Podcast o Teória pravdepodobnosti a štatistické rozdelenia

Kapitoly

Čo je to náhodný jav?

Priestor javov a operácie

Axiómy a definície pravdepodobnosti

Podmienená pravdepodobnosť a Bayesov vzorec

Náhodná premenná

Charakteristiky náhodnej premennej

Bernoulliho a binomické rozdelenie

Zákony veľkých čísel a Centrálna limitná veta

Svet spojitých rozdelení

Čakanie na udalosť: Exponenciálne rozdelenie

Kráľovná rozdelení: Normálne rozdelenie

Ako porovnať jablká a hrušky

Pravidlo troch sigma

Rodina normálneho rozdelenia

Zhrnutie a záver

Přepis

Filip: Väčšina ľudí si myslí, že ak minca padne päťkrát po sebe na hlavu, ďalší hod bude takmer určite znak. Ale v skutočnosti je pravda taká, že minca nemá pamäť. Pravdepodobnosť je stále päťdesiat na päťdesiat.

Simona: Presne tak, Filip. To je jeden z najčastejších omylov, známy ako hráčsky omyl. A je to skvelý úvod do fascinujúceho sveta pravdepodobnosti.

Filip: O ktorom sa dnes budeme rozprávať. Počúvate Studyfi Podcast.

Simona: Dnes si prejdeme kľúčové pojmy z teórie pravdepodobnosti, ktoré sa ti zídu na skúške. Začnime úplným základom: čo je to vlastne náhodný jav?

Filip: To znie ako niečo, čo sa stane náhodou, nie? Ako keď mi spadne chleba maslovou stranou dole.

Simona: Presne! V matematike by sme povedali, že náhodný jav je overiteľné tvrdenie o výsledku náhodného pokusu. A ten tvoj chleba je skvelý príklad náhodného pokusu. Máš dva možné výsledky – padne maslom hore, alebo maslom dole.

Filip: A ten, ktorý naozaj nastane, je elementárny jav?

Simona: Áno, presne tak. Elementárne javy sú tie najjemnejšie výsledky, ktoré vieme rozlíšiť. Pri hode kockou sú to čísla od jedna do šesť. A potom máme dva špeciálne typy javov.

Filip: Hádal by som, že jeden je, že sa niečo určite stane a druhý, že sa to stať nemôže.

Simona: Perfektné! Máme istý jav, ktorý nastane vždy – napríklad, že na kocke padne číslo menšie ako sedem. Ten označujeme gréckym písmenom Omega. A jeho opakom je nemožný jav, ktorý nenastane nikdy. Napríklad, že na kocke padne sedmička. Ten značíme prázdnou množinou.

Filip: Dobre, takže všetky tieto možné výsledky – ako čísla na kocke – tvoria nejaký priestor?

Simona: Presne. Nazývame ho priestor elementárnych javov, a je to vlastne množina všetkých možných výsledkov. A keďže javy sú v podstate podmnožiny tejto veľkej množiny, môžeme s nimi robiť klasické množinové operácie.

Filip: Ako zjednotenie a prienik?

Simona: Presne tak. Zjednotenie javov A a B znamená, že nastane aspoň jeden z nich. Prienik znamená, že nastanú oba súčasne. A potom máme ešte opačný jav alebo rozdiel javov.

Filip: A čo ak sa dva javy nemôžu stať naraz? Ako to, že na kocke padne párne aj nepárne číslo v jednom hode.

Simona: Takým javom hovoríme, že sú nezlučiteľné alebo disjunktné. Ich prienik je prázdna množina, jednoducho nemajú spoločný výsledok. Nemôžu nastať súčasne.

Filip: Super, pojmy máme. Ale ako tomu všetkému priradíme nejaké číslo? Ako zmeriame tú pravdepodobnosť?

Simona: Na to slúžia takzvané axiómy pravdepodobnosti. Sú to základné pravidlá hry, ktoré musia platiť. V podstate hovoria tri veci.

Filip: Som zvedavý.

Simona: Po prvé, pravdepodobnosť akéhokoľvek javu je vždy nezáporné číslo. Po druhé, pravdepodobnosť istého javu, teda celej množiny Omega, je rovná jednej. A po tretie, ak máme nezlučiteľné javy, pravdepodobnosť ich zjednotenia je súčet ich jednotlivých pravdepodobností.

Filip: Okej, to znie logicky. A na základe tohto sa potom odvíjajú tie rôzne definície, o ktorých sme sa učili?

Simona: Presne. Tá najznámejšia je klasická definícia. Používaš ju vtedy, keď má každý výsledok rovnakú šancu nastať, ako pri hode férovou kockou. Vtedy je pravdepodobnosť jednoducho podiel počtu priaznivých výsledkov k počtu všetkých možných výsledkov.

Filip: Takže pravdepodobnosť hodu šestky je jedna ku šiestim. Jednoduché.

Simona: Áno. Ale čo ak máš nekonečný počet možných výsledkov? Napríklad, aká je pravdepodobnosť, že šípka trafí presne stred terča? Tu nám pomáha geometrická pravdepodobnosť.

Filip: Tam už nepočítame výsledky, ale meriame plochu, však?

Simona: Presne! Pravdepodobnosť je potom podiel miery, napríklad plochy, priaznivého útvaru k miere celého priestoru. Napríklad plocha desiatky na terči k ploche celého terča.

Filip: A tá axiomatická definícia to celé zastrešuje?

Simona: Presne tak. Axiomatická definícia je najvšeobecnejšia. Nedáva nám priamy návod na výpočet, ale definuje pravdepodobnostný priestor a pravidlá, ktoré musí pravdepodobnosť spĺňať, či už ide o konečný alebo nekonečný počet výsledkov. Je to taký teoretický základ pre všetko ostatné.

Filip: Dobre, a teraz niečo, čo znie zložito: podmienená pravdepodobnosť. O čo tam ide?

Simona: Vôbec to nie je zložité. Je to jednoducho pravdepodobnosť, že nastane jav A, ak už vieme, že nastal nejaký iný jav B. Táto dodatočná informácia mení naše očakávania.

Filip: Aha, ako napríklad… aká je pravdepodobnosť, že som si vytiahol srdcovú kartu, ak už viem, že je to kráľ?

Simona: Perfektný príklad! Pôvodne je pravdepodobnosť srdcovej karty 13 ku 52, teda štvrtina. Ale ak už vieš, že máš v ruke kráľa, sú len štyria králi. A len jeden z nich je srdcový. Takže tvoja podmienená pravdepodobnosť je jedna ku štyrom. Informácia, že je to kráľ, zmenila náš 'priestor' možných výsledkov.

Filip: To je celkom cool. A s tým súvisí aj ten slávny Bayesov vzorec, však? Ten vyzerá na papieri dosť desivo.

Simona: Vyzerá, ale jeho myšlienka je geniálna. Bayesov vzorec nám umožňuje 'otočiť' podmienenú pravdepodobnosť. Často poznáme pravdepodobnosť následku za určitej príčiny, ale zaujíma nás pravdepodobnosť príčiny, keď už vidíme následok.

Filip: Môžeš dať nejaký praktický príklad?

Simona: Jasné. Predstav si lekársky test na nejakú chorobu. Vieme, aká je pravdepodobnosť pozitívneho testu, ak je človek chorý. Ale čo nás zaujíma v praxi? Aká je pravdepodobnosť, že som naozaj chorý, ak mi vyšiel pozitívny test? A presne na to slúži Bayesov vzorec. Pomáha nám aktualizovať naše presvedčenie na základe nových dôkazov.

Filip: Dobre, poďme ďalej. V skriptách sa stále objavuje pojem 'náhodná premenná'. Čo si pod tým mám presne predstaviť?

Simona: Predstav si ju ako funkciu, ktorá výsledku náhodného pokusu priradí nejaké reálne číslo. Namiesto slovného popisu, ako 'padla hlava', priradíme číslo, napríklad jednotku. Namiesto 'padol znak', priradíme nulu.

Filip: Takže je to vlastne len spôsob, ako preložiť náhodné výsledky do jazyka čísel, s ktorými vieme počítať.

Simona: Presne tak! A tieto náhodné premenné delíme na dva hlavné typy: diskrétne a spojité.

Filip: Diskrétna asi nadobúda len nejaké konkrétne hodnoty, však? Ako počet hláv pri troch hodoch mincou – môže byť nula, jedna, dva alebo tri, ale nie dva a pol.

Simona: Výborne! A spojitá náhodná premenná môže nadobudnúť akúkoľvek hodnotu z nejakého intervalu. Napríklad výška človeka, teplota alebo čas čakania na autobus.

Filip: A ku každej takejto premennej patrí distribučná funkcia. Čo tá nám hovorí?

Simona: Distribučná funkcia, značená veľkým F(x), nám pre každé číslo x povie pravdepodobnosť, že náhodná premenná nadobudne hodnotu menšiu ako toto x. Je to taký kumulatívny pohľad na pravdepodobnosť.

Filip: A keď už máme tie náhodné premenné, chceme ich nejako popísať, však? Ako napríklad priemer alebo niečo podobné.

Simona: Presne. Najdôležitejšou charakteristikou polohy je stredná hodnota, nazývaná aj očakávaná hodnota. Je to v podstate teoretický priemer, hodnota, okolo ktorej by mali kolísať výsledky náhodnej premennej pri veľkom počte opakovaní.

Filip: A okrem polohy nás zaujíma aj to, ako veľmi sú tie hodnoty rozptýlené, nie?

Simona: Áno, a na to slúži rozptyl a smerodajná odchýlka. Rozptyl nám hovorí, ako veľmi sú hodnoty v priemere odchýlené od strednej hodnoty. Čím je väčší, tým sú dáta viac 'rozlietané'. A smerodajná odchýlka je len jeho odmocnina, ktorá má tú výhodu, že je v rovnakých jednotkách ako samotná náhodná premenná.

Filip: Takže ak je stredná hodnota výšky 180 cm a smerodajná odchýlka 5 cm, znamená to, že väčšina ľudí bude mať výšku niekde okolo 180, s typickou odchýlkou 5 cm.

Simona: Perfektne si to zhrnul. A okrem týchto existujú aj ďalšie charakteristiky, ako medián – čo je hodnota, ktorá rozdelí všetky možné výsledky na dve rovnako pravdepodobné polovice – alebo modus, čo je najpravdepodobnejšia hodnota.

Filip: Poďme sa teraz pozrieť na konkrétne typy rozdelení. Vždy počúvam o Bernoulliho rozdelení. Znie to hrozne múdro.

Simona: Ale je to to najjednoduchšie, čo existuje! Bernoulliho pokus je akýkoľvek náhodný pokus, ktorý má len dva možné výsledky: úspech a neúspech. A priradíme im hodnoty 1 a 0.

Filip: Takže hod mincou, úspešné spravenie skúšky, funkčný výrobok... to všetko sú Bernoulliho pokusy?

Simona: Presne tak. A Bernoulliho rozdelenie má jediný parameter 'p', čo je pravdepodobnosť úspechu. Stredná hodnota je potom logicky 'p' a rozptyl je p krát (1 mínus p).

Filip: A čo keď takýto pokus zopakujem viackrát? Napríklad, desaťkrát hodím mincou a zaujíma ma, koľkokrát padne hlava.

Simona: Tak vtedy sa dostávame k binomickému rozdeleniu. To modeluje presne toto: počet úspechov v 'n' nezávislých Bernoulliho pokusoch, pričom pravdepodobnosť úspechu 'p' je v každom pokuse rovnaká.

Filip: Takže parametre sú 'n' – počet pokusov, a 'p' – pravdepodobnosť úspechu.

Simona: Áno. A stredná hodnota, teda očakávaný počet úspechov, je jednoducho n krát p. To dáva zmysel, nie? Ak máš 20 otázok v teste a na každú je šanca správnej odpovede 25%, očakávaš, že trafíš 20 krát 0,25, teda 5 otázok.

Filip: To je celkom intuitívne. A kde sa to v praxi používa?

Simona: Všade! Počet chybných výrobkov v sérii, počet pacientov reagujúcich na liečbu, počet zákazníkov, ktorí si niečo kúpia... Akonáhle máš sériu nezávislých pokusov s dvoma výsledkami, si v doméne binomického rozdelenia.

Filip: Na záver sa pozrime na niečo, čo znie ako z filozofie – zákon veľkých čísel a centrálna limitná veta.

Simona: Znejú majestátne, ale ich myšlienka je kľúčová. Zákon veľkých čísel hovorí veľmi jednoduchú vec: čím viackrát opakuješ náhodný pokus, tým bližšie bude tvoj empirický priemer k skutočnej, teoretickej strednej hodnote.

Filip: Takže ak budem hádzať kockou naozaj, naozaj veľakrát, priemer hodnôt sa bude blížiť k trom a pol?

Simona: Presne. To je dôvod, prečo fungujú poisťovne alebo kasína. Spoliehajú sa na to, že pri obrovskom počte klientov alebo hier sa štatistiky ustália a budú predvídateľné.

Filip: A čo tá druhá veta, centrálna limitná?

Simona: Tá je ešte fascinujúcejšia. Hovorí, že ak sčítaš veľa nezávislých náhodných premenných – a je takmer jedno, aké majú pôvodné rozdelenie – ich súčet bude mať približne normálne, Gaussovo rozdelenie.

Filip: Počkaj, takže aj keby som sčítal výsledky z nejakých úplne divných, asymetrických rozdelení, ich súčet sa bude podobať na tú známu zvonovú krivku?

Simona: Áno! A to je dôvod, prečo je normálne rozdelenie v štatistike tak nesmierne dôležité. Veľa javov v prírode a spoločnosti je výsledkom sčítania mnohých malých, nezávislých vplyvov. Preto sa tak často stretávame s normálnym rozdelením.

Filip: Takže napríklad aj aproximácia binomického rozdelenia normálnym, ktorú sme spomínali, je vlastne dôsledkom tejto vety?

Simona: Presne tak. Pri veľkom počte pokusov 'n' sa binomické rozdelenie začne veľmi podobať na normálne rozdelenie. A to nám nesmierne zjednodušuje výpočty, pretože namiesto zložitých kombinačných čísel môžeme použiť tabuľky pre normálne rozdelenie.

Filip: Wow. Takže teória pravdepodobnosti nie je len o kockách a kartách, ale popisuje fundamentálne zákony, ako sa správa náhoda vo veľkom meradle. Toto bolo naozaj super, Simona, ďakujem!

Simona: Nemáš za čo, Filip. Dúfam, že to pomôže aj našim poslucháčom pri príprave na skúšku. Kľúčové je pochopiť tie základné myšlienky, potom do seba všetko zapadne.

Filip: No a keď sme už pri týchto veľkých zákonoch... doteraz sme sa bavili hlavne o diskrétnych javoch. Počet úspechov, počet hodov kockou... ale čo veci, ktoré sa nedajú počítať na kusy? Ako napríklad čas, výška, alebo hmotnosť?

Simona: Výborná otázka, Filip. Tým sa dostávame do sveta spojitých náhodných premenných. To sú premenné, ktoré môžu nadobudnúť akúkoľvek hodnotu v nejakom intervale. Napríklad čas môže byť 1.5 sekundy, 1.51 sekundy, 1.511 sekundy a tak ďalej.

Filip: Takže nekonečne veľa možností. Ako sa potom pre ne počíta pravdepodobnosť? Pravdepodobnosť, že budem merať presne 180,00000... centimetrov, musí byť prakticky nulová, nie?

Simona: Presne tak! Pri spojitých premenných je pravdepodobnosť akejkoľvek jednej konkrétnej hodnoty nula. Namiesto toho sa pýtame, aká je pravdepodobnosť, že hodnota padne do určitého intervalu. Napríklad, aká je šanca, že meriaš medzi 179 a 181 centimetrami.

Filip: Aha, to dáva zmysel. A na to asi tiež máme nejaké rozdelenia, však? A nejakú náhradu za tú pravdepodobnostnú funkciu?

Simona: Samozrejme. Pri spojitých rozdeleniach používame takzvanú funkciu hustoty pravdepodobnosti, označujeme ju f(x). Môžeš si ju predstaviť ako krivku a pravdepodobnosť je potom plocha pod touto krivkou v danom intervale. Celková plocha pod celou krivkou musí byť vždy presne 1.

Filip: Okej, funkcia hustoty. A ktoré je také najjednoduchšie spojité rozdelenie, kde by sme to mohli vidieť?

Simona: To by bolo rovnomerné rozdelenie. Tam je to naozaj jednoduché. Predstav si, že všetky hodnoty v nejakom intervale, povedzme od 'a' do 'b', majú úplne rovnakú šancu nastať. Žiadna hodnota nie je preferovaná.

Filip: Takže tá krivka hustoty by bola... proste rovná čiara? Ako obdĺžnik?

Simona: Presne! Graf hustoty je obdĺžnik. Jeho výška je konštantná a rovná sa 1/(b−a), aby celková plocha bola jedna. Stredná hodnota je jednoducho priemer hraníc, teda (a+b)/2.

Filip: A kde sa to používa? Znie to až príliš jednoducho na reálny svet.

Simona: Je to základ pre generovanie náhodných čísel v počítačoch. Alebo si predstav, že autobus chodí každých 10 minút a ty prídeš na zastávku v náhodný čas. Tvoj čas čakania má rovnomerné rozdelenie od 0 do 10 minút.

Filip: To znie užitočne pre simulácie. Ale čo ak udalosti nenastávajú rovnomerne? Napríklad čakanie na poruchu prístroja. Tam asi šanca nie je vždy rovnaká.

Simona: Na to máme exponenciálne rozdelenie. To popisuje čas medzi dvoma po sebe idúcimi udalosťami v Poissonovom procese. Pamätáš, Poisson rátal, *koľko* udalostí sa stane v intervale. Exponenciálne meria, *ako dlho* medzi nimi čakáme.

Filip: Takže sú to dve strany tej istej mince. Aký má parameter?

Simona: Má jeden parameter, lambda, čo je intenzita procesu – teda priemerný počet udalostí za časovú jednotku. Stredná hodnota čakania je potom prekvapivo jednoducho 1/λ.

Filip: A aká je jeho najzaujímavejšia vlastnosť?

Simona: Jednoznačne takzvaná „bezpamäťovosť“. To znamená, že pravdepodobnosť budúceho čakania vôbec nezávisí od toho, ako dlho sme už čakali. Je to jediné spojité rozdelenie s touto vlastnosťou.

Filip: Počkaj, počkaj. Takže ak mám žiarovku, ktorej životnosť má exponenciálne rozdelenie, a ona už svieti 500 hodín... tak šanca, že bude svietiť ďalších 100 hodín, je rovnaká, ako keby bola úplne nová?

Simona: Presne! Je to dosť neintuitívne, však? Žiarovka si „nepamätá“ svoju minulosť. Samozrejme, v reálnom svete sa súčiastky opotrebúvajú, ale pre mnohé systémy, ako napríklad príchod zákazníkov alebo rádioaktívny rozpad, je to prekvapivo presný model.

Filip: Dobre, poďme teraz k tomu najznámejšiemu. Všade ho vidím... tá slávna zvonová krivka. Normálne rozdelenie. Prečo je také dôležité?

Simona: Ah, Gaussova krivka. Je kráľovnou pravdepodobnosti z jedného kľúčového dôvodu, ktorý sa volá Centrálna limitná veta. Zjednodušene hovorí, že ak sčítaš veľa rôznych, nezávislých náhodných vplyvov, výsledok bude mať takmer vždy normálne rozdelenie.

Filip: Takže napríklad výška človeka? Tá je ovplyvnená genetikou, stravou, prostredím... kopou malých faktorov. A preto má výška v populácii normálne rozdelenie?

Simona: Presne si to vystihol. Rovnako aj IQ, chyby merania, alebo rôzne biologické veličiny. Je definované dvoma parametrami: strednou hodnotou Mí, ktorá určuje, kde je vrchol zvona, a rozptylom Sigma na druhú, ktorý určuje, aký je zvon široký alebo úzky.

Filip: Takže Mí posúva krivku doľava a doprava a Sigma ju buď stláča alebo rozťahuje.

Simona: Presne tak. Je dokonale symetrické okolo svojej strednej hodnoty, ktorá je zároveň mediánom aj modusom. A jeho chvosty sa asymptoticky blížia k nule, ale nikdy sa jej nedotknú.

Filip: Chápem. Takže ak mám výsledky IQ testu s priemerom 100 a výsledky testu z matematiky s priemerom 70, obe môžu mať normálne rozdelenie. Ako ich ale môžem porovnať? Ako zistím, či je skóre 115 v IQ teste lepšie ako skóre 80 z matematiky?

Simona: Skvelá otázka, ktorá nás privádza k štandardizácii. Je to proces, ktorým akékoľvek normálne rozdelenie premeníme na jedno univerzálne, takzvané štandardné normálne rozdelenie. To má priemer nula a smerodajnú odchýlku jedna.

Filip: A ako sa to urobí? Nejakým magickým vzorcom?

Simona: Je to celkom jednoduchý vzorec. Od každej hodnoty X odčítaš priemer Mí a výsledok vydelíš smerodajnou odchýlkou Sigma. Výsledok, ktorý označujeme Z, sa volá Z-skóre.

Filip: Z-skóre... to mi hovorí, koľko smerodajných odchýlok je moja hodnota vzdialená od priemeru, správne?

Simona: Presne tak. Ak máš Z-skóre 1.5, znamená to, že tvoj výsledok je 1.5 smerodajnej odchýlky nad priemerom. A to ti umožňuje porovnávať hodnoty z úplne odlišných škál. Vypočítaš Z-skóre pre IQ aj pre matematiku a hneď vidíš, ktorý výsledok je relatívne lepší.

Filip: To je naozaj mocný nástroj. Existuje nejaká jednoduchá pomôcka, ako si to Z-skóre predstaviť?

Simona: Existuje. A s tým súvisí veľmi praktické empirické pravidlo, niekedy nazývané aj pravidlo 68–95–99,7. Hovorí nám, aká časť dát leží v okolí priemeru.

Filip: To znie ako nejaké tajné heslo. Čo to znamená?

Simona: Je to jednoduché. Približne 68 % všetkých hodnôt leží v intervale plus-mínus jedna smerodajná odchýlka od priemeru.

Filip: Okej, takže viac ako dve tretiny sú celkom blízko stredu.

Simona: Presne. Približne 95 % hodnôt leží v intervale plus-mínus dve smerodajné odchýlky. A takmer všetko, presnejšie 99,7 % hodnôt, nájdeš v intervale plus-mínus tri smerodajné odchýlky.

Filip: Takže ak viem priemer a smerodajnú odchýlku, viem okamžite odhadnúť, kde leží drvivá väčšina dát. To je super užitočné na rýchlu kontrolu alebo hľadanie extrémnych hodnôt!

Filip: Je normálne rozdelenie vrcholom všetkého, alebo existujú aj ďalšie dôležité spojité rozdelenia, ktoré by maturanti mali poznať?

Simona: Existuje celá "rodina" rozdelení, ktoré sú odvodené od normálneho a sú kľúčové pre štatistické testovanie. Spomeniem tri najdôležitejšie. Prvým je Studentovo t-rozdelenie.

Filip: Studentovo? To znie... študentsky.

Simona: Názov je podľa pseudonymu "Student", pod ktorým publikoval William Gosset. Toto rozdelenie je veľmi podobné normálnemu, ale má "tučnejšie chvosty". Používa sa hlavne vtedy, keď máme malú vzorku a nepoznáme rozptyl celej populácie.

Filip: Takže pripúšťa väčšiu neistotu a väčšiu šancu na extrémne hodnoty.

Simona: Presne. Potom máme chí-kvadrát rozdelenie. To vzniká, keď sčítame štvorce niekoľkých nezávislých štandardných normálnych premenných. Je asymetrické a používa sa napríklad v testoch zhody, keď chceme zistiť, či naše dáta pasujú na nejaké teoretické rozdelenie.

Filip: Dobre, to je už trochu zložitejšie. A to tretie?

Simona: Tretie je F-rozdelenie. Vzniká ako podiel dvoch nezávislých chí-kvadrát rozdelení. Znie to komplikovane, ale je extrémne dôležité napríklad v analýze rozptylu, známej ako ANOVA, keď chceme porovnať priemery viacerých skupín naraz.

Filip: Wow. Takže normálne rozdelenie je taký základný stavebný kameň pre kopu ďalších štatistických nástrojov. Je to ako abeceda, z ktorej sa potom skladajú slová a vety.

Simona: Nádherná analógia. Presne tak to je.

Filip: Takže, ak to mám celé zhrnúť... prešli sme si cestu od jednoduchého rovnomerného rozdelenia, cez exponenciálne rozdelenie s jeho zvláštnou "bezpamäťovosťou", až po všadeprítomné normálne rozdelenie a jeho "rodinu", ktorá je základom pre mnohé štatistické testy.

Simona: Presne tak. Každé rozdelenie je ako špecifický nástroj. Opisuje iný typ náhodného procesu. Kľúčom je vedieť, ktorý nástroj použiť na ktorý problém. A pochopiť predpoklady, za ktorých ten nástroj funguje správne.

Filip: Simona, toto bola absolútne fantastická jazda svetom pravdepodobnosti. Od základných pojmov až po tieto zložité, no elegantné myšlienky. Myslím, že naši poslucháči majú teraz v rukách všetko, čo potrebujú, aby na tej skúške zažiarili. Obrovská vďaka!

Simona: Veľmi rada som pomohla, Filip. A poslucháčom držím palce. Pamätajte, štatistika nie je o memorovaní vzorcov, ale o pochopení príbehu, ktorý nám dáta rozprávajú.

Filip: Krásne povedané. Týmto sa pre dnešok lúčime. Toto bol Studyfi Podcast. Počujeme sa nabudúce!