معلومة

كيف تقيس متوسط ​​قيم كي؟

كيف تقيس متوسط ​​قيم كي؟


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

إنه لأمر محرج بالنسبة لي أن أسأل هذا ولكن هذه هي الحياة. تم ذكر قاعدة بيانات Ki لبرنامج فحص الأدوية النفسانية NIMH (PDSP) كمصدر لمتوسط ​​تقارب الارتباط (Kأنا) القيم المعطاة في Goodman and Gilman ولكن كلما حاولت ، بطريقة ما ، تأكيد أن هذه القيم هي متوسطات تم الحصول عليها من PDSP ، أحصل على قيم بعيدة (تصل إلى 10000 ضعف) عن القيم الواردة في Goodman و Gilman. (ملاحظة. أنا أيضًا عالم رياضيات ، لذا فأنا أعرف كيفية أخذ المتوسط ​​، $ bar {x} = frac { sum_i ^ n x_i} {n} $ لذلك لا تحتاج إلى إمساك يدي أثناء العملية الحسابية بشيء بسيط مثل التعريف التقليدي للمتوسطات) لذلك توصلت إلى نتيجة مفادها أنني يجب أن أقوم بالحسابات بشكل خاطئ. من فضلك أرني كيف أفعلها بشكل صحيح. إليك لقطة شاشة لما يقوله Goodman و Gilman بالضبط وهو ما يحيرني:

أوه ونعم أنا أستخدم فقط قيم النقل البشري المستنسخة وليس فقط كل الأشياء التي تظهر.


منذ أن طرحت هذا السؤال اكتشفت الخطأ الذي أفعله في البحث عن K.أنا (أي ظننت أن حرف K.أنا المعرف كان اختبار يجند ومن ثم كنت أبحث عن المخدرات بطريقة خاطئة) القيم ولكن أيضًا كيف ، أظن حصل Goodman و Gilman على Kأنا القيم.

أعتقد أن ما فعلوه هو أنهم بحثوا عن يجند ساخن التي أعطت أكثر ثابتة و كثير كأنا القيم وأخذ متوسط ​​K المتسقأنا القيم (بتسامح نسبي ~ 100٪ بين النتائج). بالإضافة إلى ذلك ، نظرًا لأنني عرفت البيانات ، كما هو مذكور في الصفحة المعروضة أعلاه ، تم التقاطها في 30 يونيو 2009 ، تمكنت من حذف بعض المصادر التي ربما لم تكن متوفرة في PDSP في ذلك الوقت. باستخدام هذا تمكنت من الحصول على متوسط ​​ثابت كأنا القيم في الغالبية العظمى من الحالات (مع وجود عدد قليل من الاستثناءات على الأكثر).


كيف تقيس متوسط ​​قيم كي؟ - مادة الاحياء

أ = 4.00 درجات
أ- = 3.70 نقطة تراكمية
ب + = 3.33 نقطة تراكمية
ب = 3.00 نقطة
ب- = 2.70 نقطة تراكمية
C + = 2.30 نقطة تراكمية
C = 2.00 نقطة
ج- = 1.70 نقطة تراكمية
D + = 1.30 نقطة تراكمية
D = 1.00 نقطة
د- = 0.70 نقطة تراكمية

لا يتم أخذ دورات P / NP (Pass / No Pass) في الاعتبار في المعدل التراكمي للطالب
أنا (غير مكتمل) و W (الانسحاب) لا يحصلون على درجات ولا يؤثر على المعدل التراكمي

للحصول على مثال المعدل التراكمي للطالب ، يتم تقسيم إجمالي درجات الدرجات على إجمالي الساعات المعتمدة التي تمت محاولتها.

مجموع نقاط التقدير

المعدل التراكمي الحالي والتراكمي

يمكنك مجموع الخاص بك دورات الفصل الدراسي الحالي والاعتمادات من خلال حاسبة المعدل التراكمي عبر الإنترنت (أعلاه).

لحساب المعدل التراكمي الخاص بك، يمكنك استخدام هذه الأداة عبر الإنترنت. إذا كنت تفضل تحديد متوسط ​​درجة التقدير الإجمالي يدويًا ، فقم بإجمالي الساعات المعتمدة ثم نقاط التقدير من جميع الفصول الدراسية. قسّم مجموع الدرجات على إجمالي الساعات المعتمدة.

لحساب دورات AP أو Honors: عند أخذ دورات AP (التنسيب المتقدم) أو مرتبة الشرف ، يتم ترجيح نقاط الدرجات بشكل عام. على سبيل المثال ، تمت إضافة نصف نقطة (.50) لدورات الامتياز الدراسية ، وتضاف نقطة كاملة (1.0) لمقررات AP (ثم A يساوي 4.50 لفئة مرتبة الشرف ، أو 5.00 لفئة المستوى المتقدم). نظرًا لأن المدارس قد تختلف عند تعيين قيمة النقاط ، فاتصل بكليتك للحصول على نظام الدرجات الخاص بهم.)


الارتباط يدور حول كيفية تغير شيئين مع بعضهما البعض

الارتباط هو مفهوم رياضي مجرد ، ولكن ربما يكون لديك بالفعل فكرة عما يعنيه ذلك. فيما يلي بعض الأمثلة على الفئات العامة الثلاثة للارتباط.

كلما تناولت المزيد من الطعام ، من المحتمل أن ينتهي بك الأمر إلى الشعور بالشبع. هذه حالة عندما يتغير شيئين معًا بنفس الطريقة. يرتفع أحدهما (يأكل المزيد من الطعام) ، ثم يرتفع الآخر أيضًا (الشعور بالشبع). هذا ارتباط إيجابي.

الارتباط الإيجابي بين الطعام الذي يتم تناوله والشعور بالشبع. يتم تناول المزيد من الطعام ، وكلما شعرت بالشبع (الاتجاه إلى أعلى اليمين). كود R.

عندما تكون في سيارة وتذهب بشكل أسرع ، فمن المحتمل أن تصل إلى وجهتك بشكل أسرع وسيكون إجمالي وقت سفرك أقل. هذه حالة من شيئين يتغيران في الاتجاه المعاكس (سرعة أكبر ، لكن وقت أقل). هذا ارتباط سلبي.

ارتباط سلبي بين سرعة السيارة ووقت السفر. كلما زادت سرعة السيارة ، قل وقت السفر (الاتجاه إلى أسفل اليمين). كود R.

هناك أيضًا طريقة ثالثة ممكنة يمكن أن "يتغير" بها شيئين. أو بالأحرى لا تتغير. على سبيل المثال ، إذا كنت ستكتسب وزناً ونظرت إلى كيفية تغير درجات الاختبار ، فمن المحتمل ألا يكون هناك أي نمط عام للتغيير في درجات الاختبار. هذا يعني أنه لا يوجد ارتباط.

مؤامرة مبالغ فيها لا علاقة لها بين زيادة الوزن ودرجات الاختبار. كود R.


كيف ومتى ولماذا يجب تطبيع / توحيد / إعادة قياس بياناتك؟

قبل الخوض في هذا الموضوع ، دعنا نبدأ أولاً ببعض التعريفات.

"إعادة القياس" المتجه يعني إضافة أو طرح ثابت ثم الضرب أو القسمة على ثابت ، كما تفعل لتغيير وحدات قياس البيانات ، على سبيل المثال ، لتحويل درجة حرارة من مئوية إلى فهرنهايت.

تطبيع غالبًا ما يعني المتجه القسمة على معيار المتجه. غالبًا ما يشير أيضًا إلى إعادة القياس بالحد الأدنى ونطاق المتجه ، لجعل جميع العناصر تقع بين 0 و 1 وبالتالي جلب جميع قيم الأعمدة الرقمية في مجموعة البيانات إلى مقياس مشترك.

"التوحيد" غالبًا ما يعني المتجه طرح مقياس للموقع والقسمة على مقياس المقياس. على سبيل المثال ، إذا كان المتجه يحتوي على قيم عشوائية بتوزيع غاوسي ، فيمكنك طرح المتوسط ​​والقسمة على الانحراف المعياري ، وبالتالي الحصول على متغير عشوائي "عادي عادي" بمتوسط ​​0 وانحراف معياري 1.

بعد قراءة هذا المنشور ستعرف:

  • لماذا يجب عليك توحيد / تطبيع / قياس البيانات الخاصة بك
  • كيفية توحيد السمات الرقمية للحصول على متوسط ​​0 وتباين الوحدة باستخدام الحجم القياسي
  • كيفية تسوية السمات الرقمية الخاصة بك بين النطاق 0 و 1 باستخدام min-max scalar
  • كيفية التطبيع باستخدام عددي قوي
  • متى تختار التوحيد أو التطبيع

لماذا يجب عليك توحيد / تطبيع المتغيرات:

التوحيد:

يعد توحيد الميزات حول المركز والصفر مع الانحراف المعياري 1 أمرًا مهمًا عندما نقارن القياسات التي تحتوي على وحدات مختلفة. لا تساهم المتغيرات التي يتم قياسها بمقاييس مختلفة بشكل متساوٍ في التحليل وقد ينتهي بها الأمر إلى إنشاء قاعدة بيانات.

على سبيل المثال ، المتغير الذي يتراوح بين 0 و 1000 سوف يفوق متغيرًا يتراوح بين 0 و 1. سيؤدي استخدام هذه المتغيرات بدون توحيد إلى إعطاء المتغير ذي النطاق الأكبر وزنًا وهو 1000 في التحليل. يمكن أن يؤدي تحويل البيانات إلى مقاييس قابلة للمقارنة إلى منع حدوث هذه المشكلة. إجراءات توحيد البيانات النموذجية تعادل النطاق و / أو تباين البيانات.

تطبيع:

وبالمثل ، فإن هدف التسوية هو تغيير قيم الأعمدة الرقمية في مجموعة البيانات إلى مقياس مشترك ، دون تشويه الاختلافات في نطاقات القيم. بالنسبة للتعلم الآلي ، لا تتطلب كل مجموعة بيانات التطبيع. يكون مطلوبًا فقط عندما يكون للميزات نطاقات مختلفة.

على سبيل المثال ، ضع في اعتبارك مجموعة بيانات تحتوي على ميزتين ، العمر والدخل (x2). حيث يتراوح العمر بين 0-100 ، بينما يتراوح الدخل بين 0-100000 فأكثر. الدخل أكبر بحوالي 1000 مرة من العمر. إذن ، هاتان الميزتان في نطاقات مختلفة جدًا. عندما نقوم بمزيد من التحليل ، مثل الانحدار الخطي متعدد المتغيرات ، على سبيل المثال ، فإن الدخل المنسوب سيؤثر جوهريًا على النتيجة بشكل أكبر نظرًا لقيمته الأكبر. لكن هذا لا يعني بالضرورة أنه أكثر أهمية كمتنبئ. لذلك نقوم بتطبيع البيانات لجعل جميع المتغيرات في نفس النطاق.

متى يجب استخدام التطبيع والتوحيد القياسي:

تطبيع هي تقنية جيدة لاستخدامها عندما لا تعرف توزيع بياناتك أو عندما تعرف أن التوزيع ليس غاوسيًا (منحنى الجرس). تكون التسوية مفيدة عندما تحتوي بياناتك على مقاييس متفاوتة ولا تضع الخوارزمية التي تستخدمها افتراضات حول توزيع بياناتك ، مثل أقرب جيران k والشبكات العصبية الاصطناعية.

التوحيد يفترض أن بياناتك لها توزيع غاوسي (منحنى الجرس). لا يجب أن يكون هذا صحيحًا تمامًا ، لكن التقنية تكون أكثر فاعلية إذا كان توزيع السمات الخاص بك هو Gaussian. يكون التوحيد القياسي مفيدًا عندما يكون لبياناتك مقاييس متفاوتة والخوارزمية التي تستخدمها تضع افتراضات حول بياناتك التي لها توزيع غاوسي ، مثل الانحدار الخطي والانحدار اللوجستي والتحليل التمييزي الخطي.

مجموعة البيانات:

لقد استخدمت مجموعة بيانات Lending Club Loan من Kaggle لتوضيح أمثلة في هذه المقالة.

استيراد مكتبات:

استيراد مجموعة البيانات:

لنستورد ثلاثة أعمدة - مبلغ القرض ، و int_rate ، والقسط وأول 30000 صف في مجموعة البيانات (لتقليل وقت الحساب)

إذا قمت باستيراد البيانات بالكامل ، فستكون هناك قيم مفقودة في بعض الأعمدة. يمكنك ببساطة إسقاط الصفوف ذات القيم المفقودة باستخدام طريقة pandas drop na.

التحليل الأساسي:

دعنا الآن نحلل القيم الإحصائية الأساسية لمجموعة البيانات الخاصة بنا.

تقدم المتغيرات المختلفة نطاقات قيم مختلفة ، وبالتالي مقادير مختلفة. لا تختلف القيم الدنيا والقصوى فحسب ، بل إنها تنتشر أيضًا على نطاقات ذات عروض مختلفة.

التوحيد القياسي (القياسي القياسي):

كما ناقشنا سابقًا ، يعني التوحيد القياسي (أو تطبيع درجة Z) توسيط المتغير عند الصفر وتوحيد التباين عند 1. يتضمن الإجراء طرح متوسط ​​كل ملاحظة ثم القسمة على الانحراف المعياري:

نتيجة التوحيد القياسي هو أنه سيتم إعادة تقييم الميزات بحيث يكون لها خصائص التوزيع الطبيعي القياسي مع

حيث μ هو المتوسط ​​(المتوسط) و هو الانحراف المعياري عن المتوسط.

يزيل StandardScaler من sci-kit-Learn المتوسط ​​ويقيس البيانات حسب تباين الوحدة. يمكننا استيراد طريقة StandardScalar من sci-kit Learn وتطبيقها على مجموعة البيانات الخاصة بنا.

الآن دع & # 8217s تحقق من المتوسط ​​وقيم الانحراف المعياري

كما هو متوقع ، أصبح متوسط ​​كل متغير الآن قريبًا من الصفر وتم تعيين الانحراف المعياري على 1. وبالتالي ، تقع جميع القيم المتغيرة في نفس النطاق.

ومع ذلك ، تختلف القيم الدنيا والقصوى وفقًا لكيفية انتشار المتغير ، في البداية ، وتتأثر بشدة بوجود القيم المتطرفة.

التطبيع (Min-Max Scalar):

في هذا النهج ، يتم تحجيم البيانات إلى نطاق ثابت - عادة من 0 إلى 1.
على عكس التوحيد القياسي ، فإن تكلفة الحصول على هذا النطاق المحدود هي أننا سننتهي بانحرافات معيارية أصغر ، والتي يمكن أن تكبح تأثير القيم المتطرفة. وبالتالي فإن MinMax Scalar حساس للقيم المتطرفة.

عادةً ما يتم إجراء قياس Min-Max عبر المعادلة التالية:

لنستورد MinMaxScalar من Scikit-Learn ونطبقه على مجموعة البيانات الخاصة بنا.

الآن دعونا نتحقق من المتوسط ​​وقيم الانحراف المعياري.

بعد MinMaxScaling ، لا تتمركز التوزيعات عند الصفر والانحراف المعياري ليس 1.

لكن القيم الدنيا والقصوى موحدة عبر متغيرات ، تختلف عما يحدث مع التوحيد.

عددي قوي (التحجيم إلى المتوسط ​​والكميات):

يتكون القياس باستخدام الوسيط والكميات من طرح الوسيط لجميع الملاحظات ثم القسمة على الفرق بين الشرائح الربعية. يقيس الميزات باستخدام الإحصائيات القوية للقيم المتطرفة.

الفرق بين الربعية هو الفرق بين المقدار 75 و 25:

معادلة حساب القيم المقاسة:

أولاً ، قم باستيراد RobustScalar من تعلم Scikit.

تحقق الآن من قيم الانحراف المعياري والمتوسط.

كما ترى ، التوزيعات لا تتمركز في الصفر والانحراف المعياري ليس 1.

لم يتم تعيين القيم الدنيا والقصوى على حدود عليا وسفلية معينة كما هو الحال في MinMaxScaler.

أتمنى أن تكون قد وجدت هذه المقالة مفيدة. تعلم سعيد!

مراجع

كيف ومتى ولماذا يجب تطبيع / توحيد / إعادة قياس بياناتك؟ نُشر في الأصل في Towards AI - Multidisciplinary Science Journal on Medium ، حيث يواصل الأشخاص المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.


محتويات

فيثاغورس تعني تحرير

المتوسط ​​الحسابي (AM) تحرير

ال المتوسط ​​الحسابي (أو ببساطة يقصد) من قائمة الأرقام ، هو مجموع كل الأرقام مقسومًا على عدد الأرقام. وبالمثل ، متوسط ​​العينة x 1، x 2، ...، x n < displaystyle x_ <1>، x_ <2>، ldots، x_> ، عادةً ما يُرمز إليها بـ x ¯ < displaystyle < bar >> ، [1] هو مجموع قيم العينة مقسومًا على عدد العناصر في العينة

على سبيل المثال ، المتوسط ​​الحسابي لخمس قيم: 4 ، 36 ، 45 ، 50 ، 75 هو:

تعديل المتوسط ​​الهندسي (GM)

المتوسط ​​الهندسي هو متوسط ​​مفيد لمجموعات من الأرقام الموجبة ، والتي يتم تفسيرها وفقًا لمنتجها (كما هو الحال مع معدلات النمو) وليس مجموعها (كما هو الحال مع الوسط الحسابي):

على سبيل المثال ، المتوسط ​​الهندسي لخمس قيم: 4 ، 36 ، 45 ، 50 ، 75 هو:

المتوسط ​​التوافقي (HM) تحرير

المتوسط ​​التوافقي هو متوسط ​​مفيد لمجموعات من الأرقام التي يتم تحديدها بالنسبة لبعض الوحدات ، كما في حالة السرعة (أي المسافة لكل وحدة زمنية):

على سبيل المثال ، المتوسط ​​التوافقي للقيم الخمس: 4 ، 36 ، 45 ، 50 ، 75 هو

العلاقة بين AM و GM و HM Edit

تلبي AM و GM و HM هذه التفاوتات:

يتم تطبيق المساواة إذا كانت جميع عناصر العينة المعينة متساوية.

تحرير الموقع الإحصائي

في الإحصاء الوصفي ، قد يتم الخلط بين المتوسط ​​والوسيط أو النمط أو المدى المتوسط ​​، حيث يمكن أن يطلق على أي منها "متوسط" (بشكل أكثر رسمية ، مقياس الاتجاه المركزي). متوسط ​​مجموعة الملاحظات هو المتوسط ​​الحسابي للقيم ، ومع ذلك ، بالنسبة للتوزيعات المنحرفة ، لا يكون المتوسط ​​بالضرورة هو نفسه القيمة المتوسطة (الوسيط) ، أو القيمة الأكثر احتمالاً (الوضع). على سبيل المثال ، عادة ما ينحرف متوسط ​​الدخل إلى الأعلى من قبل عدد قليل من الأشخاص ذوي الدخول الكبيرة جدًا ، بحيث يكون دخل الغالبية أقل من المتوسط. على النقيض من ذلك ، فإن متوسط ​​الدخل هو المستوى الذي يكون فيه نصف السكان أقل والنصف الآخر أعلى. دخل الوضع هو الدخل الأكثر احتمالا ويفضل عددًا أكبر من الأشخاص ذوي الدخل المنخفض. في حين أن الوسيط والوضع غالبًا ما يكونان مقاييس بديهية لمثل هذه البيانات المنحرفة ، فإن العديد من التوزيعات المنحرفة يتم وصفها في الواقع بشكل أفضل من خلال متوسطها ، بما في ذلك التوزيعات الأسية والتوزيعات بواسون.

متوسط ​​توزيع الاحتمالات تحرير

متوسط ​​التوزيع الاحتمالي هو متوسط ​​القيمة الحسابية على المدى الطويل لمتغير عشوائي له هذا التوزيع. إذا تم الإشارة إلى المتغير العشوائي بواسطة X < displaystyle X> ، فإنه يُعرف أيضًا بالقيمة المتوقعة لـ X (يُشار إليها E (X) ). [1] للحصول على توزيع احتمالي منفصل ، يتم إعطاء المتوسط ​​بواسطة ∑ x P (x) < displaystyle textstyle sum xP (x)> ، حيث يتم أخذ المجموع على جميع القيم الممكنة للمتغير العشوائي و P (x) ) هي دالة كتلة الاحتمال. للتوزيع المستمر ، المتوسط ​​هو ∫ - ∞ ∞ xf (x) dx ^ xf (x) ، dx> ، حيث f (x) < displaystyle f (x)> دالة كثافة الاحتمال. [5] في جميع الحالات ، بما في ذلك تلك التي لا يكون فيها التوزيع منفصلاً ولا مستمرًا ، يكون المتوسط ​​هو تكامل ليبيج للمتغير العشوائي فيما يتعلق بقياس الاحتمالية. لا يلزم وجود المتوسط ​​أو أن يكون محدودًا لبعض التوزيعات الاحتمالية ، يكون الوسط غير محدود (+ ∞ أو −∞) ، بينما بالنسبة للآخرين ، المتوسط ​​غير محدد.

معمم يعني تحرير

القوة تعني التحرير

المتوسط ​​العام ، المعروف أيضًا باسم متوسط ​​القوة أو متوسط ​​هولدر ، هو تجريد للوسائل التربيعية والحسابية والهندسية والتوافقية. يتم تعريفه لمجموعة من ن أرقام موجبة xأنا بواسطة

عن طريق اختيار قيم مختلفة للمعلمة ميتم الحصول على الأنواع التالية من الوسائل:

م → ∞ الحد الأقصى x i < displaystyle x_>
م = 2 متوسط ​​من الدرجة الثانية
م = 1 المتوسط ​​الحسابي
م → 0 الوسط الهندسي
م = - 1 الوسط التوافقي
م → - ∞ الحد الأدنى x i < displaystyle x_>

F- يعني تحرير

يمكن تعميم هذا بشكل أكبر على أنه معنى f المعمم

ومرة أخرى ، سيعطي خيارًا مناسبًا لـ f القابل للانعكاس

و (س) = س المتوسط ​​الحسابي،
و (س) = 1 س >> الوسط التوافقي،
و (س) = س م > يعني القوة ،
و (س) = ln ⁡ (س) الوسط الهندسي.

المتوسط ​​الحسابي المرجح تحرير

يتم استخدام المتوسط ​​الحسابي الموزون (أو المتوسط ​​المرجح) إذا أراد المرء دمج القيم المتوسطة من عينات ذات أحجام مختلفة لنفس السكان:

اقتطاع يعني تحرير

في بعض الأحيان ، قد تحتوي مجموعة من الأرقام على قيم متطرفة (أي قيم بيانات أقل بكثير أو أعلى بكثير من القيم الأخرى). في كثير من الأحيان ، القيم المتطرفة هي بيانات خاطئة ناتجة عن القطع الأثرية. في هذه الحالة ، يمكن للمرء استخدام متوسط ​​مبتور. يتضمن تجاهل أجزاء معينة من البيانات في الطرف العلوي أو السفلي ، وعادة ما تكون كمية متساوية في كل نهاية ثم أخذ المتوسط ​​الحسابي للبيانات المتبقية. تتم الإشارة إلى عدد القيم التي تمت إزالتها كنسبة مئوية من إجمالي عدد القيم.

بين ربعي يعني تحرير

المتوسط ​​الربيعي هو مثال محدد للمتوسط ​​المبتور. إنه ببساطة الوسط الحسابي بعد إزالة أدنى وأعلى ربع من القيم.

بافتراض أن القيم قد تم ترتيبها ، فهذا مجرد مثال محدد للمتوسط ​​المرجح لمجموعة معينة من الأوزان.

يعني وظيفة تحرير

في هذه الحالة ، يجب توخي الحذر للتأكد من أن التكامل يتقارب. لكن المتوسط ​​قد يكون محدودًا حتى لو كانت الوظيفة نفسها تميل إلى اللانهاية في بعض النقاط.

متوسط ​​الزوايا والكميات الدورية

تتطلب الزوايا وأوقات اليوم والكميات الدورية الأخرى حسابًا معياريًا لجمع الأرقام ودمجها بطريقة أخرى. في كل هذه المواقف ، لن يكون هناك وسيلة فريدة. على سبيل المثال ، الأوقات قبل منتصف الليل وبعده بساعة متساوية في المسافة بين منتصف الليل والظهيرة. من الممكن أيضًا عدم وجود أي وسيلة. ضع في اعتبارك عجلة الألوان - لا توجد وسيلة لمجموعة كل الألوان. في هذه المواقف ، يجب أن تقرر الوسيلة الأكثر فائدة. يمكنك القيام بذلك عن طريق ضبط القيم قبل حساب المتوسط ​​، أو باستخدام نهج متخصص لمتوسط ​​الكميات الدائرية.

فريشيه يعني تحرير

يعطي متوسط ​​Fréchet طريقة لتحديد "مركز" التوزيع الشامل على سطح أو ، بشكل عام ، متشعب ريماني. على عكس العديد من الوسائل الأخرى ، يتم تعريف متوسط ​​Fréchet في مساحة لا يمكن بالضرورة إضافة عناصرها معًا أو ضربها بأعداد كبيرة. يُعرف أحيانًا أيضًا باسم كارشر يعني (سميت على اسم هيرمان كارشر).

تحرير حكم سوانسون

هذا تقريب لمتوسط ​​توزيع منحرف إلى حد ما. [9] يتم استخدامه في التنقيب عن المواد الهيدروكربونية ويتم تعريفه على أنه

أين ص10, ص50 و ص90 النسب المئوية العاشرة والخمسون والتسعون من التوزيع.

وسائل أخرى تحرير

غالبًا ما يتم الإشارة إلى المتوسط ​​الحسابي للسكان ، أو المتوسط ​​السكاني ميكرومتر. [1] النموذج يعني x ¯ >> (المتوسط ​​الحسابي لعينة من القيم المأخوذة من المجتمع) يجعل مقدرًا جيدًا لوسط المجتمع ، حيث أن قيمته المتوقعة تساوي متوسط ​​المحتوى (أي أنه مقدر غير متحيز). متوسط ​​العينة هو متغير عشوائي ، وليس ثابتًا ، نظرًا لأن قيمته المحسوبة ستختلف عشوائيًا اعتمادًا على أفراد المجتمع الذين تم أخذ عيناتهم ، وبالتالي سيكون لها توزيعها الخاص. لعينة عشوائية من ن ملاحظات مستقلة ، القيمة المتوقعة لمتوسط ​​العينة

وتباين متوسط ​​العينة

إذا تم توزيع السكان بشكل طبيعي ، فسيتم توزيع متوسط ​​العينة بشكل طبيعي على النحو التالي:

إذا لم يتم توزيع السكان بشكل طبيعي ، فإن متوسط ​​العينة يتم توزيعه بشكل طبيعي تقريبًا إذا ن كبير و σ 2 /ن & lt + ∞. هذا نتيجة لنظرية الحد المركزي.


2020 هارلي ديفيدسون

قائمة مقترحة - أعلى قائمة أسعار مقترحة للشركة المصنعة (الموزعون) في الولايات المتحدة عندما كانت الوحدة جديدة. ما لم تتم الإشارة إليه ، لا تشمل قائمة الأسعار المقترحة رسوم الوجهة أو إعداد الوكيل أو ضرائب الولاية أو المحلية أو علامات الترخيص أو التأمين.

انخفاض قيمة البيع بالتجزئة - قد يكون لوحدة البيع بالتجزئة المنخفضة البلى الشديد. قد يكون من أجزاء الجسم الخدوش والعيوب. يمكن للمشتري أن يتوقع الاستثمار في الأعمال التجميلية و / أو الميكانيكية. الآلة يجب ان تكون في وضع آمن للعمل. عادة لا توجد سيارات البيع بالتجزئة المنخفضة في الكثير من الوكلاء. التجزئة المنخفضة ليست قيمة التجارة.

متوسط ​​قيمة البيع بالتجزئة - يجب أن تكون وحدة البيع بالتجزئة العادية نظيفة وخالية من العيوب الواضحة. جميع المطاط والكابلات يجب أن تكون في حالة جيدة. الطلاء يجب أن تتطابق ويكون الانتهاء من جيدة. جميع الأضواء والمفاتيح يجب أن تعمل بشكل صحيح. يجب أن تكون المسافة المقطوعة ضمن النطاق المتوسط ​​أو أعلى قليلاً منه. وينبغي أن تجتاز هذه الوحدة أي تفتيش للانبعاثات.

ملاحظة: يمكن أن تكون قيمة المركبات / السفن في حالة استثنائية أعلى بكثير من متوسط ​​سعر التجزئة الموضح.


ما هي الآثار الجانبية لـ KI (يوديد البوتاسيوم)؟

قد تشمل الآثار الجانبية لـ KI (يوديد البوتاسيوم) اضطراب المعدة أو الجهاز الهضمي ، وردود الفعل التحسسية ، والطفح الجلدي ، والتهاب الغدد اللعابية.

عندما يؤخذ على النحو الموصى به ، يمكن أن يسبب KI (يوديد البوتاسيوم) آثارًا صحية ضارة نادرة تتعلق بالغدة الدرقية.

تزداد احتمالية حدوث هذه الآثار الضارة النادرة إذا كان الشخص:

  • يأخذ جرعة أعلى من الموصى بها من KI
  • يأخذ الدواء لعدة أيام
  • يعاني من مرض الغدة الدرقية الموجود مسبقًا.

الأطفال حديثي الولادة (أقل من شهر واحد) الذين يتلقون أكثر من جرعة واحدة من KI (يوديد البوتاسيوم) معرضون لخطر الإصابة بحالة تعرف باسم قصور الغدة الدرقية (مستويات هرمون الغدة الدرقية منخفضة للغاية). إذا لم يتم علاجه ، يمكن أن يسبب قصور الغدة الدرقية تلفًا في الدماغ.

  • يجب أن يخضع الأطفال الذين يتلقون أكثر من جرعة واحدة من KI لفحص ومراقبة مستويات هرمون الغدة الدرقية من قبل الطبيب.
  • تجنب تكرار جرعات KI لحديثي الولادة.

كيف تقيس متوسط ​​قيم كي؟ - مادة الاحياء

العمليات على الوظائف

في هذا القسم سوف نتعلم معنى جمع وطرح وضرب وقسمة دالتين. يعد تعلم هذه العمليات أمرًا مهمًا لأن أي دالة تقريبًا تواجهها هي مجموع أو فرق أو حاصل قسمة (أو أي مجموعة من هذه العمليات) لوظائف أبسط. سوف تتعلم أيضًا العثور على المجال ونطاق هذه الوظائف.

مجموع دالتين

افترض أن لدينا وظيفتين ، F(x) و ز(x). يمكننا تحديد مجموع هاتين الوظيفتين من خلال ،

أين x في مجال كليهما F و ز.

على سبيل المثال ، يمكننا إضافة الوظائف F(x) = x 2 & ناقص 1 و ز(x) = 2x 3 + 3 كـ ،

مجال (F + ز)(x) يتكون من الكل x- القيم التي تقع في مجال كليهما F و ز. في هذا المثال، F و g لهما مجال يتكون من جميع الأرقام الحقيقية ، لذلك (F + ز)(x) يحتوي أيضًا على مجال يتكون من جميع الأرقام الحقيقية.

الفرق بين وظيفتين

افترض أن لدينا وظيفتين ، F(x) و ز(x). يمكننا تحديد الفرق بين هاتين الوظيفتين من خلال ،

أين x في مجال كليهما F و ز.

مجال (F &ناقص ز)(x) يتكون من الكل x- القيم التي تقع في مجال كليهما F و ز. في هذه الحالة، F لديه المجال ، و ز لديه مجال جميع الأرقام الحقيقية ، لذلك (F &ناقص ز)(x) له مجال ، لأن هذه القيم x في مجال كليهما F و ز.

نتاج وظيفتين

افترض أن لدينا وظيفتين ، F(x) و ز(x). يمكننا تحديد ناتج هاتين الوظيفتين من خلال ،

أين x في مجال كليهما F و ز.

على سبيل المثال ، يمكننا ضرب الدوال F(x) = 1/ x و ز(x) = 2 كـ ،

مجال (F و middotز)(x) يتكون من الكل x- القيم التي تقع في مجال كليهما F و ز. في هذا المثال، F له مجال <x | x & ne 0> ، و g لديها مجال لجميع الأرقام الحقيقية ، لذلك (F و middot ز)(x) له مجال <x | x & ne 0> ، لأن هذه القيم x في مجال كليهما F و ز.

حاصل دالتين

افترض أن لدينا وظيفتين ، F(x) و ز(x). يمكننا تحديد حاصل هاتين الوظيفتين من خلال ،

أين x في مجال كليهما F و ز. من المهم أن تحددز(x) & ne 0 لأننا لا نستطيع القسمة على صفر. على سبيل المثال ، يمكننا تقسيم الوظائف F(x) = x & ناقص 7 و ز(x) = x + 5 كـ ،

مجال (F/ز) (x) يتكون من الكل x- القيم التي تقع في مجال كليهما F و ز، أين ز(x) & ني 0. كلاهما F و ز لديك مجال جميع الأرقام الحقيقية ، ولكن ز(x) = 0 عندما x = & ناقص 5. وهكذا ، فإن مجال (F/ز) (x) هو <x | x & ني & ناقص 5>.

في القسم التالي نتعلم كيف نأخذ تكوين وظيفتين.


قائمة الأقسام - تشمل إجمالي الدرجات والدرجات الفرعية (إن وجدت) لجميع الطلاب الذين تم اختبارهم ، والمدرجة أبجديًا حسب الاسم الأخير.

ملخص القسم: إجمالي الدرجات والدرجات الفرعية - يشمل توزيعات التكرار لإجمالي الدرجات والنتائج الفرعية ، مع إظهار النسبة المئوية للطلاب الذين حصلوا على درجات أقل من كل نسبة مئوية. يتم أيضًا عرض متوسط ​​درجات المقياس على مستوى الأقسام والانحراف المعياري. لا يتضمن ملخص القسم درجات الطلاب الذين أجابوا على أقل من 50٪ من أسئلة الاختبار في أحد أقسام الاختبار أو كليهما.

ملخص القسم: مؤشرات التقييم - يوفر قائمة بالمتوسط ​​(المتوسط) في المئة الصحيحة لأسئلة الاختبار التي تمت الإجابة عليها في مجالات فرعية / مناطق محتوى للمجموعة ككل.

تقرير الملخص الديموغرافي للأقسام - يوفر معلومات ديموغرافية للطالب مأخوذة مباشرة من أوراق الإجابة وملخصة للمجموعة ككل.

تقرير الطالب الفردي - يشمل إجمالي الدرجات والدرجات الفرعية لكل طالب تم اختباره ، جنبًا إلى جنب مع المعلومات التفسيرية.

لمزيد من المعلومات حول التقارير الأخرى ، راجع قسم التقارير.


الصيغة الخاصة بـ Chi-Square هي

هناك نوعان رئيسيان من اختبارات مربع كاي: اختبار الاستقلال ، الذي يطرح سؤالاً عن العلاقة ، مثل "هل هناك علاقة بين جنس الطالب واختيار الدورة؟" واختبار جودة الملاءمة ، الذي يسأل شيئًا مثل "ما مدى توافق العملة المعدنية التي في يدي مع عملة عادلة من الناحية النظرية؟"

استقلال

عند النظر في جنس الطالب واختيار المقرر الدراسي ، أ χ 2 اختبار الاستقلال يمكن استخدامها. لإجراء هذا الاختبار ، يقوم الباحث بجمع بيانات عن المتغيرين المختارين (الجنس والدورات المختارة) ثم يقارن التكرارات التي يختار فيها الطلاب والطالبات من بين الفصول الدراسية المقدمة باستخدام الصيغة الواردة أعلاه و a χ 2 جدول إحصائي.

إذا لم تكن هناك علاقة بين الجنس واختيار الدورة (أي إذا كانا مستقلين) ، فمن المتوقع أن تكون التكرارات الفعلية التي يختار فيها الطلاب والطالبات كل دورة معروضة متساوية تقريبًا ، أو العكس ، نسبة الذكور والإناث. يجب أن تكون الطالبات في أي دورة مختارة مساوية تقريبًا لنسبة الطلاب والطالبات في العينة. أ χ يمكن أن يخبرنا الاختبار الثاني للاستقلالية عن مدى احتمالية أن تفسر الصدفة العشوائية أي فرق ملحوظ بين الترددات الفعلية في البيانات وهذه التوقعات النظرية.

حسن التلاؤم

χ يوفر الشكل 2 طريقة لاختبار مدى تطابق عينة من البيانات مع الخصائص (المعروفة أو المفترضة) للمجتمع الأكبر الذي تهدف العينة إلى تمثيله. إذا كانت بيانات العينة لا تتناسب مع الخصائص المتوقعة للسكان الذين نهتم بهم ، فلن نرغب في استخدام هذه العينة لاستخلاص استنتاجات حول السكان الأكبر.

على سبيل المثال ، ضع في اعتبارك عملة وهمية لها فرصة 50/50 بالضبط لرؤوس أو ذيول وعملة حقيقية ترميها 100 مرة. إذا كانت هذه العملة الحقيقية لها قيمة عادلة ، فسيكون لها أيضًا احتمال متساوٍ للهبوط على أي من الجانبين ، والنتيجة المتوقعة لرمي العملة 100 مرة هي أن الصورة ستظهر 50 مرة وذيولها ستظهر 50 مرة. في هذه الحالة، χ يمكن أن يخبرنا الرقم 2 عن مدى جودة النتائج الفعلية لقلب 100 عملة معدنية مقارنة بالنموذج النظري الذي يعطي عملة عادلة نتائج 50/50. يمكن أن تظهر القرعة الفعلية بنسبة 50/50 ، أو 60/40 ، أو حتى 90/10. كلما كانت النتائج الفعلية لـ 100 رمية بعيدة عن 50/50 ، كلما كانت ملاءمة هذه المجموعة من الرميات أقل جودة للتوقعات النظرية بنسبة 50/50 ، وكلما زادت احتمالية استنتاجنا أن هذه العملة ليست عادلة في الواقع. عملة.


شاهد الفيديو: الطريقه الصحيحه لقياس نسبة الاكسجين في الدم بخطوتين فقط في البيت (يونيو 2022).


تعليقات:

  1. Hugh

    ليس من دواعي سروري لك؟

  2. Shall

    أنا أعارض تماما البيان السابق

  3. Daitaur

    برافو ما هي الكلمات الصحيحة ... الفكر المتألق

  4. Ubel

    لا أستطيع الآن المشاركة في المناقشة - إنها مشغولة للغاية. سيتم إطلاق سراحي - سأعبر بالضرورة عن رأيي.



اكتب رسالة