좋은 질문이지만 포럼에서 이것을 묻는 이유는 무엇입니까? Renat에 따르면 R 알고리즘을 분석하는 전체 과학자 팀이 있으며 이에 대해 질문한 다음 알려주십시오. R 소스를 이해하는 것은 본격적인 포트를 만들려는 경우 팀의 직접적인 책임입니다.
이제 귀하의 모든 "R 알고리즘 분석"은 세부 사항에 대해 설명하지 않고 대학 교과서에 따라 구현하여 R에서와 동일한 매개변수를 사용하여 기능을 만드는 것 같습니다. 그러다가 "0^0=1"이라고 잘못 부르는 것과 같은 오해가 생긴다. 현재 추세에서는 다른 구현으로 인해 특정 조건에서 다르게 동작하는 R과 유사한 인터페이스 기능을 갖게 될 것입니다. 그리고 누군가가 자신의 코드를 R에서 mql로 옮기고 싶다면 결국 다른 결과를 얻게 될 것이고, 결과가 다른 이유를 찾는 데 지쳐서 이 모든 것에 침을 뱉을 것입니다. 단위 테스트는 문제가 없는 일반적인 데이터만 다루기 때문에 이러한 차이점의 작은 부분만 드러내는 데 도움이 됩니다.
이것은 매우 이상한 접근 방식입니다. R 인터페이스를 복사하고, R 소스 코드를 연구하지 않고도 자신만의 기능 구현을 만들고, Wolfram에 대해 결과를 확인하는 것입니다. 이 접근 방식을 통해 일반적으로 무엇을 얻고 싶습니까? 당신이하고있는 일은 "R에서 복사 된 인터페이스가 있고 정의되지 않은 상황에서 Wolfram에 적용된 자체 작성 mql 통계 라이브러리"라고 부를 수 있습니다. https://www.mql5.com/en/articles/2742에서 R에 대한 다른 모든 단어는 R과 관련이 없는 마케팅 자료일 뿐입니다. 실망.
또한 pgamma(x,0.5,1)에 통합할 때 무한대는 마치 존재하지 않는 것처럼 0으로 간주됩니다.
더 간단한 예를 들어 보겠습니다. x=1*10^(-90) 그 수는 0이 아닌 매우 작으며 불확실성이 없습니다.
> d감마(1*10^(-90), 0.5, 1)
[1] 5.641896e+44
>p감마(1*10^(-90), 0.5, 1)
[1] 1.128379e-45
Wolfram의 결과는 동일합니다. PDF[감마분포[0.5,1], 1*10^(-90)] 5.6419×10^44 CDF[감마분포[0.5,1], 1*10^(-90)] 1.12838×10^-45
이제 수식에 무한대 없이 질문을 바꾸십시오. 5.641896e+44와 같은 큰 숫자를 반환하는 dgamma를 통합하면 어떻게 매우 작은 숫자 1.128379e-45로 끝날 수 있습니까? 답은 구할 수 있는 방법이 아닙니다.* dgamma() 적분은 pgamma()를 계산하는 데 사용되지 않으며 다른 공식이 있으며 dgamma()의 무한대는 계산에 사용되지 않습니다.
이 경우 pgamma(0, 0.5, 1)의 계산을 다음과 같이 이해합니다. - 무한한 숫자 집합 [0;Inf)을 취하고 그 중 하나를 무작위로 선택하면 숫자 < =0 ? 답은 1/Inf 또는 0입니다. 이는 pgamma()의 결과에 해당합니다. 잘못된 부분이 있으면 바로잡아주세요. 직관력과 논리력 수준에서 저는 무한대와 한계를 잘 다루지 못합니다.
*여기서 x가 감소함에 따라 dgamma()의 결과가 감소하는 속도를 과소평가했습니다. 그 말을 무시하십시오.
좋은 질문이지만 포럼에서 이것을 묻는 이유는 무엇입니까? Renat에 따르면 R 알고리즘을 분석하는 전체 과학자 팀이 있으며 이에 대해 질문한 다음 알려주십시오. R 소스를 이해하는 것은 본격적인 포트를 만들려는 경우 팀의 직접적인 책임입니다.
이제 귀하의 모든 "R 알고리즘 분석"은 세부 사항에 대해 설명하지 않고 대학 교과서에 따라 구현하여 R에서와 동일한 매개변수를 사용하여 기능을 만드는 것 같습니다. 그러다가 "0^0=1"이라고 잘못 부르는 것과 같은 오해가 생긴다. 현재 추세에서는 다른 구현으로 인해 특정 조건에서 다르게 동작하는 R과 유사한 인터페이스 기능을 갖게 될 것입니다. 그리고 누군가가 자신의 코드를 R에서 mql로 옮기고 싶다면 결국 다른 결과를 얻게 될 것이고, 결과가 다른 이유를 찾는 데 지쳐서 이 모든 것에 침을 뱉을 것입니다. 단위 테스트는 문제가 없는 일반적인 데이터만 다루기 때문에 이러한 차이점의 작은 부분만 드러내는 데 도움이 됩니다.
이것은 매우 이상한 접근 방식입니다. R 인터페이스를 복사하고, R 소스 코드를 연구하지 않고도 자신만의 기능 구현을 만들고, Wolfram에 대해 결과를 확인하는 것입니다. 이 접근 방식을 통해 일반적으로 무엇을 얻고 싶습니까? 당신이하고있는 일은 "R에서 복사 된 인터페이스가 있고 정의되지 않은 상황에서 Wolfram에 적용된 자체 작성 mql 통계 라이브러리"라고 부를 수 있습니다. https://www.mql5.com/en/articles/2742에서 R에 대한 다른 모든 단어는 R과 관련이 없는 마케팅 자료일 뿐입니다. 실망.
R에 대해, 우리는 나를 포함하여 스스로를 오도했습니다. 물론 이 망상을 메타쿼타 탓으로 돌릴 수 있지만 진실은 다릅니다.
R을 사용하는 사람들은 R이 Olympus로 부상한 역사를 기억할 것입니다. 1993년 S로 분리된 전체 R 시스템은 10년 동안 좁은 범위에서 널리 알려졌습니다. 그리고 20년의 역사를 가진 S를 만든 지 10년 만에 2000년대 초부터 점진적인 상승을 시작하여 5년 전 10위권에 진입했고 현재 유일한 경쟁자는 python입니다. 오늘날 R은 통계 분야의 표준을 대표하는 거대한 시스템입니다.
따라서 결론: MKL의 프레임워크 내에서 R의 유사체는 불가능합니다.
우리는 무엇을 다루고 있습니까?
우리는 수학적 기능 측면에서 MKL5의 매우 긍정적인 발전을 다루고 있습니다. 메타쿼타가 stats R 패키지의 유사 함수로 수학 함수 세트를 보완할 수 있다면 그러한 프로세스는 환영받을만 합니다. 동시에 R을 모조용 원본으로 사용하고 다른 수학적 패키지가 아닌 원본으로 사용하는 것은 매우 올바른 선택입니다. 그러나 이것은 R에서 함수를 가져오는 것이 아닙니다. 이것은 유사하게 새로 작성된 함수이며 원본과 일치하거나 일치하지 않을 권리가 있습니다. 그러나 이러한 불일치가 메타쿼터에 의해 시작된 작업의 중요성을 손상시키지는 않습니다. 그리고 R에서 MKL5로 코드를 이식하기로 결정한 사람들은 이것이 자체 뉘앙스, 자체 버그 및 자체 언어 환경이 있는 R과 다른 구현이라는 것을 기억해야 합니다.
그러므로 아무것도 비교할 필요가 없습니다. 통계 기능으로 인해 MKL5의 확장이 있으며 이것은 훌륭합니다. 여기에 플롯 방법이 추가되면 일반적으로 MKL5 그래픽 도구의 혁명이 될 것입니다.
추신
그리고 당신, 나, 그리고 다른 많은 R 사용자들은 단 한 가지 경우에 실망하지 않을 것입니다. 터미널이 다시 작성되고 그 안의 프로그래밍 언어가 R이 될 것입니다.
S에서 유래한 R 언어는 통계에 따르면 최소 15년, 심지어 20년 이상 된 언어로 고급 학위를 가진 사람들이 각 기능에 대한 코드를 제공합니다. 교수, 통계 조교수, 여러 면에서 미국 대학. 그들의 계산은 이미 무료로 수행되었기 때문에 커밋에 어리석게 받아들여질 뿐만 아니라, 인용된 저널의 과학 출판물과 함께 제공됩니다. 그리고 이것은 다소 중요한 기능과 패키지에 적용됩니다. 그리고 이것은 중요합니다! 예를 들어, 검정력을 찾기 위해 함수를 사용할 때 효과 크기 인수를 입력해야 합니다. 그리고 문서에서 합동 표준 편차 가 이런 식으로 고려된다는 것을 읽었습니다. 나는 인터넷에 가서 그 방법의 저자를 찾고 그것에 대해 읽고... 그리고 나는 이 기능을 적용한 결과에 대해 이유를 이야기합니다.
dgamma는 Catherine Loader에서 제공하는 이항 분포 코드를 기반으로 합니다. 이 방법에 대한 그녀의 기사는 2000년에 작성된 것입니다. 당신은 읽을 수있다.
이제 MQL에 대한 질문 - 자신의 알고리즘을 작성하면 거의 모든 것을 빌린다는 것이 분명합니다. 드문 경우지만 알고리즘이 충분히 정확하지 않지만 이 저널에 설명된 다른 알고리즘이 있으며 이를 사용한다고 말씀하셨습니다. 다른 알고리즘은 어떻습니까? 당신은 당신이 빌린 문서에 작성합니까? 나는 당신이 이항 분포에서 확률 계산을 재발명할 것이라고 생각하지 않습니다.
도움말에 유형 참조가 있습니까?
pwr.t2n.test {pwr}R 문서
평균의 두 표본(다른 크기) t-검정에 대한 검정력 계산
설명
검정력을 계산하거나 매개변수를 결정하여 목표 검정력을 얻습니다(power.t.test와 유사).
용법
pwr.t2n.test(n1 = NULL, n2= NULL, d = NULL, sig.level = 0.05, 전력 = NULL,
대안 = c("양면",
"덜","크게"))
인수
n1
첫 번째 표본의 관측치 수
n2
두 번째 표본의 관측치 수
디
효과 크기
시그 레벨
유의 수준(제1종 오류 확률)
힘
검정력(1에서 제2종 오류 확률을 뺀 값)
대안
대립 가설을 지정하는 문자열은 "양면"(기본값), "크게" 또는 "덜" 중 하나여야 합니다.
세부
매개변수 'd','n1','n2','power' 및 'sig.level' 중 정확히 하나는 NULL로 전달되어야 하며 해당 매개변수는 다른 매개변수에서 결정됩니다. 마지막 것은 기본값이 NULL이 아니므로 계산하려면 NULL을 명시적으로 전달해야 합니다.
값
클래스 '"power.htest"'의 객체, 'method' 및 'note' 요소가 추가된 인수(계산된 인수 포함) 목록입니다.
노트
'uniroot'는 미지수에 대한 거듭제곱 방정식을 푸는 데 사용되므로 특히 잘못된 인수가 제공될 때 근을 괄호로 묶을 수 없다는 오류가 표시될 수 있습니다.
저자
Stephane Champely <champely@univ-lyon1.fr> 그러나 이것은 Peter Dalgaard 작업의 단순한 사본입니다(power.t.test).
참고문헌
Cohen, J. (1988). 행동 과학에 대한 통계적 검정력 분석(2판). 힐스데일, 뉴저지: 로렌스 얼바움.
그리고 코드를 빌리면 이 코드의 출처와 메서드 작성자를 표시하지 않으면 작업이 표절입니다. 그리고 특정 Quantum이 Catherine의 작업에서 얻은 잘못된 함수 밀도에 대한 폭로 기사를 게시하면 통계 커뮤니티에서 그들이 당신을 어떻게 볼 것인가, 이것은 큰 문제입니다. 출판하지 않을 것 같은데...
감마 계열 함수의 경우:
GammaDist {통계}R 문서
감마 분포
설명
매개변수 모양 및 규모가 있는 감마 분포에 대한 밀도, 분포 함수, 분위수 함수 및 임의 생성.
논리적; TRUE(기본값)이면 확률은 P[X ≤ x]이고, 그렇지 않으면 P[X > x]입니다.
세부
scale을 생략하면 기본값 1을 가정합니다.
shape = a 및 scale = s 매개변수가 있는 감마 분포에는 밀도가 있습니다.
f(x)= 1/(s^a 감마(a)) x^(a-1) e^-(x/s)
x ≥ 0, a > 0 및 s > 0. (여기서 Gamma(a)는 R의 gamma()에 의해 구현되고 도움말에 정의된 함수입니다. a = 0은 점 0에서 모든 질량을 갖는 사소한 분포에 해당합니다. .)
평균과 분산은 E(X) = a*s 및 Var(X) = a*s^2입니다.
누적 위험 H(t) = - log(1 - F(t))는
-pgamma(t, ..., 더 낮은 = FALSE, 로그 = TRUE)
모양의 작은 값(및 중간 규모)의 경우 감마 분포 질량의 많은 부분이 x 값에 있으므로 컴퓨터 산술에서 0으로 표시될 정도로 0에 가깝습니다. 따라서 rgamma는 0으로 표시되는 값을 반환할 수 있습니다. (실제 생성은 scale = 1에 대해 수행되기 때문에 매우 큰 scale 값에 대해서도 발생합니다.)
결과의 길이는 rgamma의 경우 n에 의해 결정되며 다른 함수에 대한 숫자 인수 길이의 최대값입니다.
n 이외의 숫자 인수는 결과 길이로 재활용됩니다. 논리적 인수의 첫 번째 요소만 사용됩니다.
노트
S(Becker et al(1988)) 매개변수화는 모양과 비율을 통해 이루어졌습니다. S에는 척도 매개변수가 없었습니다. R 2.xy에서는 척도가 비율보다 우선했지만 이제는 둘 다 제공하는 것이 오류입니다.
pgamma는 불완전한 감마 함수와 밀접한 관련이 있습니다. Abramowitz 및 Stegun 6.5.1(및 'Numerical Recipes')에서 정의한 대로
P(a,x) = 1/감마(a) 적분_0^xt^(a-1) exp(-t) dt
P(a, x)는 p감마(x, a)입니다. 다른 저자(예: Karl Pearson의 1922년 테이블)는 정규화 인자를 생략하여 불완전 감마 함수 γ(a,x)를 gamma(a,x) = integral_0^xt^(a-1) exp(-t)로 정의합니다. dt, 즉, p감마(x, a) * 감마(a). 다른 사람들은 '상단' 불완전 감마 함수를 사용합니다.
감마(a,x) = integral_x^Inf t^(a-1) exp(-t) dt,
pgamma(x, a, lower = FALSE) * gamma(a)로 계산할 수 있습니다.
그러나 pgamma(x, a, ..)는 현재 > 0을 요구하는 반면 불완전한 감마 함수는 음수 a에 대해서도 정의됩니다. 이 경우 패키지 gsl에서 gamma_inc(a,x)(Γ(a,x)의 경우)를 사용할 수 있습니다.
В процессе тестирования расчетов в R была обнаружена ошибка расчета функции плотности для распределений Gamma, и ChiSquare и Noncentral ChiSquare в точке x=0.
Значение вероятности гамма-распределения в точке x=0 считается верно (gamma_cdf=0), но значение плотности гамма-распределения (функция dgamma() в R) в точке x=0 должно быть равно 0 (а показывает gamma_pdf=1) по определению плотности вероятности гамма-распределения.
Для функций ChiSquare и Noncentral ChiSquare плотность вероятности в точке x=0 также вычисляется с ошибкой:
В точке x=0 функция dchisq() выдает ненулевые значения 0.5 и 0.3032653 , при этом функция pchisq() вероятности вычисляет правильно (они равны 0).
단측 분포에 대한 극단점에서 밀도 함수 계산의 규칙의 차이라고 해야 합니다. 그리고 통계학자를 위해 설명하자면 - 3학년이 아닌 다른 규칙을 따르는 이유는 무엇입니까(Wolfram이 그렇게 생각하기 때문입니다).
그러나 이것은 오른쪽 섹션에 속하는 유일한 잼입니다.
Для расчета вероятности нецентрального T-распределения Стьюдента в языке R используется алгоритм AS 243, предложенный Lenth [6]. Достоинством этого метода является быстрый рекуррентный расчет членов бесконечного ряда с неполной бета-функций. Но в статье [7] было показано, что из-за ошибки оценки точности при суммировании членов ряда данный алгоритм приводит к ошибкам (таблица 3 в статье [7]), особенно для больших значений параметра нецентральности delta. Авторы статьи [7] предложили скорректированный алгоритм рекуррентного расчета вероятности нецентрального T-распределения.
У нас в в статистической библиотеке MQL5 используется правильный алгоритм для расчета вероятностей из статьи [7] , что дает точные результаты.
흥미로운 사실
러시아어 번역에서 감마 분포 밀도 값의 정의
Johnson NL, Kots S., Balakrishnan N. 1차원 연속 분포. 파트 1과 이전 영어 버전은 다음과 같이 다릅니다.
하지만 영문판은 다른 문자로 인해 오타가 의심된다.
이것은 오타가 아닙니다. 감마에 대한 여러 다른 교육 자료를 살펴보는 데 어려움을 겪으면 ... 지원이 다른 방식으로 정의된 것을 볼 수 있습니다. 0이 있는 곳과 0이 없는 곳이 있습니다.
@Quantum 과 달리 이러한 자료를 직접 보고 가져오는 것을 귀찮게 하지 않습니다.
그리고 엑셀, 파이썬으로의 링크도 명확한 예를 제시하지 않는 방식으로 이루어집니다.
위트도, 너만 연습하면서.
물론 답을 얻었다면 R에서 답을 인용하는 것을 잊지 마십시오.
R 개발자가 결과를 설명하는 방법:
d감마(0,0.5,1)=inf
p감마(0,0.5,1)=0
점 0이 포함되어 있으면(정의에서 볼 수 있듯이) 점 x=0에서 무한 밀도를 제공하고, 더 나아가 pgamma(x,0.5,1)에 통합할 때 무한대가 0으로 간주됩니다. 그것은 존재하지 않았다.
R 개발자가 결과를 설명하는 방법:
좋은 질문이지만 포럼에서 이것을 묻는 이유는 무엇입니까? Renat에 따르면 R 알고리즘을 분석하는 전체 과학자 팀이 있으며 이에 대해 질문한 다음 알려주십시오. R 소스를 이해하는 것은 본격적인 포트를 만들려는 경우 팀의 직접적인 책임입니다.
이제 귀하의 모든 "R 알고리즘 분석"은 세부 사항에 대해 설명하지 않고 대학 교과서에 따라 구현하여 R에서와 동일한 매개변수를 사용하여 기능을 만드는 것 같습니다. 그러다가 "0^0=1"이라고 잘못 부르는 것과 같은 오해가 생긴다.
현재 추세에서는 다른 구현으로 인해 특정 조건에서 다르게 동작하는 R과 유사한 인터페이스 기능을 갖게 될 것입니다. 그리고 누군가가 자신의 코드를 R에서 mql로 옮기고 싶다면 결국 다른 결과를 얻게 될 것이고, 결과가 다른 이유를 찾는 데 지쳐서 이 모든 것에 침을 뱉을 것입니다. 단위 테스트는 문제가 없는 일반적인 데이터만 다루기 때문에 이러한 차이점의 작은 부분만 드러내는 데 도움이 됩니다.
이것은 매우 이상한 접근 방식입니다. R 인터페이스를 복사하고, R 소스 코드를 연구하지 않고도 자신만의 기능 구현을 만들고, Wolfram에 대해 결과를 확인하는 것입니다. 이 접근 방식을 통해 일반적으로 무엇을 얻고 싶습니까?
당신이하고있는 일은 "R에서 복사 된 인터페이스가 있고 정의되지 않은 상황에서 Wolfram에 적용된 자체 작성 mql 통계 라이브러리"라고 부를 수 있습니다. https://www.mql5.com/en/articles/2742에서 R에 대한 다른 모든 단어는 R과 관련이 없는 마케팅 자료일 뿐입니다. 실망.
또한 pgamma(x,0.5,1)에 통합할 때 무한대는 마치 존재하지 않는 것처럼 0으로 간주됩니다.
x=1*10^(-90)
그 수는 0이 아닌 매우 작으며 불확실성이 없습니다.
Wolfram의 결과는 동일합니다.
PDF[감마분포[0.5,1], 1*10^(-90)]
5.6419×10^44
CDF[감마분포[0.5,1], 1*10^(-90)]
1.12838×10^-45
이제 수식에 무한대 없이 질문을 바꾸십시오.
5.641896e+44와 같은 큰 숫자를 반환하는 dgamma를 통합하면 어떻게 매우 작은 숫자 1.128379e-45로 끝날 수 있습니까?
답은 구할 수 있는 방법이 아닙니다.* dgamma() 적분은 pgamma()를 계산하는 데 사용되지 않으며 다른 공식이 있으며 dgamma()의 무한대는 계산에 사용되지 않습니다.
이 경우 pgamma(0, 0.5, 1)의 계산을 다음과 같이 이해합니다. - 무한한 숫자 집합 [0;Inf)을 취하고 그 중 하나를 무작위로 선택하면 숫자 < =0 ? 답은 1/Inf 또는 0입니다. 이는 pgamma()의 결과에 해당합니다. 잘못된 부분이 있으면 바로잡아주세요. 직관력과 논리력 수준에서 저는 무한대와 한계를 잘 다루지 못합니다.
*여기서 x가 감소함에 따라 dgamma()의 결과가 감소하는 속도를 과소평가했습니다. 그 말을 무시하십시오.
좋은 질문이지만 포럼에서 이것을 묻는 이유는 무엇입니까? Renat에 따르면 R 알고리즘을 분석하는 전체 과학자 팀이 있으며 이에 대해 질문한 다음 알려주십시오. R 소스를 이해하는 것은 본격적인 포트를 만들려는 경우 팀의 직접적인 책임입니다.
이제 귀하의 모든 "R 알고리즘 분석"은 세부 사항에 대해 설명하지 않고 대학 교과서에 따라 구현하여 R에서와 동일한 매개변수를 사용하여 기능을 만드는 것 같습니다. 그러다가 "0^0=1"이라고 잘못 부르는 것과 같은 오해가 생긴다.
현재 추세에서는 다른 구현으로 인해 특정 조건에서 다르게 동작하는 R과 유사한 인터페이스 기능을 갖게 될 것입니다. 그리고 누군가가 자신의 코드를 R에서 mql로 옮기고 싶다면 결국 다른 결과를 얻게 될 것이고, 결과가 다른 이유를 찾는 데 지쳐서 이 모든 것에 침을 뱉을 것입니다. 단위 테스트는 문제가 없는 일반적인 데이터만 다루기 때문에 이러한 차이점의 작은 부분만 드러내는 데 도움이 됩니다.
이것은 매우 이상한 접근 방식입니다. R 인터페이스를 복사하고, R 소스 코드를 연구하지 않고도 자신만의 기능 구현을 만들고, Wolfram에 대해 결과를 확인하는 것입니다. 이 접근 방식을 통해 일반적으로 무엇을 얻고 싶습니까?
당신이하고있는 일은 "R에서 복사 된 인터페이스가 있고 정의되지 않은 상황에서 Wolfram에 적용된 자체 작성 mql 통계 라이브러리"라고 부를 수 있습니다. https://www.mql5.com/en/articles/2742에서 R에 대한 다른 모든 단어는 R과 관련이 없는 마케팅 자료일 뿐입니다. 실망.
R에 대해, 우리는 나를 포함하여 스스로를 오도했습니다. 물론 이 망상을 메타쿼타 탓으로 돌릴 수 있지만 진실은 다릅니다.
R을 사용하는 사람들은 R이 Olympus로 부상한 역사를 기억할 것입니다. 1993년 S로 분리된 전체 R 시스템은 10년 동안 좁은 범위에서 널리 알려졌습니다. 그리고 20년의 역사를 가진 S를 만든 지 10년 만에 2000년대 초부터 점진적인 상승을 시작하여 5년 전 10위권에 진입했고 현재 유일한 경쟁자는 python입니다. 오늘날 R은 통계 분야의 표준을 대표하는 거대한 시스템입니다.
따라서 결론: MKL의 프레임워크 내에서 R의 유사체는 불가능합니다.
우리는 무엇을 다루고 있습니까?
우리는 수학적 기능 측면에서 MKL5의 매우 긍정적인 발전을 다루고 있습니다. 메타쿼타가 stats R 패키지의 유사 함수로 수학 함수 세트를 보완할 수 있다면 그러한 프로세스는 환영받을만 합니다. 동시에 R을 모조용 원본으로 사용하고 다른 수학적 패키지가 아닌 원본으로 사용하는 것은 매우 올바른 선택입니다. 그러나 이것은 R에서 함수를 가져오는 것이 아닙니다. 이것은 유사하게 새로 작성된 함수이며 원본과 일치하거나 일치하지 않을 권리가 있습니다. 그러나 이러한 불일치가 메타쿼터에 의해 시작된 작업의 중요성을 손상시키지는 않습니다. 그리고 R에서 MKL5로 코드를 이식하기로 결정한 사람들은 이것이 자체 뉘앙스, 자체 버그 및 자체 언어 환경이 있는 R과 다른 구현이라는 것을 기억해야 합니다.
그러므로 아무것도 비교할 필요가 없습니다. 통계 기능으로 인해 MKL5의 확장이 있으며 이것은 훌륭합니다. 여기에 플롯 방법이 추가되면 일반적으로 MKL5 그래픽 도구의 혁명이 될 것입니다.
추신
그리고 당신, 나, 그리고 다른 많은 R 사용자들은 단 한 가지 경우에 실망하지 않을 것입니다. 터미널이 다시 작성되고 그 안의 프로그래밍 언어가 R이 될 것입니다.
플롯의 첫 번째 버전은 이미 나타났습니다: https://www.mql5.com/ru/forum/97153/page10#comment_3831485
당신은 R의 오류를 참아야 할 것입니다. 죄가 없다는 믿음은 나쁜 동반자입니다. 우리는 또한 R의 계산 속도에 대한 신화를 폭로했습니다. 거기에 코드는 이마에 부주의하게 쓰여 있습니다.
AS 243의 오류는 부인할 수 없으며 우리의 결과 품질 연구에 의해 입증되었으며 제3자 자료에 의해 확인되었습니다.
당신은 이제 0에 대해서만 논쟁하고 있지만 여기에서도 포기해야합니다. 당신은 이미 본질에서 벗어나기 위해 전력을 다해 노력하고 있으며, 다른 점에 대해 불태우겠다고 제안합니다.
다시 한 번 반복합니다. 우리는 양질의 작업을 수행하고 주제를 파악하고 테스트로 모든 것을 다루었습니다.
S에서 유래한 R 언어는 통계에 따르면 최소 15년, 심지어 20년 이상 된 언어로 고급 학위를 가진 사람들이 각 기능에 대한 코드를 제공합니다. 교수, 통계 조교수, 여러 면에서 미국 대학. 그들의 계산은 이미 무료로 수행되었기 때문에 커밋에 어리석게 받아들여질 뿐만 아니라, 인용된 저널의 과학 출판물과 함께 제공됩니다. 그리고 이것은 다소 중요한 기능과 패키지에 적용됩니다. 그리고 이것은 중요합니다! 예를 들어, 검정력을 찾기 위해 함수를 사용할 때 효과 크기 인수를 입력해야 합니다. 그리고 문서에서 합동 표준 편차 가 이런 식으로 고려된다는 것을 읽었습니다. 나는 인터넷에 가서 그 방법의 저자를 찾고 그것에 대해 읽고... 그리고 나는 이 기능을 적용한 결과에 대해 이유를 이야기합니다.
dgamma는 Catherine Loader에서 제공하는 이항 분포 코드를 기반으로 합니다. 이 방법에 대한 그녀의 기사는 2000년에 작성된 것입니다. 당신은 읽을 수있다.
이제 MQL에 대한 질문 - 자신의 알고리즘을 작성하면 거의 모든 것을 빌린다는 것이 분명합니다. 드문 경우지만 알고리즘이 충분히 정확하지 않지만 이 저널에 설명된 다른 알고리즘이 있으며 이를 사용한다고 말씀하셨습니다. 다른 알고리즘은 어떻습니까? 당신은 당신이 빌린 문서에 작성합니까? 나는 당신이 이항 분포에서 확률 계산을 재발명할 것이라고 생각하지 않습니다.
도움말에 유형 참조가 있습니까?
pwr.t2n.test {pwr} R 문서
평균의 두 표본(다른 크기) t-검정에 대한 검정력 계산
설명
검정력을 계산하거나 매개변수를 결정하여 목표 검정력을 얻습니다(power.t.test와 유사).
용법
pwr.t2n.test(n1 = NULL, n2= NULL, d = NULL, sig.level = 0.05, 전력 = NULL,
대안 = c("양면",
"덜","크게"))
인수
n1
첫 번째 표본의 관측치 수
n2
두 번째 표본의 관측치 수
디
효과 크기
시그 레벨
유의 수준(제1종 오류 확률)
힘
검정력(1에서 제2종 오류 확률을 뺀 값)
대안
대립 가설을 지정하는 문자열은 "양면"(기본값), "크게" 또는 "덜" 중 하나여야 합니다.
세부
매개변수 'd','n1','n2','power' 및 'sig.level' 중 정확히 하나는 NULL로 전달되어야 하며 해당 매개변수는 다른 매개변수에서 결정됩니다. 마지막 것은 기본값이 NULL이 아니므로 계산하려면 NULL을 명시적으로 전달해야 합니다.
값
클래스 '"power.htest"'의 객체, 'method' 및 'note' 요소가 추가된 인수(계산된 인수 포함) 목록입니다.
노트
'uniroot'는 미지수에 대한 거듭제곱 방정식을 푸는 데 사용되므로 특히 잘못된 인수가 제공될 때 근을 괄호로 묶을 수 없다는 오류가 표시될 수 있습니다.
저자
Stephane Champely <champely@univ-lyon1.fr> 그러나 이것은 Peter Dalgaard 작업의 단순한 사본입니다(power.t.test).
참고문헌
Cohen, J. (1988). 행동 과학에 대한 통계적 검정력 분석(2판). 힐스데일, 뉴저지: 로렌스 얼바움.
그리고 코드를 빌리면 이 코드의 출처와 메서드 작성자를 표시하지 않으면 작업이 표절입니다. 그리고 특정 Quantum이 Catherine의 작업에서 얻은 잘못된 함수 밀도에 대한 폭로 기사를 게시하면 통계 커뮤니티에서 그들이 당신을 어떻게 볼 것인가, 이것은 큰 문제입니다. 출판하지 않을 것 같은데...
감마 계열 함수의 경우:
GammaDist {통계} R 문서
감마 분포
설명
매개변수 모양 및 규모가 있는 감마 분포에 대한 밀도, 분포 함수, 분위수 함수 및 임의 생성.
용법
dgamma(x, 모양, 비율 = 1, 규모 = 1/비율, 로그 = FALSE)
pgamma(q, 모양, rate = 1, scale = 1/rate, lower.tail = TRUE,
log.p=거짓)
qgamma(p, 모양, 비율 = 1, 규모 = 1/비율, lower.tail = TRUE,
log.p=거짓)
rgamma(n, 모양, 비율 = 1, 규모 = 1/비율)
인수
x, q
분위수 벡터.
피
확률의 벡터.
N
관찰 횟수. length(n) > 1인 경우 길이는 필요한 수로 간주됩니다.
비율
척도를 지정하는 다른 방법.
모양, 규모
모양 및 크기 매개변수. 양수여야 하며 엄격하게 확장해야 합니다.
로그, log.p
논리적; TRUE이면 확률/밀도 p가 log(p)로 반환됩니다.
아래쪽 꼬리
논리적; TRUE(기본값)이면 확률은 P[X ≤ x]이고, 그렇지 않으면 P[X > x]입니다.
세부
scale을 생략하면 기본값 1을 가정합니다.
shape = a 및 scale = s 매개변수가 있는 감마 분포에는 밀도가 있습니다.
f(x)= 1/(s^a 감마(a)) x^(a-1) e^-(x/s)
x ≥ 0, a > 0 및 s > 0. (여기서 Gamma(a)는 R의 gamma()에 의해 구현되고 도움말에 정의된 함수입니다. a = 0은 점 0에서 모든 질량을 갖는 사소한 분포에 해당합니다. .)
평균과 분산은 E(X) = a*s 및 Var(X) = a*s^2입니다.
누적 위험 H(t) = - log(1 - F(t))는
-pgamma(t, ..., 더 낮은 = FALSE, 로그 = TRUE)
모양의 작은 값(및 중간 규모)의 경우 감마 분포 질량의 많은 부분이 x 값에 있으므로 컴퓨터 산술에서 0으로 표시될 정도로 0에 가깝습니다. 따라서 rgamma는 0으로 표시되는 값을 반환할 수 있습니다. (실제 생성은 scale = 1에 대해 수행되기 때문에 매우 큰 scale 값에 대해서도 발생합니다.)
값
dgamma는 밀도, pgamma는 분포 함수, qgamma는 분위수 함수, rgamma는 랜덤 편차를 생성합니다.
잘못된 인수는 경고와 함께 NaN 값을 반환합니다.
결과의 길이는 rgamma의 경우 n에 의해 결정되며 다른 함수에 대한 숫자 인수 길이의 최대값입니다.
n 이외의 숫자 인수는 결과 길이로 재활용됩니다. 논리적 인수의 첫 번째 요소만 사용됩니다.
노트
S(Becker et al(1988)) 매개변수화는 모양과 비율을 통해 이루어졌습니다. S에는 척도 매개변수가 없었습니다. R 2.xy에서는 척도가 비율보다 우선했지만 이제는 둘 다 제공하는 것이 오류입니다.
pgamma는 불완전한 감마 함수와 밀접한 관련이 있습니다. Abramowitz 및 Stegun 6.5.1(및 'Numerical Recipes')에서 정의한 대로
P(a,x) = 1/감마(a) 적분_0^xt^(a-1) exp(-t) dt
P(a, x)는 p감마(x, a)입니다. 다른 저자(예: Karl Pearson의 1922년 테이블)는 정규화 인자를 생략하여 불완전 감마 함수 γ(a,x)를 gamma(a,x) = integral_0^xt^(a-1) exp(-t)로 정의합니다. dt, 즉, p감마(x, a) * 감마(a). 다른 사람들은 '상단' 불완전 감마 함수를 사용합니다.
감마(a,x) = integral_x^Inf t^(a-1) exp(-t) dt,
pgamma(x, a, lower = FALSE) * gamma(a)로 계산할 수 있습니다.
그러나 pgamma(x, a, ..)는 현재 > 0을 요구하는 반면 불완전한 감마 함수는 음수 a에 대해서도 정의됩니다. 이 경우 패키지 gsl에서 gamma_inc(a,x)(Γ(a,x)의 경우)를 사용할 수 있습니다.
https://en.wikipedia.org/wiki/Incomplete_gamma_function 또는 http://dlmf.nist.gov/8.2#i도 참조하십시오.
원천
dgamma는 Catherine Loader가 제공한 코드를 사용하여 Poisson 밀도를 통해 계산됩니다(dbinom 참조).
pgamma는 '주로 Morten Welinder에 의해' 공개되지 않은(그리고 달리 문서화되지 않은) 알고리즘을 사용합니다.
qgamma는 다음의 C 번역을 기반으로 합니다.
베스트, DJ 및 D.E. 로버츠(1975). 알고리즘 AS91. 카이 제곱 분포의 백분율 포인트입니다. 응용 통계, 24, 385–388.
더하기 근사를 개선하기 위한 최종 뉴턴 단계.
모양 >= 1 사용에 대한 rgamma
Ahrens, JH 및 Dieter, U. (1982). 수정된 거부 기술로 감마 변형 생성. ACM의 통신, 25, 47–54,
0 < 모양 < 1 사용
Ahrens, JH 및 Dieter, U. (1974). 감마, 베타, 포아송 및 이항 분포에서 샘플링하기 위한 컴퓨터 방법. 컴퓨팅, 12, 223–246.
참고문헌
Becker, R.A., Chambers, J.M. 및 Wilks, A.R.(1988) The New S Language. 워즈워스 & 브룩스/콜.
Shea, BL (1988) 알고리즘 AS 239, 카이 제곱 및 불완전 감마 적분, 응용 통계(JRSS C) 37, 466–473.
Abramowitz, M. 및 Stegun, I.A.(1972) 수학 함수 핸드북. 뉴욕: 도버. 6장: 감마 및 관련 함수.
NIST 수학 함수의 디지털 라이브러리. http://dlmf.nist.gov/, 섹션 8.2.
사랑하는 여러분, 코드를 이식하는 것은 일반적으로 통계학자의 작업 배열에 이 코드를 조합하는 것과는 다른 수준의 작업입니다.
이 부분은 과학적 넌센스입니다.
6. Обнаруженные ошибки расчетов в R
В процессе тестирования расчетов в R была обнаружена ошибка расчета функции плотности для распределений Gamma, и ChiSquare и Noncentral ChiSquare в точке x=0.
Значение вероятности гамма-распределения в точке x=0 считается верно (gamma_cdf=0), но значение плотности гамма-распределения (функция dgamma() в R) в точке x=0 должно быть равно 0 (а показывает gamma_pdf=1) по определению плотности вероятности гамма-распределения.
Для функций ChiSquare и Noncentral ChiSquare плотность вероятности в точке x=0 также вычисляется с ошибкой:
В точке x=0 функция dchisq() выдает ненулевые значения 0.5 и 0.3032653 , при этом функция pchisq() вероятности вычисляет правильно (они равны 0).
단측 분포에 대한 극단점에서 밀도 함수 계산의 규칙의 차이라고 해야 합니다. 그리고 통계학자를 위해 설명하자면 - 3학년이 아닌 다른 규칙을 따르는 이유는 무엇입니까(Wolfram이 그렇게 생각하기 때문입니다).
그러나 이것은 오른쪽 섹션에 속하는 유일한 잼입니다.
Для расчета вероятности нецентрального T-распределения Стьюдента в языке R используется алгоритм AS 243, предложенный Lenth [6]. Достоинством этого метода является быстрый рекуррентный расчет членов бесконечного ряда с неполной бета-функций. Но в статье [7] было показано, что из-за ошибки оценки точности при суммировании членов ряда данный алгоритм приводит к ошибкам (таблица 3 в статье [7]), особенно для больших значений параметра нецентральности delta. Авторы статьи [7] предложили скорректированный алгоритм рекуррентного расчета вероятности нецентрального T-распределения.
У нас в в статистической библиотеке MQL5 используется правильный алгоритм для расчета вероятностей из статьи [7] , что дает точные результаты.
나는 당신에게 말하고 있습니다 - 당신은 특정 토론에서 벗어나기 위해 전력을 다해 노력하고 있습니다.
알겠습니다. 하나 이상의 관절이 인식되었습니다. 그들은 우리가 점검을 수행하고, 그것을 파악하고, 더 정확한 해결책을 찾을 수 있는 전문가가 있다는 것을 인정하는 것을 잊었습니다.
Alexey, R의 답변을 기다리세요. 그리고 @Quantum 의 질문에 답변을 중단한 방법을 확인하세요. 그는 의도적으로 당신을 알려진 목표로 조심스럽게 이끕니다.
지금까지 Mathematica + Wolfram Alpha + Mathlab + MQL5는 우리 편이고, 당신 편은 오픈 소스 R입니다. 코드는 20년 된 프로젝트에서 기대할 수 있는 부주의하게 작성되고 전혀 다듬어지지 않았습니다.