한계 분포 / 마진 확률이 왜“마진”으로 설명 되는가?

15

한계는 일반적으로 작은 효과, 더 큰 시스템의 외부에있는 것을 말합니다. 그것은 "마진 적"이라고 묘사 된 것의 중요성을 감소시키는 경향이 있습니다.

그렇다면 랜덤 변수의 하위 집합 확률에 어떻게 적용됩니까?

단어의 의미로 인해 단어가 수학에서 위험한 제안이 될 수 있다고 가정 할 때 여기에 반드시 답이있는 것은 아니라는 것을 알고 있지만 때로는 이런 종류의 질문에 대한 답이 진정한 통찰력을 얻는 데 도움이 될 수 있습니다. 묻습니다.

probability terminology

— 스테판
소스

1

— gung-복직 모니카

1

감사! 그것은 Jake-Westfall의 답변과 일치하므로 내 사후 신념을 고려하십시오 :)

— stephan

1

페르마의 마지막 정리는 댓글이 한계 아니었다 ...

— SMCI

26

두 개의 주사위 굴림으로 인한 결과의 공동 확률을 나타내는 아래 표 ( 이 웹 사이트 에서 복사)를 고려하십시오 .

분포를 보여주는이 일반적이고 자연스러운 방법으로, 개별 주사위의 결과에 대한 한계 확률은 문자 그대로 표의 가장자리 (강조된 행 / 열)에 기록됩니다.

물론 우리는 연속적인 랜덤 변수에 대해 그러한 테이블을 실제로 만들 수는 없지만 어쨌든 이것이 용어의 기원이라고 생각합니다.

— 제이크 웨스트 폴
소스

2

연속적인 2 차원 변수의 경우, 등가 선은 문자 적으로 음모의 여백에 한계 분포가있는 어떤 형태의 밀도 플롯 (아마도 색을 사용하여 밀도를 나타냄) 일 것입니다

— user36196

11

$(X, Y)$ $X$ $x$

p (x) = \int p (x, y) d y = \int p (x | y) p (y) d y,

$p(x) = \int p(x, y)dy = \int p(x | y)p(y)dy,$

X

$X$

Y

$Y$

1, \dots, 6

$1, \dots, 6$

p (X = 1) = \sum_{y = 1}^{6} p (X = 1, Y = y)

$p(X = 1) = \sum_{y = 1}^6 p(X = 1, Y = y)$

i = 1

$i = 1$

$X$ $Y$

이 두 플롯은 seaborn ( https://seaborn.pydata.org/generated/seaborn.jointplot.html#seaborn.jointplot ) 의 jointplot 함수를 사용하여 생성되었습니다 .

도움이 되었기를 바랍니다!

— white_noise
소스

1

푸아! 좋은 차트. 실제로 도움이 됨 :)

— stephan

@stephan 감사합니다! seaborn은 미적으로 유쾌하고 유익한 음모를 꾸미기에 매우 좋습니다.

— white_noise