İstatistik Türlerinin Dönüşümü – Bilgisayar Bilimleri Ödevleri – Bilgisayar Bilimleri Ödev Hazırlatma – Bilgisayar Bilimleri Alanında Tez Yazdırma – Bilgisayar Bilimleri Ödev Yaptırma Fiyatları
İstatistik Türlerinin Dönüşümü
Dört tip birbirinden izole değildir. Literatürde birbirini dönüştürmek için çeşitli teknikler bulunabilir. Aslında, ağ istatistiklerini, tanımlayacağımız bir veya daha fazla yapıdan çıkarıldığı “temel” istatistiklerine göre sınıflandırmak genellikle mümkündür. Olası dönüşümlerin kaba bir şeması sunulmuştur. Aşağıdaki bölümlerde daha ayrıntılı bir açıklama verilmiştir.
Tabii ki, tüm yapılar oluşturulabilir, örneğin, küresel bir istatistikten yerel bir dağılıma geçildikten sonra, sonuçtan yerel bir istatistik oluşturulabilir. Bu bölümde kendimizi az çok birbirinden bağımsız görünen işlemlerle sınırlıyoruz. Literatürde ve aşağıdaki örneklerde, burada açıklanan adımlardan iki veya daha fazlasının uygulanmasıyla birçok ağ istatistiği elde edilmektedir.
Ameliyatların bir kısmı literatürde yer almamaktadır (en azından bildiğimiz kadarıyla). Esas olarak bütünlük için ve çok doğal olasılıklar gibi göründükleri için sunulurlar. Ayrıca, değerlerin somut olarak uygulanmasına ve yorumlanmasına bağlı olduğundan, dönüşümlerin arkasındaki sezgiyi tartışmıyoruz. Tekniklerin sadece resmi bir tanımını veriyoruz.
Küreselleşme
Adından da anlaşılacağı gibi, küreselleşme yerel bir istatistiğin veya dağılımın grafik öğelerine bağımlılığını ortadan kaldırır. Bu genellikle tüm x ∈ XG grafik öğeleri için λG(x) değerlerinden tek bir γG değeri hesaplayarak, seçerek veya oluşturarak yapılır. En yaygın örnekler şunlardır.
Örnekler, ortalama (bağlı) mesafe, çap ve yarıçap, bağıl ve mutlak sekme grafiği ve genel bozulmadır.
Sayma
Yerel bir λ istatistiğini Γ küresel bir dağılıma dönüştürmek için, λG(x) belirli bir değer aralığında yer alacak şekilde x grafik öğelerinin sayısı sayılabilir. Ayrık istatistikler için (örneğin, λG(x) ∈ , ), değerin mutlak oluşum sayısı.
Parametre Eleme ve Azaltma
Belki de en geniş tür değişikliği sınıfı, parametrelerin ortadan kaldırılmasıdır. Bir bakıma hemen hemen her türlü değişiklik bu şekilde yorumlanabilir. Ancak kendimizi parametrelerle, yani incelenen ağla doğrudan ilgili olmayan değerlerle sınırlıyoruz.
Lokalden global istatistiklere ve dağılımlara dönüşüme benzer şekilde, bir ΛG dağılımı tarafından verilen bir değerler dizisinden/haritasından tek bir λG değeri hesaplanabilir. Ancak grafik öğelerini değişken olarak kullanmak yerine, dağılımın parametresi kullanılır.
Tek değerli istatistikler için, x argümanını ihmal etmek yeterlidir. Eksantriklik bu dönüşüme bir örnektir. Yerel veya global bir dağılımın birden fazla parametresi varsa, yani parametre seti kartezyen çarpım P = P’ ×P” ise, hesaplamalar için yalnızca bir parametre kullanılabilir ve bu da parametre azaltılmış bir dağılıma yol açar.
Yerel veya genel dağılım, parametrelerin bir fonksiyonu olarak tanımlamaya izin veriyorsa, bazıları farklı bir teknik kullanılarak elenebilir. ΛG(x, t) yerel dağılımının, r(x) parametreli bir fr fonksiyonu tarafından tanımlanabileceğini varsayalım, yani, ΛG(x,t) = fr(x)(t).
Daha sonra r(x) parametreleri, yerel dağılımları dolaylı olarak tanımlayan yerel bir istatistik oluşturur. X grafik öğesi atlanırsa, aynı teknik, genel bir dağılımdan genel bir istatistiğin oluşturulması için uygulanabilir. Bu dönüşüme bir örnek, kuvvet yasası üssüdür. Derece dağılımları tek bir değere indirgenmiştir.
Veri analizinde istatistik mi Veri madenciliği mi
Veri Bilimi için istatistik PDF
Google istatistik
Veri MADENCİLİĞİ ve istatistik
Yeniden Parametrelendirme
Bir parametreyi ortadan kaldırmak yerine değiştirebilirsiniz. t ∈ P parametreli bir yerel dağılım ΛG(x, t) için, genellikle r ∈ P ′ parametreli yeniden parametreleştirilmiş dağılımı Λ ̃G olarak yazabiliriz.
Başka bir yeniden parametrelendirme türü, yerel istatistiklerin ve dağılımların yerelliğini etkiler. Bazı durumlarda, üzerinde belirli bir istatistiğin tanımlandığı grafik öğeleri kümesini değiştirmek yararlı olabilir. Örneğin, tepe tabanlı bir istatistiği λG(v) genel ilişki yoluyla kenar tabanlı bir istatistiğe λ′G(e) değiştirebilir.
Burada e = {u, v} ve f, iki bağımsız değişkenli (toplam, ortalama, çarpım vb.) rastgele bir işlevdir. Bu dönüşümün bir örneği, yerellik kavramının “bir çift köşeden” “tek bir köşeye” dönüştürüldüğü eksantrikliktir.
YerelleştirmeGlobal bir γ istatistiğinden yerel bir Λ dağılımı oluşturmak için, her x ∈ XG grafik öğesi ve her t ∈ P parametresi için bir H(x,t) ⊆ G alt grafiği seçilebilir. Elbette bu, γ istatistiğinin H(x,t) alt grafiğinde tanımlanmasını gerektirir.
H(x,t) seçimine bir örnek:
– x etrafındaki t yarıçaplı top, yani t-komşusu tarafından indüklenen alt grafik
Neight(x) (d(x, v) ≤ t ile tüm v köşeleri) of x
– G’nin x içeren ve belirli bir kriteri karşılayan, muhtemelen t’ye bağlı olan en büyük/en küçük alt grafiği, örn. x içeren ve kenar bağlantısı ≥ t olan tüm alt çizgeler arasındaki en büyük alt çizge.
Benzer şekilde, yerel bir istatistik λ, yalnızca x’e bağlı olarak bir H(x) alt grafiği seçilerek ve ayarlanarak küresel bir istatistikten γ türetilebilir.
H(x) seçimine bir örnek:
– x içeren tüm klikler arasında en büyük boyuta sahip x içeren kliklerin birliği.
Küresel bir dağılımın Γ lokalizasyonu, yukarıda açıklanana benzer bir şekilde yapılabilir. H(x) alt grafiği yalnızca x grafik elemanına göre seçilirse, bu yerel dağılıma yol açar.
Son yerelleştirme türü, yerel bir istatistikten yerel bir dağılım oluşturur. Her x ∈ XG grafik elemanı için yine bir H(x,t) alt grafiği seçilir. Ancak bu sefer ek olarak yeni bir parametreye bağlıdır t ∈ P .
Görselleştirme
Tek değerli bir global istatistik γ basitçe bir değerdir. Dolayısıyla görselleştirilmesi önemsizdir. Bir G sınıfının birkaç grafiği incelenirse daha ilginç hale gelir. Grafikler bir t parametresine bağlıysa, o zaman G(t)’nin t parametreli bir grafik olduğu γG(t) dağılımı incelenebilir. Bu dağılım, aşağıda açıklandığı gibi, tek bir grafikteki dağılımlar gibi ele alınabilir.
Küresel dağılımlar Γ : P → Y, parametre kümesinden değer kümesine eşlemelerdir. Bu nedenle, olağan şekilde işlevler olarak görselleştirilebilirler.
Ayrıca bu yorumlama, bir dizi parametreye dayalı fonksiyonel bir tanım elde etmek için enterpolasyon veya regresyon gibi tekniklerin uygulanmasına izin verir. Okuyucunun bu kavramlara ve tekniklere aşina olduğunu varsaydığımız için burada onlar hakkında ayrıntılara girmiyoruz.
Google istatistik Veri analizinde istatistik mi Veri madenciliği mi Veri Bilimi için istatistik PDF Veri MADENCİLİĞİ ve istatistik