Category Archive for: 统计

MATLAB

MATLAB家庭作业帮助 统计和机器学习Toolbox™提供功能和应用程序来描述,分析和建模数据。您可以使用描述性统计和绘图进行探索性数据分析,拟合概率分布到数据,生成蒙特卡罗模拟的随机数,并进行假设检验。回归和分类算法可以从数据和构建预测模型中得出推论。 对于多维数据分析,统计和机器学习工具箱提供特征选择,逐步回归,主成分分析(PCA),正则化和其他维数降低方法,让您识别影响模型的变量或特征。 该工具箱提供监督和无监督的机器学习算法,包括支持向量机(SVM),提升和包装决策树,k-最近邻,k-均值,k-型,分层聚类,高斯混合模型和隐马尔可夫模型。许多统计学和机器学习算法可以用于太大而不能存储在存储器中的数据集的计算。 从样本数据计算描述性统计量,包括中心趋势,色散,形状,相关性和协方差的度量。制作和交叉数据,并计算分组数据的摘要统计信息。如果您的数据包含缺失(NaN)值,则MATLAB®算术运算函数返回NaN。但是,统计和机器学习工具箱™中提供的专门功能忽略这些缺失值,并返回使用剩余值计算的数值。有关详细信息,请参阅缺少值的数据。 我喜欢什么关于Matlab: 我精通 数字分析师是通用语言。 分析工具非常好。这是我使用Matlab而不是八度的唯一原因。 有一个免费软件克隆,八度,符合参考实现。 我不喜欢Matlab: 没有一个很好的系统管理第三方(免费或其他)的包和脚本。 Mathworks控制“中央文件交换”,安装附加包似乎非常笨重,没有像R那样优秀的系统。此外,Mathworks没有动力改善这种情况,因为他们赚钱销售与免费软件包竞争的工具箱; Matlab中并行计算的许可证是非常昂贵的; 许多m代码,包括许多工具箱功能和一些内置函数,被设计为显然是正确的,牺牲了效率和/或可用性。最明显的例子是Matlab的中值函数,它执行一种数据,然后取中间值。这是70年代以来错误的算法。 将图形保存到文件最好在Matlab中。 我在过去5年没有发现我的用户体验有所改善(即使我开始使用Matlab而不是八度音阶),尽管Mathworks继续添加响铃和口哨。这表明我不是他们的目标客户,而是希望通过使权力用户变得更糟,扩大市场份额。 现在有两种方法可以在Matlab中进行面向对象的编程,这是最令人困惑的。使用旧样式的旧版代码将持续一段时间。 Matlab UI是用Java编写的,它有关于内存管理的不愉快的想法。 校园有一个站点许可证,允许教师,工作人员,博士后和学生在大学拥有和个人拥有的设备上安装和使用Matlab。不是员工的学生(不是GSI或GSR)可以在个人拥有的设备上安装和使用Matlab来满足UCB提供的课程和学习的课堂要求。 如果您希望在上述条件下在自己的机器上安装Matlab,请填写此表格,我们将与您联系,了解如何进行安装。如果您不符合条件(例如,如果您是访问者),但想要个人购买Matlab,则需要直接与Mathworks联系。 请注意,如果您的计算机由SCF维护,则已经有Matlab可用。此外,所有SCF服务器和实验室机器都安装了Matlab并可供您使用。 如果您不符合Matlab在您的机器上的资格,这里有一些替代方法: 如果您不需要特定的Matlab工具箱,您可以免费在任何机器上安装Octave。它可以运行Matlab代码,并有自己的套件类似于Matlab工具箱。 您可能需要考虑登录我们的一个Linux服务器,并通过RDP远程运行Matlab图形界面。 我们可以帮助您将Matlab代码或工作流程移植到其他应用程序中。 虽然使用重采样所需的简单的计算机技能并不是微不足道的,但我们认为它们比分析数学远远不及分析数学,这些分析数学是传统方式学习推理的统计学家的后代。如果电脑在100年前可用,我们认为统计推断可能会以重采样为基础而发展起来。作为对这一完全推测性声明的支持,我们注意到,传统推理理论(即t分布)的最重要的发展之一是上世纪初由William Gosset基于重采样技术(和乏味的手工计算器) )。 无论其优点如何,现代计算机密集型技术和重采样统计软件都不会自动将数据转换为答案。相反,他们允许您设计和执行计算机实验,以找到自己的问题的答案。展示如何使用软件并说明一些常见类型的实验,但它们并不涵盖最重要的情况:专门针对您要查询的数据的问题。我们希望Resampling Stats能让您有机会回答有关您自己的数据的重要问题。 语言软件主要用于数字计算,但也用于其他目的,如数据,算法和其他编程语言(如C,C ++,Java)的实现,并包含图形投影。需要项目或任何其他帮助的学生可以简单地登录到www.homeworkchina.com,其中将以他们选择的必要引用格式向他们提供解决方案,并且是无剽窃的。

数学

数学家庭作业帮助 Mathematica是一个象征性的数学计算程序,有时被称为计算机代数程序,用于许多科学,工程,数学和计算领域。这是由史蒂芬·沃尔夫兰(Stephen Wolfram)设想的,由伊利诺伊州香槟的Wolfram Research开发。 Wolfram语言是数学中使用的编程语言。 功能包括即时动态交互,高冲击自适应可视化,符号界面构建,按需加载数据,图像和音频处理,神经网络,3D打印以及用于连接到DLL,SQL,Java,.NET,C ++的工具,Fortran,CUDA,OpenCL和基于http的系统。 数学的核心是一种语言。一个非常强大的象征性语言。建立在四分之一世纪以来非常谨慎,现在整合了大量的知识和计算。 用这种语言编写了数以百万行的代码,用于各种目的。而今天,特别是通过网络和云计算可以实现新的大规模部署选择 – 语言准备在使用中大幅扩展。 但是有一个问题。这是一个令人尴尬的问题 – 我一直在想20多年。问题是:应该用什么语言? 通常在这个博客上讨论我们作为一家公司的活动时,我会谈论我们所做的进展,或者我们已经解决的问题。但是今天我要做一个例外,而是谈一个我们还没有解决的问题,但需要解决。 你可能会说,“拿出一个名字有多难?”根据我的经验,一些名字很容易想出来。但其他人真的很辛苦。这是一个非常难的例子。 (也许这篇文章的很长的篇幅介绍了一些困难 我们从一开始就谈论一下名字。有一些名字,比如说“夸克”,实际上只是随机的话。而且必须通过明确描述“外部”来获得所有的意义。但还有其他一些例如“网站”,只是从它们包含的单词或单词的根源来看,他们的意思就是这样。 我在我的时间里命名了各种各样的东西。科学概念。技术。产品。数学功能。我在不同的情况下使用了不同的方法。在一些情况下,我使用了“随机词”(并且长久以来,基于数学的数学发音器听起来不错)。但是,我经常尝试用一个熟悉的单词或单词来捕捉我所命名的精髓。 毕竟,当我们命名与我们公司有关的事情时,我们已经有一个“随机”的基本词:“wolfram”。有一段时间,我对使用它有点尖锐,因为这是我的姓氏。但是近年来,越来越多的“词汇胶”将我们正在做的大部分事情的名字保持在一起。 所以,例如,我们有专门的市场上有Wolfram Finance Platform或Wolfram SystemModeler的产品,这些产品有“随机”的wolfram字样,但是还是试图直接或多或少地说出他们是什么,他们做什么。 Wolfram | Alpha是针对更广泛的受众群体,而且是一个更复杂的案例。因为简而言之,我们需要捕捉几乎全新的概念。我们将Wolfram | Alpha描述为“计算知识引擎”。但是我们如何缩小这个名字呢? 我花了很长时间思考,最终决定我们不能真正地以这个名义传达这个概念,而是应该传达一些系统的意义和特征。这就是我们最终用“阿尔法”:“字母简单”,与语言的联系,技术性质,初步的软件步骤,以及第一,顶级。我很高兴地说这个名字已经很好了。 好。那么我们想要命名的语言呢?应该叫什么? 嗯,我很确定“语言”这个词应该出现在名字中,或者至少能够被列入名字。因为如果没有别的,我们真正的是一个典型的一种语言:一组可以串在一起代表无限范围意义的结构。 然而,我们的语言与普通人类的自然语言有所不同,最重要的是,它完全可执行:一旦我们用语言表达某事,就立即给出了一个规则,指出一个独特的计算行为序列被带走 在这方面,我们的语言就像一种典型的计算机语言。但是,实践和哲学都有重要的区别。典型的计算机语言(如C或Java或Python)拥有一小部分简单的内置操作,然后集中精力组织这些操作来构建程序。但是在我们语言建构的语言中,是一个巨大的计算能力和知识。 在典型的计算机语言中,可能存在用于不同类型的计算的库。但他们不是语言的一部分,并不能保证它们可以组合在一起,也可以建立在其上。但是在我们的语言中,这个概念从一开始就是建立在尽可能多的地方,建立一个连贯的结构,尽可能多的自动化。实际上,这意味着我们的语言有成千上万的精心设计的功能和结构,可以自动执行广泛的计算并以立即可用的方式提供知识。 因此,在其基本运作模式的某些方面,我们的语言与典型的计算机语言相似,其广度和内容更让人联想到人类语言 – 从某种意义上说,它概括并加深了语言的两个概念。 但是,应该叫什么?嗯,我很早就开始考虑这个,实际上是在1990年。软件世界是不一样的,当时我们可以用不同的方法来部署这个语言。但是尽管已经对软件工程进行了相当多的工作,但是我们到目前为止还没有发布。而令人尴尬的唯一最大的原因就是我们根本无法拿出一个我们喜欢的名字。 Mathematica是一个数学计算程序,使用Wolfram作为编程语言构建。数学项目帮助是学习数学或在工程,科学,数学和计算领域工作的专业人士最受追捧的事情之一。 我们通过我们的24/7在线支持提供数学家庭作业帮助。我们专业的数学专家在最后期限内帮助数学分配与质量解决方案。您可以联系我们,以防您时间短,需要帮助Mathematica家庭作业,我们的在线数学家教师将了解您的要求并提供解决方案。

线性统计模型

线性统计模型家庭作业帮助 线性回归是最基本的回归类型和常用预测分析。回归的总体思路是检查两件事情:(1)一组预测变量在预测结果变量方面做得很好?使用预测因子的模型是否影响因变量的变化? (2)哪些变量特别是因变量的重要预测因子?他们以什么方式 – 由β估计的大小和标志表示 – 影响因变量?这些回归估计用于解释一个因变量与一个或多个独立变量之间的关系。 (3)什么是回归方程,显示如何使用一组预测变量来预测结果?具有一个相关和一个独立变量的方程式的最简单形式由公式y = c + b * x定义,其中y =估计的依赖分数,c =常数,b =回归系数,x =自变量。 命名变量。回归的因变量有很多名称。它被称为标准变量,内源变量,预后变量或回归。独立变量可以称为外生变量,预测变量或回归。 更多关于回归的使用。回归分析的三个主要用途是(1)因果分析,(2)预测效应,(3)趋势预测。除了关注两个或多个变量之间关系的强度的相关分析之外,回归分析假定一个或多个独立变量和一个因变量之间存在依赖关系或因果关系。 首先,可以使用回归来确定自变量对因变量的影响的强度。典型的问题是剂量和效应,销售和营销支出,年龄和收入之间的关系是什么。 其次,它可以用来预测变化的影响或影响。也就是说,回归分析有助于我们了解因变量随着一个或多个独立变量的变化而变化的程度。典型的问题是,“我可以再获得多少额外的单位X?” 第三,回归分析预测趋势和未来价值。回归分析可用于得到点估计。典型的问题是“从现在起6个月内黄金的价格是多少?” “任务X的总体努力是多少?” 研究人员可以使用几种线性回归分析。 简单线性回归 1个因变量(间隔或比例),1个独立变量(间隔或比例或二分) 多元线性回归 1因变量(间隔或比例),2+自变量(间隔或比例或二分) 逻辑回归 1个因变量(二进制),2个独立变量(间隔或比例或二分) 有序回归 1个因变量(序数),1个独立变量(名义或二分) 多项式回归 1个因变量(名义),1个独立变量(间隔或比例或二分) 判别分析 1个因变量(标称值),1个独立变量(间隔或比例) 当选择模型进行分析时,另一个重要的考虑因素就是模型拟合。将自变量添加到线性回归模型将总是增加模型的解释方差(通常表示为R 2)。然而,为模型添加越来越多的变量使得其效率低下并且可能发生过度拟合。奥卡姆的剃刀非常好地描述了这个问题 – 一个模型应尽可能简单但不简单。在统计学上,如果模型包含大量变量,则随机效应变量将具有统计学显着性的概率增加。 回归分析的第二个关切是适应。这意味着回归分析的估计是有偏见的。在模型中包含一个额外的独立变量将降低独立变量的效应强度时,进行拟合。当使用线性回归来证明不存在的因果关系时,大多数情况下拟合发生。这可能是由于研究者的经验实用主义或模型缺乏合理的理论依据。 解决方案可以通过编辑您的方法和结果章节来帮助进行定量分析。有关我们如何协助的更多信息。 线性和矩阵代数概念,矩阵的广义逆矩阵,多元正态分布,正态随机向量中二次形式的分布,满秩和小于全秩线性模型的最小二乘估计,线性限制下的估计,测试线性假设。 简单的线性回归是具有广泛应用的建模技术。简单的线性回归是各种回归建模技术中更简单和更简单的建模技术之一。 回归分析是一种建模技术,用于分析连续因变量Y与一个或多个独立变量X1,X2,X3之间的关系。简单线性回归具有简单的概念,因为它只评估一个变量X1。简单线性回归得到术语变量,因为它假定从属变量和独立变量之间存在线性关系。 回归分析用于各种目的。回归分析的应用一般可以分为数据分析和变量预测。其他回归分析技术包括但不限于多元回归模型,曲线回归模型,多项式回归模型,判别分析模型……….(一个很长的列表!)。 统计学是对数据的收集,组织,分析,解释和呈现的研究。它处理这方面的所有方面,包括在调查和实验设计方面的数据收集计划。 我们提供的独特功能是我们可以在您和专家之间安排的互动会话。您可以向专家指定输出格式,引用,格式,时间轴等。只有在您绝对确定期望和期限后才付款。 我们在家庭作业能够提供最佳统计数据/家庭作业帮助,使用最新的软件和统计工具进行数据分析,如:

线性规划问题

线性规划问题家庭作业帮助 线性规划(LP)(也称为线性优化)是在数学模型中实现最佳结果(如最大利润或最低成本)的方法,其需求由线性关系表示。 线性规划是采取与某些情况相关的各种线性不等式的过程,并找到在这些条件下可获得的“最佳”值。一个典型的例子将是材料和劳动力的限制,然后在这些条件下确定最大利润的“最佳”生产水平。 在“现实生活”中,线性规划是一个非常重要的数学领域的一部分,称为“优化技术”。这一研究领域(或至少其应用结果)每天都在资源的组织和分配中使用。这些“现实生活”系统可以有几十个或几百个变量,或更多。然而,在代数中,您只能使用简单(和可绘制)双变量线性案例。 解决线性规划练习的一般过程是绘制不平等(称为“约束”),以在x,y平面上形成一个封闭区域(称为“可行性区域”)。然后,您可以找出该可行性区域的角点坐标(即找到各条线对的交点),并在公式(称为“优化方程”)中测试这些角点,试图找到最高或最低的价值。 线性规划 有时称为线性优化的线性规划是由线性和非负性约束指定的凸多面体的最大化或最小化线性函数的问题。简单来说,线性规划是使用线性数学模型基于某些约束集的结果的优化。 线性规划在Wolfram语言中被实现为线性规划[c,m,b],其找到一个向量,其最大限度地限制受约束和限制。 线性规划理论属于凸优化理论,也被认为是运算研究的重要组成部分。线性规划广泛应用于商业和经济,但也可用于解决某些工程问题。 经济学中的例子包括Leontief的投入产出模型,影子价格的确定等,商业应用的一个例子将是利用相同的资源从同一原材料生产不同产品的工厂的利润最大化,以及示例工程应用包括切比雪夫近似和结构设计(例如,平面桁架的极限分析)。 线性规划可以使用在可视化固体的多边形边缘上运行的单纯形法(Wood和Dantzig 1949,Dantzig 1949)来求解,以找到最佳答案。 Khachian(1979)发现了一个多项式时间算法。 Karmarkar(1984)发现了一种更有效的多项式时间算法。这种方法通过固体的中间(使其成为所谓的内点法),然后变换和变形。可以说,内部方法早在20世纪60年代就以屏障功能方法的形式被称为知识,但随着卡马卡尔的宣传,媒体炒作导致了这些方法的广泛关注。 变量可能只采用整数值的线性规划称为整数编程。 在电视犯罪戏剧NUMB3RS的第4季开幕式“信任度量”(2007)中,数学天才Charlie Eppes使用“你不需要Karmarkar的算法”这个短语来表示“你不需要成为一名火箭科学家知道….” 线性规划示例1997 UG考试 一家公司使用两台机器(A和B)制造两个产品(X和Y)。生产的X的每个单位需要在机器A上处理时间为50分钟,机器B上处理时间为30分钟。生产的每个Y单位在机器A上需要24分钟的处理时间,在机器B上处理时间为33分钟。 在本周初,X股有30股,Y股90股。预计机A上可用的处理时间为40小时,机B预计为35小时。 预计本周对X的需求为75单位,Y预测为95单位。公司政策是在本周末将X股和Y股单位的合计最大化。 制定在本周作出的每个产品多少作为线性程序的问题。 以图形方式解决这个线性程序。 解 让 x是本周生产的X的单位数 y是本周产生的Y的单位数 那么约束是: 50x + 24y <= 40(60)机一次 30x + 33y <= 35(60)机器B时间 x> = 75 – 30 即x> = 45,因此生产X> =需求(75) – 初始库存(30),这确保我们满足需求 y> = 95 –…

Read More →

线性模型和马尔可夫链

线性模型和马尔可夫链家庭作业帮助 线性模型描述作为一个或多个预测变量的函数的连续响应变量。他们可以帮助您了解和预测复杂系统的行为或分析实验,财务和生物数据。 线性回归是用于创建线性模型的统计方法。该模型描述了因变量yy(也称为响应)作为一个或多个独立变量XiXi(称为预测变量)的函数之间的关系。线性模型的一般方程是: y =β0+ΣβiXi+εiy=β0+ΣβiXi+εi 其中ββ表示要计算的线性参数估计,εε表示误差项。 有几种类型的线性回归: 简单线性回归:仅使用一个预测因子的模型 多元线性回归:使用多个预测因子的模型 多变量线性回归:多个响应变量的模型 简单的线性回归通常在MATLAB中完成。对于多元和多元线性回归,请参阅统计和机器学习工具箱。它能够进行逐步,稳健和多元回归: 产生预测 比较线性模型拟合 绘制残差 评估适合度 检测异常值 要创建适合数据曲线和曲面的线性模型,请参阅曲线拟合工具箱。要从测量的输入 – 输出数据创建动态系统的线性模型,请参阅系统识别工具箱。要从非线性Simulink模型创建控制系统设计的线性模型,请参见Simulink控制设计。 通用线性模型(GLM)是应用和社会研究中使用的大多数统计分析的基础。它是t检验,方差分析(ANOVA),协方差分析(ANCOVA),回归分析和许多多变量方法的基础,包括因子分析,聚类分析,多维比例,判别函数分析,规范相关,和别的。由于其普遍性,该模式对社会研究学生很重要。虽然对GLM的深刻理解需要进行一些高级统计培训,但我将在此尝试介绍概念并提供非统计学描述。 双变量线性模型 图1.双变量图。 理解GLM的最简单的方法是双变量的情况。图1显示了两个变量的双变量图。这些可能是任何两个连续的变量,但在下面的讨论中,我们会将它们视为预测(在x轴上)和后测(在y轴上)。图上的每个点代表个人的预测试和后测分数。这种模式清楚地表现出积极的关系,因为一般来说,具有较高预测成绩的人也具有较高的后验,反之亦然。 线性回归方程 线性回归需要线性模型。没意外,对吧?但这真的是什么意思? 当每个项是常数或参数和预测变量的乘积时,模型是线性的。通过添加每个项的结果来构建线性方程。这将公式仅限于一种基本形式: Response = constant + parameter * predictor + … + parameter * predictor Y = b o + b1X1 + b2X2 + … + bkXk 统计学中,回归方程(或函数)在参数中是线性的时,是线性的。虽然方程在参数中必须是线性的,但可以以产生曲率的方式转换预测变量。例如,您可以包括一个平方变量以产生U形曲线。 Y = b…

Read More →

Back to Top