發表文章

目前顯示的是 10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...

(抽樣)簡單隨機抽樣SRS

每一組可能樣本均有相等的被抽出機率。有編號。 母體平均數$\overline{Y}$  點估計:$\overline{y}=\cfrac{y}{n}$ 點估計之標準誤估計值:$s_{\overline{y}}=\sqrt{1-f}\cfrac{s}{\sqrt{n}}$,其中$f=\cfrac{n}{N}$為抽出率。 有限母體校正因子:$1-f=\cfrac{N-n}{N}$ 誤差界限:$B=z_{\frac{\alpha}{2}}s_{\overline{y}}$ 區間估計:$(\overline{y}\mp B)$ 樣本數:$n=\cfrac{n_0}{1+\frac{n_0}{N}},n_0=(\cfrac{z_{\frac{\alpha}{2}}S}{B})^2$ 母體總和值$Y$  點估計:$\hat{Y}=N\overline{y}=\cfrac{N}{n}y$ 點估計之標準誤估計值::${s_{\hat{Y}}}=N\sqrt{1-f}\cfrac{s}{\sqrt{n}}=Ns_{y}$ 誤差界限:$B=z_{\frac{\alpha}{2}}s_{\hat{Y}}=Nz_{\frac{\alpha}{2}}s_{\overline{y}}$ 區間估計:$(\hat{Y}\mp B)$ 樣本數:$n=\cfrac{n_0}{1+\frac{n_0}{N}},n_0=(\cfrac{Nz_{\frac{\alpha}{2}}S}{B})^2$ 母體成功比例$P$ 點估計:$p=\cfrac{a}{n}=\overline{y_a}$ 點估計之標準誤估計值:$s_{p}=\sqrt{(1-f)\cfrac{\frac{n}{n-1}pq}{n}}$ 誤差界限:$B=z_{\frac{\alpha}{2}}s_{p}$ 區間估計:$(p\mp B)$ 樣本數:$n=\cfrac{n_0}{1+\frac{n_0}{N}},n_0=(\cfrac{z_{\frac{\alpha}{2}}S}{B})^2\approx \cfrac {z^2_{\frac{\alpha}{2}}PQ}{B^2}$ 母體總成功個數$A=NP$ 點估計:$\hat{A}=Np=\cfrac{N}{n}a$ 點估計之標準誤估計值:$s_{\hat{A}}=\sqr...

(統計)迴歸分析矩陣

模型: $\vec{Y}= \mathbf{X} \vec{\beta}+\vec{\varepsilon }$  ,$\vec{Y}=\pmatrix{y_1\\ \vdots \\y_n}$ $\vec{\varepsilon }\sim N(\mathbf{0},\mathbf{I}_n\sigma^2)$ 正規方程式 $\mathbf{X}^\mathsf{T}  \mathbf{X}=\mathbf{X}^\mathsf{T} \vec{Y}$ $\mathbf{X}^\mathsf{T} \mathbf{X}=\pmatrix{n &\sum X_i\\\sum X_i &\sum X_i^2}$ $\mathbf{X}^\mathsf{T} \vec{Y}=\pmatrix{\sum Y_i\\ \sum X_iY_i}$ OLS $\hat{\vec{\beta}}=(\mathbf{X}^\mathsf{T}\mathbf{X})^{-1}\mathbf{X}^\mathsf{T}\vec{Y}$ 配適度 $SST=\vec{Y}^\mathsf{T}\vec{Y}-\cfrac{1}{n}\vec{Y}^\mathsf{T}\mathbf{J}\vec{Y}$ $SSR=\hat{\vec{Y}}^\mathsf{T}\hat{\vec{Y}}-\cfrac{1}{n}\vec{Y}^\mathsf{T}\mathbf{J}\vec{Y}=(\mathbf{X}\hat{\vec{\beta}})^\mathsf{T}\mathbf{X}\hat{\vec{\beta}}-\cfrac{1}{n}\vec{Y}^\mathsf{T}\mathbf{J}\vec{Y}=\hat{\vec{\beta}}^\mathsf{T}\mathbf{X}^\mathsf{T}\mathbf{X}\hat{\vec{\beta}}-\cfrac{1}{n}\vec{Y}^\mathsf{T}\mathbf{J}\vec{Y}=\hat{\vec{\beta}}^\mathsf{T}\mathbf{X}^\mathsf{T}\hat{\vec{Y}}-\cfrac{1}{n}\vec{Y}^\mathsf{T}\mathbf...

[問卦] 日本人:味噌湯裡為什麼加貢丸?

  作者   prmea  (123) 標題   [問卦] 日本人:味噌湯裡為什麼加貢丸? 時間   Tue Jul 21 12:40:57 2020 大家好, 小弟文組, 最近有個日本學伴來台灣, 小弟帶她去吃涼麵, 涼麵必配 味噌貢丸湯加蛋, 她看到那碗湯 ,ㄟ~~~~~~~~( 超大聲), 味噌湯裡為什麼加貢丸? 她說日本人從來不加貢丸的, 日本人吃東西是不是意見蠻多的, 是不是!!!!?!!!!!!!!!!! -- -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.167.52.22 (臺灣) ※ 文章代碼(AID): #1V5d7RME (Gossiping) ※ 文章網址:  https://www.ptt.cc/bbs/Gossiping/M.1595306459.A.58E.html 噓  Roooz : 只有台北的涼麵 才幹這種事 1F 07/21 12:41 推  VVizZ : 日本人都吃老二 2F 07/21 12:41 推  LaBoLa : 入境隨俗阿 3F 07/21 12:41 →  su4vu6 : 而且還是加生蛋讓但被泡熟 4F 07/21 12:41 噓  stewartqq : 要加油條! 5F 07/21 12:41 →  sagarain : 那是眷村涼麵 6F 07/21 12:41 噓  knives : 加什麼貢丸,爛店 7F 07/21 12:41 →  Israfil : 貢丸?  為什麼不先檢討味噌湯裡為什麼要有排骨酥 8F 07/21 12:41 噓  makimakimaki : 誰跟你說日本味噌湯裡面沒加丸子的 9F 07/21 12:41 噓  poco0960 : 媽的貢丸 10F 07/21 12:42 推  t95912 : 這就不是日式味噌湯阿 11F 07/21 12:42 →  bitlife : 跟她說那叫貢丸湯加豆醬 12F 07/21 12:42 推  zhttp : 日本人:太可惡了! 味噌湯裡竟然加貢丸  應該加珍珠啊 13F 07/21 12:44 →...

(迴歸)複迴歸分析

模型:$Y_i=\beta_0+\beta_1X_{1i}+\beta_2X_{2i}+\varepsilon_i$ 假設:$\varepsilon_i\stackrel{iid}{\sim}N(0,\sigma^2)$ 母體迴歸線:$E(Y_i)=\beta_0+\beta_1X_{1i}+\beta_2X_{2i}$ 樣本迴歸線:$\hat{Y}=\hat{\beta_0}+\hat{\beta_1}X_{1}+\hat{\beta_2}X_{2}$ 正規方程式 $\left\{\begin{array}{}n\hat{\beta_0}&+\sum{}X_{1i} \hat{\beta_1}&+\sum{}X_{2i} \hat{\beta_2}&=\sum{}Y_i \\ \sum{}X_{1i}\hat{\beta_0}&+\sum{}X_{1i}^2\hat{\beta_1}&+\sum{}X_{1i}X_{2i}\hat{\beta_2}&=\sum{}X_{1i}Y_i\\ \sum{}X_{2i}\hat{\beta_0}&+\sum{}X_{1i}X_{2i}\hat{\beta_1}&+\sum{}X_{2i}^2\hat{\beta_2}&=\sum{}X_{2i}Y_i \end{array} \right.$ 正規方程式之解 $\left\{\begin{array}{} \hat{\beta_1}&=\cfrac{SS_{1Y}SS_2-SS_{2Y}SS_{12}}{SS_1SS_2-SS^2_{12}}\\ \hat{\beta_2}&=\cfrac{SS_{2Y}SS_1-SS_{1Y}SS_{12}}{SS_1SS_2-SS^2_{12}} \\ \hat{\beta_0}&=\overline{Y}-\hat{\beta_1}\overline{X_1}-\hat{\beta_2}\overline{X_2} \end{array} \right.$ 分子分母皆$SS_1SS_2-SS_{12}SS_{21}$ ,$\hat{\beta_1}$時分子$Y$替換$SS_1$為$SS_{1Y}$,替換$SS_{12}$為$S...

(統計)變異數分析

模型假設:$Y_{ij}=\mu+\alpha_i+\varepsilon_{ij}$ , $\varepsilon_{ij}\stackrel{iid}{\sim} N(0,\sigma^2)$, $i=1,\cdots,k$ ,  $j=1,\cdots,n_i$ ANOVA TABLE 變異來源 sourse 平方和 sum of square 自由度 d.f. 平方均 mean of square F 處理 treatment SSR k-1 $MSR=\frac{SSR}{k-1}$ $F^*=\frac{MSR}{MSE}$ 誤差 error SSE n-k $MSE=\frac{SSE}{n-k}$ 總變異 total SST n-1 $H_0:\mu_1=\mu_2=\cdots=\mu_k$ $H_1:至少一個 \mu_i \neq \mu_j $ T.S.: $F=\frac{MSR}{MSE}\sim F_{(k-1,n-k)}$ R.R.: $C=\{F|F >F_{(k-1,n-k)}\}$ $SSR=\displaystyle\sum_{i=1}^{k}\displaystyle\sum_{j=1}^{n_i}(\overline{Y_{i\cdot}}-\overline{\overline{Y\ }})^2=\displaystyle\sum_{i=1}^{k}n_i(\overline{Y_{i\cdot}}-\overline{\overline{Y\ }})^2=\displaystyle\sum_{i=1}^{k}\frac{(\displaystyle\sum_{j=1}^{n_i}Y_{ij})^2}{n_i}-\frac{(\displaystyle\sum_{i=1}^{k}\displaystyle\sum_{j=1}^{n_i}Y_{ij})^2}{n}$ $SSE=\displaystyle\sum_{i=1}^{k}\displaysty...