По той же методике, что и в записи о выборах 2016 г., сравнил ожидаемое и действительное число участков с практически целыми процентами явки в регионах России. Отклонение количества этих участков от ожидаемого с высокой вероятностью характеризует недобросовестный подсчет голосов и внесение в протоколы чисел, подсчитанных на калькуляторе, хотя,
(
Read more... )
Только я тут подумал… А нифига все эти характеристики не гауссовы. Всё-таки, чтобы дотянуть биномиальное распределение до нормального на хвостах, нужны выборки чудовищных объёмов. Так что, хотя качественно картина фальсификаций сохраняется, но количественно уровни значимости, полученные что по Пирсону, что по Гауссу, недостоверны.
P.S. С картами - не ко мне. Я их не умею читать и поэтому не люблю.
Reply
Reply
UPD: И действительно, 10^-35, но это ещё поди посчитай :(
Reply
import mpmath as mp
import math
from math import factorial as fact
def bin_sum(n,k):
mp.dps = n
p = mp.mpf(0.1)
q = mp.mpf(0.9)
s = mp.mpf(0.0)
for i in range(k,n+1):
s = s + p**i*q**(n-i)*fact(n)/fact(i)/fact(n-i)
return s
Reply
Но жутковато - такая и человечество поработить может ;)
function BinomialProbGE(Successes, Attempts: NativeInt; Probability: Double): Double;
var R, V: Double; i: NativeInt;
begin
R := Ln(1/Probability - 1); V := Attempts*Ln(Probability); Result := 0;
for i:=Attempts downto Successes do begin
Result := Result + Exp(V);
V := V + R - Ln((Attempts+1)/i-1);
end;
end;
Reply
Reply
Reply
Reply
Leave a comment