發表文章

目前顯示的是 8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)(敘述統計) 變異數與標準差

1.未分組資料 母體變異數 σ2=ni=1(Xiμ)2N 母體標準差 σ=σ2 樣本變異數 S2=ni=1(Xiμ)2n1 樣本標準差 S=S2 2.已分組資料 組中點 mi, i=1,,k  ,次數 fi, i=1,,k 母體變異數 σ2=ki=1fi(miμ)2N 母體標準差 σ=σ2 樣本變異數 σ2=ki=1fi(mi¯X)2n1=ki=1fim2in¯X2n1 樣本標準差 S=S2

(統計)(敘述統計)偏態係數(skewness coefficinet),峰態係數(kurtosis coefficinet)

圖片
偏態係數(skewness coefficinet) α1=Ni=1(Xiμ)3Nσ3 α1={>0,=0,<0,

(統計)(敘述統計) 經驗法則

 若資料分布呈現對稱鐘形時使用。 1.68%資料落在(μσ,μ+σ)之間。 2.95%資料落在(μ2σ,μ+2σ)之間。 3.99.7%資料落在(μ3σ,μ+3σ)之間。 常和柴比雪夫不等式比較使用,柴比雪夫不等式不用規定資料分布對稱鐘形。

(統計)(集合論) 差集

圖片
 AB :A之中除去B的部分之集合。 ABAB c

(統計) (敘述統計) 截尾平均數 (Trimmed Mean)

Step1. 計算 Q1Q3。 Step2. 刪除資料<Q1 和資料 >Q3。 Step3. 剩餘資料計算算術平均數。 優點:刪去離群值。 缺點:丟失一半資訊。

(迴歸)簡單迴歸分析

模型: Yi=β0+β1Xi+εi 假設:εiiidN(0,σ2) 1.常態性 2.變異數齊一性 3.獨立 4.E(εi)=0 5.模型之正確性 β0+β1Xi is constant. Yi is r.v. 母體迴歸線: E(Y|X)=E(Y)=β0+β1X 因為X為已知常數 E(Y|X)=E(Y) 樣本迴歸線:  ^Yi=^β0+^β1Xi 樣本迴歸線估計母體迴歸線  ^Yi 估計E(Yi)^β0估計β0^β1估計β1 ei=Yi^Yi 估計 εi ^σ2=SSEn2=MSE 最小平方法OLS minni=1e2i=minni=1(Yi^Yi)2ni=1e2i^β0=ni=1[2(Yiβ0β1Xi)(1)]=0ni=1e2i^β1=ni=1[2(Yiβ0β1Xi)(Xi)]=0 正規方程式 $\left\{\begin{array}{}  n\hat{\beta_0}&+\sum{}X_i \hat{\beta_1}&=\sum{}Y_i \\  \sum{...