I hereby claim:
- I am bdemeshev on github.
- I am bdemeshev (https://keybase.io/bdemeshev) on keybase.
- I have a public key ASBhJFPSIxAJi6ZLauwcooLbCtfUMlG5zLXTTZhe70a2igo
To claim this, I am signing this object:
Город Венёв и окрестности | |
http://a-kainarov.narod.ru/path6_5.htm | |
http://www.geocaching.su/?pn=101&cid=1088 | |
http://autotravel.ru/town.php/231 | |
моя карта для редактирования | |
http://openstreetmap.ru/?mapid=1985409576&hash=13990879648f9d15404f1fd6cc40390e |
## Доски объявлений | |
stats.stackexchange.com | |
math.stackexchange.com | |
stackoverflow.com | |
skeptics.stackexchange.com | |
## Блоги | |
flavorchemist.livejournal.com |
\item Модель линейной регрессии имеет вид $y_i=\b_1 x_{i,1}+\b_2 x_{i,2} + u_i$. | |
Сумма квадратов остатков имеет вид $Q(\hb_1,\hb_2)=\sum_{i=1}^n (y_1-\hb_1 x_{i,1}-\hb_2 x_{i,2})$. | |
\begin{enumerate} | |
\item Выпишите необходимые условия минимума суммы квадратов остатков | |
\item Найдите матрицу $X'X$ и вектор $X'y$ если матрица $X$ имеет вид | |
$X= | |
\left( | |
\begin{array}{cc} | |
x_{1,1} & x_{1,2} \\ | |
\vdots & \vdots \\ |
library("mvtnorm") # для многомерного нормального | |
library("ggplot2") # для графиков | |
n_obs <- 100 | |
corr <- 0.5 | |
mu <- c(10, 15) | |
# ковариационная матрица | |
# 4 corr * 2 * 3 | |
# ? 9 |
I hereby claim:
To claim this, I am signing this object:
library(rio) # загрузка данных | |
library(tidyverse) # манипуляции | |
library(forecast) # прогнозировани | |
library(tsibble) # ряды богатой структуры | |
library(stringr) # строками | |
library(skimr) # описательные статистики | |
library(lubridate) # работа с датами | |
# данные скачиваются с fedstat.ru | |
# tools - install packages: rio, tidyverse, forecast |
Begin with standard abbreviations for polarized filters:
H = Horizontal,
V = Vertical,
D = Diagonal,
R = Right circular.
HHH means three horizontal filters in a row. Start with totally unpolarized light.
Программа.
Тема 1. Множественная регрессия без статистических предпосылок
Задача оптимизации. Правила работы с матричным дифференциалом. Геометрическая интерпретация. Показатели RSS, ESS, TSS, R^2.
Тема 2. Множественная регрессия с предпосылками на дисперсию
Правила нахождение ковариационных матриц. Теорема Гаусса-Маркова с доказательством.
import turtle | |
import tkinter as tk | |
scale = 0.05 # choose 1, 0.05 | |
power = 1 # nice one: 1, 0.9, 2, 0.8 | |
root = tk.Tk() | |
canvas = tk.Canvas(master=root, width=2000, height=1500) | |
canvas.pack() |
Sys.setlocale(category = "LC_CTYPE", locale = "russian") | |
# try | |
foo = rio::import("data.txt") | |
foo = readr::read_csv2("data.txt") | |
foo = data.table::fread("data.txt", header=TRUE, sep="|", sep2=".") | |
# check! | |
# 1. cyrillic letters visible in environment | |
# 2. cyrillic letters in |