“计算”按钮进行计算。
|
计算相关系数的临界值，而《相关系数临界值表》是在几乎所有的《概率论与数理统计》教程 中附在后面的。但是现在有了网络，就可以在线计算而无须查表。且教课书中的附表中的自由度只到100为止，在线计算则 可以计算自由度是任意的值。
在右边的列表中选择相应的显著性因子α后，在正下方的输入框输入统计数据的样本点数n，注意n不是 自由度，n-2才是自由度，但自由度是程序中自动算的，你不必担心，这是和查表不一样的地方。 输入好数据后单击“开始计算”按钮，就计算出相应的相关系数的临界值。
|
计算(0-1)分布参数的区间估计，其实就是某个事件A发生的概率p的区间估计。事件A可以是任何事件，例如，任抽一件产品，它是合格品，或者任去找一个工作，被聘用方聘用，下一盘棋，结果胜了，等等。 通常需要反复地做上n次独立试验，事件A发生了m次，则m/n是A发生的频率，如果n很大，可以近似认为它也是事件A的发生概率。 当然，这样的认为不准确，只有当试验次数无穷大时，频率才可以认为是概率。但是事实上我们不可能做无穷多次试验，因此，真正的概率我们不知道， 但是，用区间估计的办法，在人为给定一个很接近于1的置信概率1-α(α叫显著性因子)的情况下，以这个置信概率为可靠性的程度，可以根据发生的频率来估计出一个区间(p1,p2)， A发生的概率p肯定落在这个区间里，当然，会随试验次数的增加，这个区间会变小。注意不要把“置信概率”1-α和我们要估计的概率p搞混。
在下面的输入框中输入n－试验总次数，m－事件A发生的次数，单击“开始计算”按钮进行计算。可在右边的列表中选取置信概率。
|
泊松分布，离散概率函数用于估计传播与发生已知的平均速率的程度。当实验情况出现的时候，大量的可能性事件就会发生，泊松分布来指定某个给定的数据集或间隔固定时间事件数的概率。它是不对称的功能，并与超几何分布，二项分布和指数分布的强连接应用。
泊松分布，其中k = 0 ，1，2 ，...， n可以是从下面公式计算出
e 是自然对数等于2.71828的基数..
k 为发生的事件的数目;其中的概率是由给定的函数
K 是k的阶乘
λ是一个正实数，等于出现的给定时间间隔内的预期数目。例如，如果发生在平均每分钟3次的事件，一个是想要在10分钟的时间间隔发生k次的概率事件，人们会用泊松分布模型λ=10×3=30
|
多个事件的联合概率
如果A和B这两个事件发生在一个单一的性能的实验，这就是所谓的A和B的交集或联合概率，标记为PP(A n B)。如果两个事件，A和B是独立的，则可以是来自于公式的联合概率
P(A n B) = P(A) P(B)
P(A)+P(A')=1，P(B)+P(B')=1
使用示例
输入数据：不可能的结果-n：20；事件没发生数目n（A）：10；事件没发生数目n（B）：12
输出结果：P(A)：0.5；P(A')：0.5；P(B)：0.6；P(B')：0.4；P(A n B) 多个事件的概率0.3；P(A U B) 互斥事件概率0.8；P(A | B) 条件概率：0.5
|
单事件的概率
A是写单个事件的概率为P（A）,p（A）或Pr（A）
单事件补充概率
与此相反的或补充的事件A是事件，事件A不发生，其概率由下式给出 P(not A) = 1 - P(A)
使用示例
输入数据：不可能的结果-n：5 ；事件没发生数目n（A）：4
输出结果：发生事件的概率P（A）：0.8；事件没发生的概率P（A'）：0.2
|
线性回归建模直线观察到的数据通过使用一个线性方程变量之间的关系是一种方法。这是相同的所有形式的回归分析，专注于y的给定的X的条件概率分布，而不是在Y和X，它是多变量分析中的域的联合概率分布。两个变量之间的标量变量Y被认为是解释变量和其他的一个或多个变量X被认为是因变量表示 。
线性回归方程式：
线性回归直线Y=A+BX，其中X为解释变量，Y是变量的公式。直线的斜率为B ，A为截距（当X = 0时Y的值）。
线性函数使用线性回归和未知的模型参数估计从数据模型中的数据。这种方法被称为线性模型的建模数据。一般说，线性回归分配到一个模型，其中X的值是y的条件均值X的线性回归的仿射函数，很少有机会参考模型的中位数，或其他一些量化的条件y分布给定的X表示为X的一个线性函数.
要获得像B线的斜率，说明平均Y ，因变量线性回归计算平均X， 截距 线，回归方程和输入这个在线计算器是一个必不可少的工具来分析给定的两组数据之间的关系 。
|
此脚本生成一组正态分布值，平均值和标准偏差的特性，基于填写数值为基础计算输入。在概率统计中，标准偏差的统计分布是最为常见的。作为一个简单的定义，怎么摊开一组数据中的值的标准偏差的措施。如果数据点都是类似的，然后将标准偏差低（接近零）。如果数据点是高度可变的，然后是标准的变化（进一步从零）。标准偏差的定义公式的方差的平方根。这表明它的均方根（RMS）的偏离平均。标准偏差始终是一个正数，总是作为原始数据相同的单位计量。例如，如果数据的距离，以米为单位的测量尺寸，标准偏差也将被计算以米。
正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。期望值μ=0，即曲线图象对称轴为Y轴，标准差σ=1条件下的正态分布，记为N(0，1)。
标准正态分布
标准正态分布又称为u分布，是以0为均数、以1为标准差的正态分布，记为N（0，1）。
标准正态分布曲线下面积分布规律是：在-1.96～+1.96范围内曲线下的面积等于0.9500，在-2.58～+2.58范围内曲线下面积为0.9900。
|
CV - 变异系数计算器在线的数据统计分析工具，专门计算,平均值，标准偏差和变异系数。
定义：变异系数的概率分布的分散体被称为归一化的措施，通常缩写为CV 。在概率论与统计，它也被称为组合风险或变异系数。 CV的是来自于非零均值和的绝对值的标准偏差的比率取的平均值，以确保它总是正的。它有时也被表示为百分比，在这种情况下的CV乘以100
方差公式系数：
下面给出的等式或公式，找出变异系数
变异系数CV =标准差/均值（Cv = Standard Deviation / Mean）
|
协方差计算器是一个在线的概率和统计的数据分析工具，专门编程找出X值的意思，Y的均值和方差（X，Y）的基础数据集的输入值数量。
|
