發表文章

目前顯示的是 10月, 2023的文章

(機車)國產機車馬力表 2023

-
 車型名稱 最大馬力(kW) 最大馬力轉速(rpm) 排氣量(c.c.) 光陽 名流 125 SJ25TJ 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 名流 125 SJ25TG 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 名流 125 SJ25TF 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 名流 150 SJ30KC 149.6c.c. CVT 速克達 7.7 7500 149.6 光陽 名流 150 SJ30KD 149.6c.c. CVT 速克達 7.7 7500 149.6 光陽 名流 125 SJ25TP 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 名流 125 SJ25TN 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 名流 125 SJ25TQ 124.6c.c. CVT 速克達 6.47 7000 124.6 光陽 NICE 115 SN23AA 114.3c.c. CVT 速克達 6.32 7500 114.3 光陽 名流 150 SJ30KE 149.6c.c. CVT 速克達 7.7 7500 149.6 光陽 名流 150 SJ30KF 149.6c.c. CVT 速克達 7.7 7500 149.6 光陽 NICE 115 SN23AC 114.3c.c. CVT 速克達 6.32 7500 114.3 光陽 RACING S 150 SR30JE 149c.c. CVT 速克達 10.1 7500 149 光陽 RACING S 150 SR30JJ 149c.c. CVT 速克達 10.1 7500 149 光陽 RACING S 150 SR30JF 149c.c. CVT 速克達 10.1 7500 149 光陽 RACING S 125 SR25JH 124.8c.c. CVT 速克達 8 7500 124.8 光陽 RacingMAN SR25JJ 124.8c.c. CV...
張貼留言
閱讀完整內容

(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...
張貼留言
閱讀完整內容

(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...
張貼留言
閱讀完整內容

[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 →...
張貼留言
閱讀完整內容

(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...
張貼留言
閱讀完整內容

(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...
張貼留言
閱讀完整內容