發表文章

目前顯示的是 5月, 2023的文章

一千元跟一萬元的羽絨外套差在哪裡?

批踢踢實業坊 › 看板  Gossiping 關於我們 聯絡資訊 返回看板 作者 a3556959 (appleman) 看板 Gossiping 標題 Re: [問卦] 一千元跟一萬元的羽絨外套差在哪裡? 時間 Thu Jan 2 11:45:50 2025 ※ 引述《staxsrm (薏仁茶)》之銘言 : 本肥發現冬天穿羽絨外套還是最暖 : 從一千元有找的雜牌 : 到net uniqlo 迪卡儂之類的平價兩千多到大概四千附近 : 還有一些高級一點的像是roots 北臉 或是一些登山品牌有五千起跳的 : 還有一些牌子可能比較高檔甚至破萬 : 是用料 做工還是機能的差別 : 有沒有羽絨外套買到多貴算是智商稅的八卦 羽絨外套主要是看三個指標 1.蓬鬆度:羽絨衣保暖的原理是,利用羽絨特性,在衣服內部創造出靜止的空氣腔,因為靜 止無對流的空氣導熱係數很低,因此可以保暖, 蓬鬆度越高,越好基本上600蓬鬆度以下的都是垃圾,不如買化學纖維,不用購買,600-800 算還不錯,800以上則是上品 2.充絨量:顧名思義塞了多少羽絨進去,這基本上就是看多少公克,150以下都算輕羽絨,1 50-300,在台灣就已經非常保暖了,300以上台灣用不到 3.絨子占比:羽絨當中分為絨子跟羽毛,羽毛本身不太保暖,真正保暖的成分是絨子,所以 絨子含量越高越好 90%以上就是優質羽絨服,80-90還不錯,80以下別買了,不如買化纖 參數大概就這樣,用這個下去挑選即可 再來是鴨鵝絨,本質上沒什麼太大的差別,不過鴨子有的時候可能會有味道,鵝絨通常比較 沒味道,但會貴一點,這個直接去實體門市試穿聞看看比較準確,有的人可以接受 至於推薦買啥,其實優衣庫或迪卡農這樣的平價大牌就不錯了,品質跟價格有很好的保障 在台灣預算1000以下不用想買到大牌品質貨,只剩蝦皮雜牌,但品質跟標誌是否正確很難說 ,能買到的通常都是化纖,除非你在日本當地優衣庫特價的時候入手 不用買什麼加拿大鵝始祖鳥巴塔哥尼亞那種高級貨,就純賣品牌跟機能性,都市平地不用那 麼多機能性 以上簡短介紹 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.132.132.225 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Gossiping/M.17357...

(統計)F-distribution,F-分布

  F-distribution,F-分布 Uχ2(r1)Vχ2(r2)U and V are independent. 查表右尾 F=Ur1Vr2 FF(n1,n2) 1FF(n2,n1) F1α(n1,n2)=1Fα(n2,n1)

(統計)Normal distribution,常態分配

  Normal distribution,常態分配 XN(μ,σ2) f(x)=12πσ2e(Xμ)22σ2    ,<x< M(t)=eμt+12σ2t2 E(X)=μ Var(X)=σ2

(統計)Student's t-distribution,學生t分布

  Student's t-distribution,學生t分布 ZN(0,1)   ,Vχ2(r)Z and V are independent. T=ZVrTt(n) ,自由度為n ¯XμSnt(n1)

(統計)Beta (β) distribution,貝它分布

  Beta (β) distribution,貝它分布  f(x)={Γ(α+β)Γ(α)+Γ(β)xα1(1x)β1  ,0<x<10  ,o.w μ=αα+β σ2=αβ(α+β+1)(α+β)2

(統計)Chi-squared (χ2) distribution,卡方分布

  Chi-squared (χ2) distribution,卡方分布 Γ(r2,2) f(x)={1Γ(r2)2(r2)x(r21)e(x2)  ,0<x<0  ,o.w M(t)=(12t)r2 Z1,Z2,,Zn iid N(0,1) X=ni=1Z2i χ2(n) E(X)=nVar(X)=2n μ已知,nS2σ2 χ2(n)μ未知, 用¯X取代,(n1)S2σ2 χ2(n1) 證: 設   Xiμσ  N(0,1) (Xiμ)2σ2 χ2(1) ni=1(Xiμ)2σ2=(n1)S2σ2 χ2(n)

(統計)Gamma (Γ) distribution,伽瑪分布

  Gamma (Γ) distribution,伽瑪分布 在一個滿足poisson過程實驗,X(r.v.)為直到α次成功之時間。每單位時間內成功平均次數λ。(每平均\beta時間成功1次) α>0    λ>0 Γ(α,λ)=fX(x)={λαΓ(α)xα1eλx  0<x<0  o.w α>0    β>0 Γ(α,β)=fX(x)={1Γ(α)βαxα1exβ  0<x<0  o.w E(X),V(X) E(X)=αλ=αβ V(X)=α2λ=αβ2 m.g.f. M(t)=1(1β)α,  t<1β 伽瑪分配和卡方分配隨機變數之變數變換 若XΓ(α,λ)Y=2λXχ22αXχ2rY=aXbΓ(r2,λ=12ab)

(統計)Continuous uniform distribution,連續型均勻分布

  Continuous uniform distribution,連續型均勻分布 XU(a,b) f(x)=1baa<x<b E(X)=a+b2 Var(X)=(ba)212 M(t)=etbetat(ba)

(統計)Poisson distribution,卜瓦松分布

  Poisson distribution,卜瓦松分布 單位時間內,發生X次。單位時間內,平均發生λ次。 p(x)={λxeλx!  x=0,1,2,,λ>00  o.w    M(t)=eλ(et1) E(X)=Var(X)=λ XPo(λ1)YPo(λ2)XY indep. X+YPo(λ1+λ2) XB(n,p)n,  p0, λ=nppo(λ) 事件之間互為獨立

(統計)Hypergeometric distribution,超幾何分布

Hypergeometric distribution,超幾何分布 總數為N,設其中某一類有D個,則非此類有ND個,抽取n個,X為抽中D類的個數。 抽取不放回為超幾何分布。 p(x)=(NDnx)(Dx)(Nn) E(x)=\displaystyle\sum_{x=0}^nxp(x)=\displaystyle\sum_{x=1}^n\frac{\dbinom{N-D}{n-x}\cfrac{D(D-1)!}{x(x-1)!(D-x)!}}{\cfrac{N(N-1)!}{(N-n)!n(n-1)!}}\\=n\cfrac{D}{N}\displaystyle\sum_{x=1}^n\cfrac{\dbinom{(N-1)-(D-1)}{(n-1)-(x-1)}\dbinom{D-1}{x-1}}{\dbinom{N-1}{n-1}}=n\frac{D}{N} Var(X)=n\cfrac{D}{N}\cfrac{N-D}{N}\cfrac{N-n}{N-1}            ,\left(\cfrac{N-n}{N-1}\right)是取後不放回校正因子 HG(N,a,n)\xrightarrow{N\to \infty,\ a\to \infty,\ p=\frac{a}{N} }B(n,p)

(統計)Geometric distribution,幾何分布

  Geometric distribution,幾何分布 第一次成功之前所失敗的次數。 r=1之負二項分布。 p_Y(y)=p(1-p)^y\ ,\ \ y=0,1,2,\cdots M(t)= \cfrac{pe^t}{1-(1-p)e^t} E(X)=\cfrac{1}{p} Var(X)=\cfrac{1-p}{p^2} 無記憶性 (同指數分布) P(X\geq i+j \vert X\geq i)=P(X\geq j)

(統計)Negative Binomial distribution,負二項分布

  Negative Binomial distribution,負二項分布 到第r次成功時,前面有Y次失敗的機率。最後一次成功,前面是(y+r-1)次中(r-1)成功的二項分布和最後一次成功之機率。 p_Y(y)=\left\{\begin{array}{l}\pmatrix{y+r-1\\r-1}p^r(1-p)^{y}\ \ &,y=0,1,2,\cdots,n \\0\ \ &,o.w \end{array}\right.  M(t)= \left(\cfrac{pe^t}{1-(1-p)e^t}\right)^r E(X)=\cfrac{r}{p} Var(X)=\cfrac{r(1-p)}{p^2}

(統計)Multinomial distribution,多項分佈

  Multinomial distribution,多項分佈 n次試驗,有k種現象,其出現機率 p_ii=1,2,\cdots k。(二項分布只有兩種) P(x_1,x_2,\cdots ,x_{k-1})=\cfrac{n!}{x_1!x_2! \cdots x_k!}p_1^{x_1} \cdots p_{k-1}^{x_{k-1}}\ p_{k}^{x_{k}}\ ,\ \ where\ \ x_{k}=n- x_1-\cdots-x_{k-1} 三項分布 joint pdf f(x,y)=\cfrac{n!}{x!y!(n-x-y)!}p_1^{x}p_2^{y}(1-p_1-p_2)^{n-x-y}      x,y,x+y=0,1,2,\cdots,n marginal pdf f(x)=\displaystyle\sum_{y=0}^{n-x}\cfrac{n!}{x!y!(n-x-y)!}p_1^{x}p_2^{y}(1-p_1-p_2)^{n-x-y}\\=\cfrac{n!\ p_1^{x}}{x!(n-x)!}\displaystyle\sum_{y=0}^{n-x}\cfrac{(n-x)!}{y!(n-x-y)!}p_2^{y}(1-p_1-p_2)^{n-x-y}\\=\cfrac{n!\ p_1^{x}}{x!(n-x)!}(p_2+1-p_1-p_2)^{n-x}=\dbinom{n}{x}p_1^{x}(1-p_1)^{n-x}\implies\ X\sim B(n,p_1) ,同理 Y\sim B(n,p_2)。 conditional pdf $f(x\vert Y=y)=\cfrac{f(x,y)}{f(y)}=\cfrac{\cfrac{n!}{x!y!(n-x-y)!}p_1^{x}p_2^{y}(1-p_1-p_2)^{n-x-y}}{\dbinom{n}{y}p_2^y(1-p)^{n-y}}\\=\cfrac{(n-y)!}{x!(n-x-y)!}(\cfrac{p_1}{1-p_2})^x(\cfrac{1-p_1-p_2}{1-p_2})^{n-x-y}\implies\ (X\vert Y=y)\sim B(n-y,\cfrac{p_1}{1...

(統計)Binomial distribution,二項分布

  Binomial distribution,二項分布 (a+b)^n=\sum_{x=0}^n\pmatrix{n\\x}b^xa^{n-x}  (二項式定理) 抽取放回 為二項分布。 進行n次相互獨立且成功機率p相同之伯努力實驗,r.v.X為"成功"之總次數。 p(X=x)=f_X(x)=\left\{\begin{array}{l}\pmatrix{n\\x}p^x(1-p)^{n-x}\ \ &,x=0,1,2,\cdots,n \\0\ \ &,o.w \end{array}\right.       (p成功機率) E(X)=np V(X)=np(1-p) m.g.f. M_X(t)=E(e^{tx})=[(1-p)+pe^t]^n 加成性 X_i \stackrel{ indep.}{\sim} Bin(n_i,p) ,i=1,2,\cdots,kY=\displaystyle\sum_{x=1}^{k}X_i  \sim Bin(\displaystyle\sum_{i=1}^{k}n_i,p) (注意:p需相同) X\sim B(n,p)\xrightarrow{n\to \infty,\ CLT}N(\mu=np,\ \sigma^2=np(1-p)) EX:X\sim B(n,p)Y\sim B(m,p)X \perp Y  P(X=x \vert X+Y=z)=\cfrac{P(X=x 且 Y=z-x)}{P(X+Y=z)}=\cfrac{P(X=x)P(Y=z-x)}{P(X+Y=z)}\\=\cfrac{\dbinom{n}{x}p^x(1-p)^{n-x}\dbinom{m}{z-x}p^{z-x}(1-p)^{m-z+x}}{\dbinom{n+m}{z}p^z(1-p)^{n+m-z}}=\cfrac{\dbinom{n}{x}\dbinom{m}{z-x}}{\dbinom{n+m}{z}}\ \ \ \ \ x=0,1,2,\cdots,z 為超幾何分配。

(統計)Bernoulli distribution,伯努利分布

Bernoulli distribution,伯努利分布 p(x)=p^x(1-p)^{1-x},\ \ x=0,1       (p成功機率) \mu=E(X)=p \sigma^2=Var(X)=p(1-p) 

(統計)Discrete uniform distribution,離散型均勻分布

  Discrete uniform distribution,離散型均勻分布 p(x)=\left\{\begin{array}{l}\cfrac{1}{n}\ \ &,x=0,1,2,\cdots,n \\0\ \ &,o.w \end{array}\right. E(x)=\displaystyle\sum_{x=1}^nx\cfrac{1}{n}=\cfrac{n(n+1)}{2}\cfrac{1}{n}=\cfrac{n+1}{2} E(x^2)=\displaystyle\sum_{x=1}^nx^2\cfrac{1}{n}=\cfrac{n(n+1)(2n+1)}{6}\cfrac{1}{n}=\cfrac{(n+1)(2n+1)}{6} Var(x)=\cfrac{(n+1)(2n+1)}{6}-(\cfrac{n+1}{2})^2=\cfrac{n^2-1}{12}

(統計)用常態分佈估算離散分布的機率

 因為連續機率分布單點機率值=0,求P_{離散}(X=x)需用P_{連續常態分佈}(x-0.5<X<x+0.5)

(汽車)2022進口車馬力表

廠商 車型名稱 最大馬力(kW) 最大馬力轉速(rpm) 排氣量(c.c.) 和泰汽車股份有限公司 TOYOTA C-HR 1197c.c. CVT 5D 4WD 85 5600 1197 和泰汽車股份有限公司 TOYOTA C-HR 1197c.c. CVT 5D 85 5600 1197 嘉鎷興業股份有限公司 LAMBORGHINI URUS 3996c.c. A8 5D 478 6000 3996 嘉鎷興業股份有限公司 LOTUS EXIGE CUP 430 3456c.c. M6 2D 321 7000 3456 嘉鎷興業股份有限公司 LOTUS EXIGE SPORT 390 3456c.c. M6 2D 296 7000 3456 台灣賓士股份有限公司 MERCEDES-BENZ AMG A35 1991c.c. A7 5D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ AMG CLA35 1991c.c. A7 4D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ AMG CLA35 1991c.c. A7 5D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ AMG A35 1991c.c. A7 4D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ AMG GLB35 1991c.c. A8 5D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ AMG GLA35 1991c.c. A8 5D 225 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ GLC300 4MATIC Coupe 1991c.c. A9 5D 190 5800-6100 1991 台灣賓士股份有限公司 MERCEDES-BENZ GLC200 4MATIC Coupe 1991c.c. A9 5D 145 5500-6100 1991 台灣賓士股...