[Ανάλυση Δεδομένων] Απορίες στις Ασκήσεις 2022/2023

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

Για ανανέωση (ή προσθήκη νέου) avatar, πρέπει η μεγαλύτερη διάσταση της εικόνας να είναι 110 pixels.

[Starki]

Σχολιασμός και απορίες πάνω στις διάφορες ασκήσεις του μαθήματος.

[MajorTom]

Στις ασκήσεις 3.10 και 3.11 ποια η διαφορά της τυχαίας αντιμετάθεσης με τη bootstrap μέθοδο;

[noreason]

Στη δημιουργία των δειγμάτων bootstrap, η επιλογή τιμών από το αρχικό δείγμα γίνεται με επανάθεση, ενώ στην τυχαία αντιμετάθεση χωρίς.

[MajorTom]

Στη δημιουργία των δειγμάτων bootstrap, η επιλογή τιμών από το αρχικό δείγμα γίνεται με επανάθεση, ενώ στην τυχαία αντιμετάθεση χωρίς.

Για την bootstrap άρα μπορώ να κάνω τη δειγματοληψία έτσι;

Code:

     bootX = bootstrp(B, @mean, X);
    bootY = bootstrp(B, @mean, Y);
    bootZ = bootX - bootY;       
    r = find(bootZ == muX(j)-muY(j)); 
   [...]

Ενώ για την τυχαία αντιμετάθεση:

Code:

    [~, index] = sort(rand(n+m, M));
   sampled_data = zeros(n+m, M);
    for i=1:M
        sampled_data(:,i) = data(index(:,i));
        samplesX(:,i) = sampled_data(1:n,i);
        samplesY(:,i) = sampled_data(n+1:n+m,i);
    end

[noreason]

Εγώ αυτό που κατάλαβα είναι ότι για κάθε bootstrap διαλέγεις n+m τιμές από τις συνολικές n+m (δηλαδή είτε από χ είτε από y) και οι πρώτες n που διάλεξες είναι τα bootX και οι υπόλοιπες τα bootΥ
Στην αντιμετάθεση δεν κατάλαβα ακριβώς τι έκανες, αλλά είναι σαν το bootstrap χωρίς επανάθεση

[Black Velvet]

στην 3.10, έχω φτιάξει τον πίνακα X - x_bar + m0 και τον έχω κάνει bootstrap. Πρέπει να προσθέσω σε κάθε στήλη το στατιστικό το οποίο είναι η δειγματική μέση τιμή κάθε στήλης του Χ; Και μετά από αυτό κάνω sort και βρίσκω το index της μέσης τιμής σε κάθε στήλη και συγκρίνω με τα όρια; ή έχω καταλάβει κάτι λάθος;

[MajorTom]

στην 3.10, έχω φτιάξει τον πίνακα X - x_bar + m0 και τον έχω κάνει bootstrap. Πρέπει να προσθέσω σε κάθε στήλη το στατιστικό το οποίο είναι η δειγματική μέση τιμή κάθε στήλης του Χ; Και μετά από αυτό κάνω sort και βρίσκω το index της μέσης τιμής σε κάθε στήλη και συγκρίνω με τα όρια; ή έχω καταλάβει κάτι λάθος;

Εγώ αυτό είχα κάνει:

Code:

           bootMean = NaN(B+1, M); 
            X_norm = X - mu - m0;
            bootMean(1:B, :) = bootstrp(B, @mean, X_norm);
            bootMean(B+1, :) = mu;
            bootMean = sort(bootMean);
            rejection = 0;
            for k=1:M
                r = find(bootMean(:,k) == mu(k));
                if r < (B+1)*alpha(i)/2 || r > (B+1)*(1-alpha(i)/2)
                    rejection = rejection + 1;
                end
            end