Začněte nyníZačněte zdarma

Domů
Kurzy
Multivariate Probability Distributions in R

Střední hodnota a matice rozptylu a kovariancí

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Multivariate Probability Distributions in R

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

V tomto úvodu do multivariačních dat se naučíš, jak je číst a shrnovat. Zjistíš, jak je popsat pomocí popisné statistiky – například vektoru průměrů, rozptylové-kovariační matice a korelační matice. Poté prozkoumáš grafické techniky, které ti pomohou lépe porozumět multivariačním datům.

Exercise 1: Čtení vícerozměrných dat Exercise 2: Načítání vícerozměrných dat pomocí read.table Exercise 3: Určení datových typů pro sloupce Exercise 4: Střední hodnota a matice rozptylu a kovariancí

Aktuální cvičení

Exercise 5: Výpočet vektoru průměrů Exercise 6: Výpočet variančně-kovariační matice Exercise 7: Výpočet korelační matice Exercise 8: Vizualizace vícerozměrných dat Exercise 9: Pairs plot using base graphics and lattice Exercise 10: 3D vizualizační techniky

Tato kapitola tě seznámí s nejdůležitějším a nejpoužívanějším multivariačním pravděpodobnostním rozdělením – multivariačním normálním rozdělením. Naučíš se generovat náhodné výběry z tohoto rozdělení a vypočítávat a vykreslovat hustoty a pravděpodobnosti. Dozvíš se také, jak ověřit, zda dataset odpovídá multivariační normalitě.

Exercise 1: Vícerozměrné normální rozdělení Exercise 2: Vzorky z vícerozměrných normálních rozdělení Exercise 3: Určení rozdělení normálního vzorku Exercise 4: Hustota vícerozměrného normálního rozdělení Exercise 5: Výpočet hustoty vícerozměrného normálního rozdělení Exercise 6: Výpočet dmvnorm na mřížce Exercise 7: Kumulativní distribuční funkce a inverzní CDF Exercise 8: Použití funkce pmvnorm Exercise 9: Výpočet kontur pravděpodobnosti pomocí qmvnorm Exercise 10: Ověření normality vícerozměrných dat Exercise 11: Grafické testy mnohorozměrné normality Exercise 12: Numerické testy mnohorozměrné normality Exercise 13: Test mnohorozměrné normality podle typu vína

Tato kapitola představuje řadu pravděpodobnostních rozdělení vhodných pro modelování dat, která nejsou normálně rozdělena. Konkrétně se zaměříme na multivariační t-rozdělení, která dokážou zachytit těžší chvosty a jsou zobecněním jednorozměrného Studentova t-rozdělení. Seznámíš se také s různými šikmými rozděleními, jež jsou navržena speciálně pro data s pravostrannou nebo levostrannou šikmostí.

Exercise 1: Další běžná mnohorozměrná rozdělení Exercise 2: Generování vzorků z vícerozměrného t-rozdělení Exercise 3: Urči rozdělení Exercise 4: Hustota a kumulativní hustota pro vícerozměrné t-rozdělení Exercise 5: Hustota vícerozměrného t-rozdělení Exercise 6: Kumulativní rozdělení a kvantily t-rozdělení Exercise 7: Porovnání pravděpodobností normálního a t-rozdělení Exercise 8: Mnohorozměrná zešikmená rozdělení Exercise 9: Generování vzorků ze šikmých rozdělení Exercise 10: Vykreslování a testování šikmých rozdělení Exercise 11: Zkoumání šikmosti z konturového grafu Exercise 12: Odhad parametrů multivariantního zešikmého normálního rozdělení

V závěrečné kapitole se seznámíš s technikami pro analýzu vícerozměrných dat, včetně analýzy hlavních komponent (PCA) a multidimenzionálního škálování (MDS). Naučíš se také tyto techniky prakticky aplikovat při analýze dat.

Exercise 1: Analýza hlavních komponent Exercise 2: Počet hlavních komponent pro dataset state.x77 Exercise 3: Použití funkce princomp Exercise 4: Výběr počtu komponent Exercise 5: Výpočet podílu vysvětlené variability Exercise 6: Výběr počtu hlavních komponent Exercise 7: Počet komponent vysvětlujících 95 % variability Exercise 8: Počet hlavních komponent pomocí scree plotu Exercise 9: Interpretace atributů PCA Exercise 10: Zátěže a skóre hlavních komponent Exercise 11: Vizualizace PCA pomocí knihovny factoextra Exercise 12: Vícerozměrné škálování Exercise 13: Multidimenzionální škálování ve dvou dimenzích Exercise 14: Multidimenzionální škálování ve třech dimenzích Exercise 15: Gratulujeme!