Zahl:: Abstand ist eine Perl-Baugruppe, die eine Darstellung eines numerischen Abstands implementieren kann.

SYNOPSE

Gebrauch Zahl:: Abstand;

$i = neue Zahl:: Abstand (minimales => -4, maximales => 20);
$i = neue Zahl:: Abstand (minimales => 0);

$is = $i->contains ($value);
$status = $i->intersection ($i2);

Druck „$i“;

Einfache Kategorie, zum eines geschlossenen oder geöffneten Abstands zu implementieren. Kann verwendet werden, um verschiedene Abstände zu vergleichen, gesetzte Mitgliedschaft festzustellen, Durchschnitte zu berechnen und Zahlungseinstellung stringification Methoden zur Verfügung zu stellen.

Abstände können gesprungen werden oder befreit werden. Wenn ist kleiner maximal, als Protokoll der Abstand umgewandelt wird.

Abstandarithmetik für Ada ist eine mathematische Bibliothek, die eine Umsetzung der Abstände für Ada zur Verfügung stellt. Sie einschließt die arithmetischen und relationalen Arbeitsweisen en.

Beispiele:

Tristate-Logik

Die Paket Abstände dient als Wurzelpaket und liefert auch die Tristate-Logik, die notwendig ist, relationale Arbeitsweisen auf Abständen zu definieren. Der logische Typ definiert wie:

der logische Typ ist (falsch, zutreffend, unsicher);

Die folgenden Arbeitsweisen definiert für logisches:

Funktion „nicht“ (verlassen: Logischer) Umsatz logisch;
Funktion „und“ (verlassen, recht: Logischer) Umsatz logisch;
Funktion „und“ (verlassen: Logisch; Recht: Boolesch)
Rückhollogisches;
Funktion „und“ (verlassen: Boolesch; Recht: Logisch)
Rückhollogisches;
Funktion „oder“ (verlassen, recht: Logischer) Umsatz logisch;
Funktion „oder“ (verlassen: Logisch; Recht: Boolesch)
Rückhollogisches;
Funktion „oder“ (verlassen: Boolesch; Recht: Logisch)
Rückhollogisches;
Funktion „xor“ (verlassen, recht: Logischer) Umsatz logisch;
Funktion „xor“ (gelassen: Logisch; Recht: Boolesch)
Rückhollogisches;
Funktion „xor“ (gelassen: Boolesch; Recht: Logisch)
Rückhollogisches;

Was in diesem Auslösen neu ist:

· Für MÜCKE-Benutzer waren GPS-Projektdateien enthalten;
· Auf Messen-Geräten für Ada V 2.4 gegründet.

Statistiken:: PointEstimation ist eine Perl-Baugruppe für rechnenkonfidenzintervalle in der Parameterschätzung mit Kursteilnehmer-T-Verteilung.

Statistiken:: PointEstimation:: Genügend - Perl-Baugruppe für das Berechnen der Konfidenzintervalle using genügende Statistiken

SYNOPSE

# Beispiel für Statistiken:: PointEstimation
Gebrauch Statistiken:: PointEstimation;

mein @r= ();
für ($i=1; $i<=32; $i++) #generate eine gleichmäßig verteilte Probe mit mean=5
{

$rand=rand (10);
@r, $rand drücken;
}

mein $stat = neue Statistiken:: PointEstimation;
$stat->set_significance (95); #set der Stand der Stichhaltigkeit (Vertrauen) bis 95%
$stat->add_data (@r);
$stat->output_confidence_interval (); #output Zusammenfassung
$stat->print_confidence_interval (); #output das Datendurcheinander in Verbindung gestanden auf Konfidenzintervallschätzung

#the das Folgen ist das selbe wie $stat->output_confidence_interval ();
„Zusammenfassung von den beobachteten Werten der Probe drucken: N“;
Druck „tsample size=“, $stat->count (), „, Grad freedom=“, $stat->df (), „N“;
Druck „tmean=“, $stat->mean (),“, variance= ", $stat->variance (), „N“;
Druck „tstandard deviation=“, $stat->standard_deviation (),“, Standarderror= ", $stat->standard_error (), „N“;
Druck „t die Schätzung des Mittelwerts ist“, $stat->mean (), „+/-“, $stat->delta (), „NT“,
„oder (“, $stat->lower_clm (), „zu“, $stat->upper_clm, ") mit“, confidencen $stat->significance, „% von“;
„t t-statistic=T=“ drucken, $stat->t_statistic (),“, Prob >|T|= ", $stat->t_prob (), „N“;

#example für Statistiken:: PointEstimation:: Genügend

strenges verwenden;
Gebrauch Statistiken:: PointEstimation;
mein ($count, $mean, $variance) = (30.3.996, 1.235);
mein $stat = neue Statistiken:: PointEstimation:: Genügend;
$stat->set_significance (99);
$stat->load_data ($count, $mean, $variance);
$stat->output_confidence_interval ();
$stat->set_significance (95);
$stat->output_confidence_interval ();

Statistiken:: PointEstimation

Diese Baugruppe ist eine Unterklasse von Statistiken:: Beschreibend:: Voll. Sie verwendet T-Verteilung für die annehmende Punktschätzung, daß die Daten normalerweise verteilt, oder die Stichprobengröße genug groß ist. Sie übersteuert die add_data () Methode in den Statistiken:: Beschreibend das konfidenzintervall mit der spezifizierten Signifikanzstufe berechnen (Zahlungseinstellung ist 95%). Sie berechnet auch das t-statistic=T und das Prob>|T| im Falle der Hypotheseprüfung der zusammengepaßten T-Prüfungen.

Statistiken:: PointEstimation:: Genügend

Diese Baugruppe ist eine Unterklasse von Statistiken:: PointEstimation. Anstatt, die realen Datenpunkte als des Input zu nehmen, berechnet es die Konfidenzintervalle, die auf den genügenden Statistiken und der Stichprobengröße eingegeben basieren. Um diese Baugruppe zu verwenden, müssen Sie die Stichprobengröße, den Beispielmittelwert und die Beispielabweichung in die load_data () Funktion führen. Der Ausgang ist genau der selbe wie die Statistiken:: PointEstimation Baugruppe.

Statistiken:: Wie gut-verteiltes ChiSquare - sind Ihre Daten?

SYNOPSE

Gebrauch Statistiken:: Chisquare;

Druck chisquare (@array_of_numbers);
Statistiken:: ChiSquare ist an einer CPAN Site nahe Ihnen erhältlich.

Sie eine, Münze 100mal leicht zu schlagen und sie annehmen sich dreht herauf Leiter 70mal. Ist die Münze angemessen?

Sie eine, Düse 100mal zu rollen und sie annehmen zeigt 30 sixes. Wird die Düse geladen?
In den Statistiken berechnet die Chiquadrat Prüfung wie gut eine Reihe Zahlpaßsitze eine Verteilung. In dieser Baugruppe prüfen wir nur auf, ob Resultate eine gleichmäßige Verteilung befestigen. Sie nicht einfach sagt „ja“ oder „Nr.“. Stattdessen gibt sie Ihnen ein Konfidenzintervall, das die oberen und untereren Limits auf der Wahrscheinlichkeit einstellt, dass die Veränderung Ihrer Daten chance soll. Die Beispiele unten sehen.

Wenn Sie überhaupt grundlegende Genetik studiert haben, haben Sie vermutlich über Georg Mendel gehört. Er war ein verrückter österreichischer Botaniker, der entdeckte (1865) dass Merkmale auf eine vorhersagbare Form übernommen werden konnten. Er tat Lots Experimente mit queren züchtend Erbsen: grüne Erbsen, gelbe Erbsen, glatte Erbsen, geknitterte Erbsen. Eine wirkliche tapfere neue Welt der Hülsenfrüchte.

Aber Mendel fälschte seine Daten. Ein Statistiker durch den Namen von R.A. Fisher verwendete die Chiquadrat Prüfung, um sie zu prüfen.

Theres gerade eine Funktion in dieser Baugruppe: chisquare (). Anstatt, die Grenzen auf dem konfidenzintervall in einer sauberen kleinen Zweielement Reihe zurückzubringen zurück, bringt es eine englische Zeichenkette. Dieses war eine überlegte Auslegungwahl---viele Leute interpretieren Chiquadrat Resultate fehl, und die Zeichenkettehilfen erklären die Bedeutung.

Die Zeichenkette ging durch chisquare () abgleicht immer eins dieser Muster zurück:

„Theres eine >d+% Wahrscheinlichkeit und a oder
„Theres a oder
„Ich kippe Wahlen des Griffs d+ ohne einen besseren Tisch.“

Dieses letzte man verdient ein bißchen mehr Erklärung. Die „moderne“ Chiquadrat Prüfung verwendet einen Tisch der Werte (basiert auf Pearsons Näherungswert) um teure Berechnungen zu vermeiden. Dank das Tabelle, die chisquare () Berechnung ist sehr schnell, aber es gibt einige Datenerfassungen es schräger Griff, einschließlich irgendeine Ansammlung mit mehr als 31 Schlitzen. So berechnen Sie schräg den Zufallscharakter von 50 mit Seiten versehen sterben.
Sie beachten auch, dass die Prozentpunkte, die für die verschiedenen Anzahlen von Datenpunkten tabelliert worden sind - d.h., denn verschiedene Freiheitsgrade - sich unterscheiden. Der Tisch Jon Orwants in der ursprünglichen Version hat die Daten, die für 100%, 99%, 95%, 90%, 70%, 50%, 30%, 10%, 5% und 1% die Wahrscheinlichkeiten tabelliert werden. Die Daten, die später von David Cantrell hinzugefügt werden, werden für 100%, 99%, 95%, 90%, 75%, 50%, 25%, 10%, 5% und 1% die Wahrscheinlichkeiten tabelliert.

BEISPIELE

Eine leicht geschlagene Münze sich vorstellen 1000mal. Das erwartete Resultat ist 500 Leiter und 500 Hecks:

@coin = (500, 500);
Druck chisquare (@coin);

Drucke „Theres eine >90% Wahrscheinlichkeit und eine <100% Wahrscheinlichkeit, dass diese Daten gelegentlich sind.
Eine gerollte Düse sich vorstellen 60mal, die sixes gerade ein kleines Bit zu häufig zeigt.

@die1 = (8, 7, 9, 8, 8, 20);
chisquare (@die1) drucken;

Drucke „Theres eine >1% Wahrscheinlichkeit und eine <5% Wahrscheinlichkeit, dass diese Daten gelegentlich sind.
Eine gerollte Düse sich vorstellen 600mal, die sixes Methode zu häufig zeigt.

@die2 = (80, 70, 90, 80, 80, 200);
chisquare (@die2) drucken;

Drucke „Theres eine <1% Wahrscheinlichkeit, dass diese Daten sind gelegentlich.“
Ist Rand wie gelegentlich ()?

srand (Zeit ^ $$);
@rands = ();
für ($i = 0; $i < 60000; $i++) {
$slot = int (Rand (6));
$rands [$slot] ++;
}
Druck „@randsn“;
Druck chisquare (@rands);

Drucke (auf meiner Maschine)

10156 10041 9991 9868 10034 9910
Theres eine >10% Wahrscheinlichkeit und eine <50% Wahrscheinlichkeit, dass diese Daten gelegentlich sind.

Soviel für Pseudozufallszahlerzeugung.

Statistiken:: ROC ist eine Perl-Baugruppe mit Empfänger-Bediener-charakteristischen (ROC) Kurven mit parameterfreien Vertrauensgrenzen.

SYNOPSE

Gebrauch Statistiken:: ROC;

mein ($y) = loggamma ($x);
mein ($y) = Betain ($x, $p, $q, $beta);
mein ($y) = Betain ($x, $p, $q);
mein ($y) = xinbta ($p, $q, $beta, $alpha);
mein ($y) = Xinbta ($p, $q, $alpha);
mein (@rk) = Rang ($type, @r);
mein (@ROC) = Roc ($model_type, $conf, @val_grp);

Dieses Programm stellt die ROC-Kurve fest und sein parameterfreies Vertrauen springt für die Daten, die in zwei Gruppen kategorisiert werden. EINE ROC-Kurve zeigt das Verhältnis der Wahrscheinlichkeit der falschen Warnung (X-axis) zur Wahrscheinlichkeit des Befunds (Y-axis) für eine bestimmte Prüfung. Ausgedrückt in den medizinischen Ausdrücken: die Wahrscheinlichkeit einer positiven Prüfung, keine Krankheit zur Wahrscheinlichkeit einer positiven Prüfung gegeben, Krankheit gegeben. Die ROC-Kurve kann verwendet werden, um einen optimalen Sperrepunkt für die Prüfung festzustellen.
Die Hauptfunktion ist Roc (). Die anderen Exportfunktionen werden durch Roc () verwendet, aber konnten für andere parameterfreie statistische Prozeduren nützlich sein.

loggamma

Diese Prozedur wertet den natürlichen Logarithmus des Gammas aus (x) für alles x>0, genau zu 10 Dezimalstellen. Stirlings Formel wird für das zentrale polynomische Teil der Prozedur verwendet. Für x=0 wird ein Wert von 743.746924740801 zurückgebracht: dieses ist loggamma (9.9999999999E-324).

Betain

Berechnet unvollständiges Betafunktionsverhältnis

Anmerkungen:
Betafunktion beenden: B (P, q)=gamma (p)*gamma (q)/gamma (p+q)
protokollieren (B (P, Q)) =ln (Gamma (P)) +ln (Gamma (Q)) - ln (Gamma (p+q))

Unvollständiges Betafunktionsverhältnis:
I_x (P, q)=1/B (P, Q) * int_0^x t^ {p-1} * ^ (1-t) {q-1} Papierlösekorotron

--> Bordbuch (B (P, Q)) muß angegeben werden, um I_x (P, Q) zu berechnen
Bordbuch bezeichnet den natürlichen Logarithmus
$beta = Bordbuch (B (P, Q))
$x = x
$p = P
$q = q
Die Subroutine bringt I_x zurück (P, Q). Wenn ein Fehler ein negatives auftritt, bewerten
{- 1, - 2} wird zurückgegangen.

Betain

Berechnet die unvollständige Betafunktion indem das Rufen von loggamma () und von Betain ().

xinbta

Berechnet Gegenteil des unvollständigen Betafunktionsverhältnisses

Anmerkungen:

Betafunktion beenden: B (P, q)=gamma (p)*gamma (q)/gamma (p+q)
protokollieren (B (P, Q)) =ln (Gamma (P)) +ln (Gamma (Q)) - ln (Gamma (p+q))

Unvollständiges Betafunktionsverhältnis:
Alpha = I_x (P, Q) = 1/B (P, Q) * int_0^x t^ {p-1} * ^ (1-t) {q-1} Papierlösekorotron

--> Bordbuch (B (P, Q)) muß angegeben werden, um I_x (P, Q) zu berechnen
Bordbuch bezeichnet den natürlichen Logarithmus
$beta = Bordbuch (B (P, Q))
$alpha= I_x (P, Q)
$p = P
$q = q
Die Subroutine bringt X. zurück. Wenn ein Fehler ein negativer Wert auftritt {- 1, - 2, - 3}
wird zurückgegangen.

Xinbta

Berechnet das Gegenteil der unvollständigen Betafunktion indem das Rufen von loggamma () und von xinbta ().

Rang

Berechnet die Ränge der Werte, die als das zweite Argument spezifiziert werden (eine Reihe). Bringt einen Vektor der Ränge zurück, die dem Inputvektor entsprechen. Verschiedene Typen der Klassifizierung sind (hoch, niedrig, Mittelwert) möglich und werden als zuerst Argument spezifiziert. Diese unterscheiden sich in der Methodengleichheit des Inputvektors, d.h. werden identische Werte, behandelt:

hoch:

Ränge der identischen Werte durch ihren höchsten Rang ersetzen

niedrig:

Ränge der identischen Werte durch ihren niedrigsten Rang ersetzen

Mittelwert:

Ränge der identischen Werte durch den Mittelwert ihrer Ränge ersetzen

Roc

Stellt die ROC-Kurve fest und sein parameterfreies Vertrauen springt. Die ROC-Kurve zeigt das Verhältnis „der Wahrscheinlichkeit der falschen Warnung“ (X-axis) „zur Wahrscheinlichkeit des Befunds“ (Y-axis) für eine bestimmte Prüfung. Oder in den medizinischen Ausdrücken: die „Wahrscheinlichkeit einer positiven Prüfung, keine Krankheit“ zur „Wahrscheinlichkeit einer positiven Prüfung gegeben, Krankheit gegeben“. Die ROC-Kurve kann verwendet werden, um einen „optimalen“ Sperrepunkt für die Prüfung festzustellen.

Das Programm nimmt drei Argumente:

(1) Typ des Baumusters: verringern oder erhöhen, gibt dieses die Annahme an, dass ein höherer (Zunahme) Wert der Daten neigt, ein Schauzeichen eines positiven Testergebnisses oder für die vorbildliche Abnahme zu sein ein niedrigerer Wert.
(2) doppelseitiges konfidenzintervall (normalerweise 0.95 wird gewählt).
(3) die Daten gelagert als Liste-vonlisten: jede Eingabe in den diese Liste consits eines „Wertes/zutreffenden der Gruppe“ der Paare, d.h. Wert/Krankheitgeschenk. Gruppenwerte sind von {0.1}. 0 steht für die Krankheit (oder Signal) nicht vorhanden (vorherige Kenntnisse) und 1 für Geschenk der Krankheit (oder Signals) (vorherige Kenntnisse). Beispiel: @s= ([2, 0], [12.5, 1], [3, 0], [10, 1], [9.5, 0], [9, 1]); Die kleine Deckung der Gruppen beachten. Der optimale Sperrepunkt, zum sich der zwei Gruppen zu trennen würde zwischen 9 und 9.5 sein, wenn das Kriterium des Optimalzustandes, die Wahrscheinlichkeit des Befunds zu maximieren und die Wahrscheinlichkeit der falschen Warnung gleichzeitig herabzusetzen ist.

Bringt Liste-vonlisten mit den drei Kurven zurück: @ROC= ([@lower_b], [@roc], [@upper_b]) jedes der Kurven ist wieder Liste-vonlisten mit jeder Eingabe das Bestehen (x, y) Paare.

Beispiele:

$, = " „;
Druck loggamma (10), „N“;
Druck Xinbta (3.4, Betain (.6, 3.4)), „N“;

@e= (0.7, 0.7, 0.9, 0.6, 1.0, 1.1, 1, .7, .6);
Druckrang (Tief, @e), „N“;
Druckrang (Höhe, @e), „N“;
Druckrang (Mittelwert, @e), „N“;

@var_grp= ([1.5, 0], [1.4, 0], [1.4, 0], [1.3, 0], [1.2, 0], [1.0], [0.8, 0],
[1.1, 1], [1.1], [1.1], [0.9, 1], [0.7, 1], [0.7, 1], [0.6, 1]);
@curves=roc (Abnahme, 0.95, @var_grp);
Druck „$curves [0] [2] [0] $curves [0] [2] [1] N“;

Statistiken:: TTest ist eine Perl-Baugruppe, zum der T-Prüfung auf 2 unabhängigen Proben durchzuführen.

Statistiken:: TTest:: Genügend - Perl-Baugruppe zur perfrom T-Prüfung auf 2 indepdent Proben using genügende Statistiken

SYNOPSE

#example für Statistiken:: TTest
Gebrauch Statistiken:: PointEstimation;
Gebrauch Statistiken:: TTest;
mein @r1= ();
mein @r2= ();
mein $rand;

für ($i=1; $i<=32; $i++) #generate eine gleichmäßig verteilte Probe mit mean=5
{

$rand=rand (10);
@r1, $rand drücken;
$rand=rand (10) - 2;
@r2, $rand drücken;
}


mein $ttest = neue Statistiken:: TTest;
$ttest->set_significance (90);
$ttest->load_data (@r1, @r2);
$ttest->output_t_test ();
$ttest->set_significance (99);
$ttest->print_t_test (); #list heraus Tprüfung in Verbindung stehende Daten

#the folgende thes selben wie, rufend output_t_test () (Sie können überprüfen, ob $ttest-> {gültiges} ==1, zum zu überprüfen, ob die Daten. gültig sind)
mein $s1=$ttest-> {s1}; #sample 1 Statistiken:: PointEstimation Nachricht
mein $s2=$ttest-> {s2}; #sample 2 Statistiken:: PointEstimation Nachricht
Druck „***************************************************** nn“;
$s1->output_confidence_interval (1);
Druck „***************************************************** nn“;
$s2->output_confidence_interval (2);
Druck „***************************************************** nn“;

Druck „Vergleich dieser 2 unabhängigen samples.n“;
Druck „t F-statistic=“, $ttest->f_statistic (),“, Sperre F-statistic= ", $ttest->f_cutoff (),
„mit Alphalevel=“, $ttest->alpha*2,“ und DF = („, $ttest->df1,“, „, $ttest->df2,“) N ";
wenn ($ttest-> {equal_variance})
{Druck „tequal Abweichungsannahme angenommen (nicht zurückgewiesen) seit F-Statistik < Sperre F-statisticn“;};
sonst
{Druck „tequal Abweichungsannahme zurückgewiesen seit F-Statistik > Sperre F-statisticn“;}

Druck „tdegree von freedom=“, $ttest->df,“, t-statistic=T= ", $ttest->t_statistic, „Prob >|T|=“, $ttest-> {t_prob}, „N“;
„die Nullhypothese drucken (die 2 Proben haben den gleichen Mittelwert), sind“, $ttest->null_hypothesis (),
„da der Alphastand“ ist, $ttest->alpha () *2, „N“;
„tdifference des mean=“ drucken, $ttest->mean_difference (),“, Standarderror= ", $ttest->standard_error (), „N“;
Druck „t die Schätzung des Unterschiedes des Mittelwerts ist“, $ttest->mean_difference (), „+/-“, $ttest->delta (), „NT“,
„oder (“, $ttest->lower_clm (), „zu“, $ttest->upper_clm, ") mit“, confidencen $ttest->significance, „% von“;

#example für Statistiken:: TTest:: Genügend
Gebrauch Statistiken:: PointEstimation;
Gebrauch Statistiken:: TTest;

mein %sample1= (
Zählimpuls =>30,
Mittel=>3.98,
Abweichung =>2.63
);

mein %sample2= (
count=>30,
mean=>3.67,
variance=>1.12
);


mein $ttest = neue Statistiken:: TTest:: Genügend;
$ttest->set_significance (90);
$ttest->load_data (%sample1, %sample2);
$ttest->output_t_test ();
#$ttest->s1->print_confidence_interval ();
$ttest->set_significance (99);
$ttest->output_t_test ();
#$ttest->s1->print_confidence_interval ();

Statistiken:: TTest

Dieses ist die statistische T-Prüfung Baugruppe, zum von 2 unabhängigen Proben zu vergleichen. Es ergreift Reihe 2 Punktmaßnahmen, berechnet die Konfidenzintervalle using die PointEstimation Baugruppe (die auch in diesem Paket eingeschlossen) und verwendet die T-Statistik, um die Nullhypothese zu prüfen. Wenn die Nullhypothese zurückgewiesen, gegeben der Unterschied als das lower_clm und das upper_clm der TTest Nachricht.

Statistiken:: TTest:: Genügend

Diese Baugruppe ist eine Unterklasse von Statistiken:: TTest. Anstatt, die realen Datenpunkte als des Input zu nehmen, berechnet es die Konfidenzintervalle, die auf den genügenden Statistiken und der Stichprobengröße eingegeben basieren. Um diese Baugruppe zu verwenden, müssen Sie die Stichprobengröße, den Beispielmittelwert und die Beispielabweichung in die load_data () Funktion führen. Der Ausgang ist genau der selbe wie die Statistiken:: TTest Baugruppe.

Statistiken:: Abstands-Perl-Baugruppe ist eine Anpassung der Abstands-Statistik.

SYNOPSE

Gebrauch Statistiken:: Abstand;
$predictedk = &gap („Vorzeichen“, „vec“, INPUTMATRIX, „rbr“, „h2“, 30, 10, Repräsentant, 90, 4);

ODER

Gebrauch Statistiken:: Abstand;
$predictedk = &gap („Vorzeichen“, „vec“, INPUTMATRIX, „rbr“, „h2“, 30, 10, Repräsentant, 90, 4, 7);

INPUT

1. Vorzeichen: Die Zeichenkette, die zu als Vorzeichen, während das Benennen des Vermittlers verwendet werden sollte archiviert und das .dat archiviert (Plandateien).
2. Platz: Spezifiziert den Platz, in dem das Bündeln durchgeführt werden sollte. Gültige Parameterinhalte: vec - vektorplatz sim - Ähnlichkeitplatz
3. InputMatrix: Bahn zur Inputgrundmassedatei. (Weitere Einzelheiten über das Input Dateiformat unten.)
4. ClusteringMethod: Spezifiziert die bündelnde verwendet zu werden Methode. (Mehr über dieses an erlernen: http://glaros.dtc.umn.edu/gkhome/cluto/cluto/overview)
Gültige Parameterinhalte:
Rb - wiederholte Bisections
rbr - wiederholte Bisections für durch Kmethode Verfeinerung
direkt - direktes Kmethode Bündeln
agglo - sich zusammenballendes Bündeln
bagglo - Partitional voreingenommenes sich zusammenballendes Bündeln
MITTEILUNG: bagglo kann verwendet werden nur wenn space=vec
5. Crfun: Spezifiziert die für das Finden verwendet zu werden Kriteriumsfunktion, der bündelnden Lösungen. (Mehr über dieses an erlernen: http://glaros.dtc.umn.edu/gkhome/cluto/cluto/overview)
Gültige Parameterinhalte:
i1 - Funktion des Kriteriums I1
i2 - Funktion des Kriteriums I2
e1 - Funktion des Kriteriums E1
h1 - Funktion des Kriteriums H1
h2 - Funktion des Kriteriums H2
6. K: Dieses ist ein ungefähres oberes Limit für die Zahl Blöcken, die im Datensatz anwesend sein können.
7. B: Die Zahl den festgelegt zu werden Verdoppelungen/Hinweisen.
8. TypeRef: Spezifiziert, ob man b-Verdoppelungen von einem Hinweis festlegt oder b-Hinweise festlegt.
Gültige Parameterinhalte:
Repräsentant - Verdoppelungen
Hinweis - Hinweise
9. Prozentsatz: Spezifiziert das in der Journaldatei berichtet zu werden Prozentsatzvertrauen. Seit Statistiken:: Abstand wendet parametrische Bootstrapmethode für Bezugsverteilungserzeugung an, ist- es kritisch, den Abstand um den Beispielmittelwert zu verstehen, der den Mittelwert der Bevölkerung („zutreffend“ enthalten konnten) und mit, welchen Sicherheit.
10. Präzision: Spezifiziert die beim Generierung der Bezugsverteilung verwendet zu werden Präzision.
11. Startwert für Zufallsgenerator: Der mit dem Zufallszahlen-Generator verwendet zu werden Startwert für Zufallsgenerator. (Dieses ist ein wahlweiseparameter. Durch Zahlungseinstellung wird kein Startwert für Zufallsgenerator. eingestellt)

Statistiken:: Verteilungen ist eine Perl-Baugruppe für die Berechnung der kritischen Werte und der oberen Wahrscheinlichkeiten der geläufigen statistischen Verteilungen.

SYNOPSE

Gebrauch Statistiken:: Verteilungen;

$chis=Statistics:: Verteilungen:: chisqrdistr (2, .05);
Druck „Chi-quadriert-crit (2 Freiheitsgrade, 95. Prozentanteil“
. „= 0.05 Stand) = $chisn“;

$u=Statistics:: Verteilungen:: udistr (.05);
Druck „u-crit (95. Prozentanteil = 0.05 Stand) = $un“;

$t=Statistics:: Verteilungen:: tdistr (1, .005);
Druck „t-crit (1 Freiheitsgrad, 99.5. Prozentanteil = 0.005 Stand)“
. „= $tn“;

$f=Statistics:: Verteilungen:: fdistr (1.3, .01);
Druck „F-crit (1 Freiheitsgrad im Zähler, 3 Freiheitsgrade“
. „im Nenner, im 99. Prozentanteil = 0.01 Stand) = $fn“;

$uprob=Statistics:: Verteilungen:: uprob (- 0.85);
obere Wahrscheinlichkeit des Druckes „der u-Verteilung (u = -0.85): Q (u)“
. „= 1-G (u) = $uprobn“;

$chisprob=Statistics:: Verteilungen:: chisqrprob (3.6.25);
Druck „obere Wahrscheinlichkeit von der Chiquadrat Verteilung (3 Grad“
. „von der Freiheit, vom Chi-squared = 6.25): Q = 1-G = $chisprobn“;

$tprob=Statistics:: Verteilungen:: tprob (3.6.251);
Druck „obere Wahrscheinlichkeit von der T-Verteilung (3 Grade an“
. „Freiheit, t = 6.251): Q = 1-G = $tprobn“;

$fprob=Statistics:: Verteilungen:: fprob (3.5, .625);
Druck „obere Wahrscheinlichkeit von der F-Verteilung (3 Freiheitsgrade“
. „in Zähler, in 5 Freiheitsgraden im Nenner, F = 6.25): “
. „Q = 1-G = $fprobn“;

Diese Perl-Baugruppe berechnet Prozentpunkte (5 beträchtliche Digits) der Verteilung u-(Standardnormal), der Kursteilnehmert-verteilung, der Chiquadrat Verteilung und der F-Verteilung. Sie kann die obere Wahrscheinlichkeit (5 beträchtliche Digits) des u (Standardnormal), des Chiquadrats, des t und der F-Verteilung auch berechnen. Diese kritischen Werte sind, statistische Prüfungen, wie die u-Prüfung, die t-Prüfung, die f-Prüfung und die Chi-squaredprüfung durchzuführen, erforderlich und Konfidenzintervalle zu berechnen.

Wenn Sie an den exakteren Algorithmen interessiert sind, konnten Sie betrachten: StatLib: http://lib.stat.cmu.edu/apstat/; Angewandte Statistik-Algorithmen durch Griffiths, P. und Hügel, Identifikation., Ellis Horwood: Chichester (1985)

Anti-Paranoia ist eine Extension, die alle Ihre Zweifel nimmt und Ihnen Vertrauen gibt.

Besonders wenn Sie an Sicherheit arbeiten, konnten Sie das Gefühl erhalten, das Ihr Teil von etwas wirklich groß und möglicherweise von sogar Übel.

Wie kann Ihre Extension mir helfen? Sie springt oben calmative Meldungen heraus, damit Sie sich fühlen entspannt beim Durchstöbern des Webs.

Nicht kundschaftet diese Extension nicht aus und Ihre persönlichen Daten zu zerstören, sich erinnern: Alles ist gut!

Gelegentliche Thema-Rangierlok liefert eine Extension, der Schalter stichprobenweise Zeitabstand behäuten.

Wenn Sie kein Thema eingebaut haben, ist diese Extension unbrauchbar.

Dattel:: Formatierer-Perl-Baugruppe ist Nachricht einer einfachen Dattel- und Zeitformatierung.

SYNOPSE

Gebrauch Dattel:: Formatierer;

# eine Dattel erstellen:: Formatierernachricht mit dem Tagesdatum und der Zeit.
mein $date = Dattel:: Formatter->now ();

# ein Formatiererprogramm für diese Nachricht erstellen
# Formatierer Mini-sprachenunterlagen unten sehen
$date->createDateFormatter („(hh): (mm): (SS) (mm)/(DD)/(YYYY) ");

$date drucken; # Druckdattel in diesem Format - > 12:56: 03 4/12/2004

# den Formatierer für Gebrauch mit anderen Nachrichten erhalten
mein $formatter = $date->getDateFormatter ();

# einen Abstand der Zeit erstellen
mein $interval = Dattel:: Formatter->createTimeInterval (Jahre => 1, Tag=> 2, protokolliert => 15);

# Wiederverwendung das formater von oben
$interval->setDateFormatter ($formatter);

Druck $interval; # Druckdattel in diesem Format - > 12:56: 03 4/12/2004

# Gebrauch überbelastete Bediener
mein $future_date = $date + $interval;

# Sortierung die Datteln (wieder mit dem Überlastungsbediener)
meine @sorted_dates = Sortierung {$a <=> $b} ($date, $interval, $future_date);

Diese Baugruppe liefert eine schnelle und sehr flexible in den Formatierungsdatteln und -zeiten verwendet zu werden Mini-sprache. Zwecks die nützlich zwar bilden lassen, mußten wir eine völlig arbeitende Dattel- u. Zeitnachricht. Diese Nachricht schaut und riecht ganz wie das Java und die Javascript-Dattelnachricht auf Zweck. Wir überbelasteten auch einige Bediener, um Dattelzusatz und -abzug sowie Vergleiche zu erlauben.

ist Kategorienbibliothek Wechselstrom-++ für mehrfache Genauigkeits- Abstandarithmetik libmultival. libmultival Bibliothek basiert auf Easyval, und Gebrauch MpIeee numeriert (das Arithmos Projekt sehen), wie Abstand springt.

MpIeee ist nicht für Download erhältlich, aber Sie können libmultival gegen libmplite außerdem kompilieren.

Sind hier einige Hauptmerkmale von „libmultival“:

· Zusatz, Abzug, Vermehrung, Abteilung
· Ausgang zu den C++ Strömen
· Absolutwert, Leistung, Logarithmus, Quadratwurzel

CGIFeed is a CGI program that reads news feeds (via XML/RDF/RSS) and prepares HTML pages for them.

You can enter new feeds through the Web page, and edit the name and update interval for each feed.

bytetraf Projekt ist ein kleines Werkzeug für das Überwachen des Verkehrs nach und von Ihrer Maschine.

Die folgenden Informationen werden zum stdout in einem spezifizierten Zeitabstand gedruckt: Zeit, Schnittstelle, Bytes empfangen, Bytes übertragen und Zollsatz.

Ereignis:: Notfall ist eine Perl-Baugruppe für Ereignisregelkreisstatistiken. Die Ereignisbaugruppe instrumentieren, um Statistiken zu erfassen.

API

montieren ($yes)

Stellt fest, ob Statistiken montiert werden. Addiert arithmetisch $yes dem Verbrauchzählimpuls. Notfall werden aktiviert, während der Verbrauchzählimpuls positiv ist.

$round_sec = round_seconds ($sec)

Statistiken werden nicht in zweiten Abständen einer montiert. Diese Funktion konvertiert einen *desired* Zeitabstand in einen *available* Zeitabstand. Geräte sind in den Sekunden.

$elapse = total_time ($sec)

Wegen der lang haltend Rückrufe, Messen-Abstände kann nehmen länger als erwartet. Diese Funktion bringt die tatsächliche Borduhrzeit für einen gegebenen Messen-Abstand zurück.

($rans, $dies, $elapse) = idle_time ($sec)

($runs, $dies, $elapse) = $watcher->stats ($sec)

Rückholstatistiken für die letzten $sec Sekunden der Arbeitsweise. Drei Zahlen werden zurückgebracht: die Zahl Zeiten, die der Rückruf angeführt worden ist, die Zahl uncaught Ausnahmen und die Zahl Sekunden wendete innerhalb des Rückrufs auf. NetServer auch sehen:: ProcessTop.

enforce_max_callback_time ($yes)

Nützlich für Fehlersuche. XXX

Fuzzy Seten für Ada ist eine Bibliothek, die Umsetzungen der Vertrauensfaktoren mit den Arbeitsweisen nicht und, oder, xor, +, und *, klassischen Fuzzy Seten mit den einstellen-theoretischen Arbeitsweisen und den Arbeitsweisen der Möglichkeittheorie, intuitionistischen Fuzzy Seten mit den Arbeitsweisen auf ihnen, der Fuzzy-Logik basieren auf den intuitionistischen Fuzzy Seten und der Möglichkeittheorie versieht; flockige Zahlen, ganze Zahl und Gleitkomma mit herkömmlichen arithmetischen Arbeitsweisen und linguistische Variablen und Einstellungen der linguistischen Variablen mit Arbeitsweisen auf ihnen. Fuzzy Seten für Ada hat Träger für stringorientierte Ein-/Ausgabe.

Sind hier einige Hauptmerkmale „der Fuzzy Seten für Ada“:

· Vertrauensfaktoren mit den Arbeitsweisen nicht und, oder, xor, +, *;
· Klassische Fuzzy Seten mit den einstellen-theoretischen Arbeitsweisen und den Arbeitsweisen der Möglichkeittheorie;
· Intuitionistische Fuzzy Seten mit den Arbeitsweisen auf ihnen;
· Fuzzy-Logik basiert auf den intuitionistischen Fuzzy Seten und der Möglichkeittheorie;
· Flockige Zahlen ganze Zahl und die Gleitkommamit herkömmlichen arithmetischen Arbeitsweisen;
· Bemessene flockige Zahlen;
· Linguistische Variablen und Einstellungen der linguistischen Variablen mit Arbeitsweisen auf ihnen;
· Stringorientierte Ein-/Ausgabe unterstützt.

Was in diesem Auslösen neu ist:

· Der Code geprüft mit MÜCKE Ada 2005 (GCC 4.0.2 20051125).
· Eine Marke geregelt in Fuzzy.Linguistics.Sets.Defuzzify, das zu falsches defuzzification mit einer absteigenden Mitgliedschaftsfunktion führte.

Auf Projekt ist ein ASCII-Ganzseitenleistungsüberwachungsgerät, das dem Spitzenbefehl ähnlich ist.

In regelmäßigen Abständen zeigt es die system-level Aktivität, die auf der CPU, der Speicher, das Swapgeschäft, die Platten und die Vermittlungsschichten in Verbindung gestanden wird, und es zeigt für jeden aktiven Prozeß die CPU-Anwendung im System und Benutzerbetriebsart, das virtuelles und Residentspeicherwachstum, Vorrang, username, Zustand und Endecode.

Die waagerecht ausgerichtete Prozeßaktivität wird auch für Prozesse gezeigt, welches fertige während des letzten Abstands, einen kompletten Überblick über die Verbraucher von Sachen wie Zentralprozessor-Zeit erhalten.

Auf nur Erscheinen die aktiven Systemhilfsmittel und die Prozesse und nur Erscheinen die Abweichungen seit dem vorhergehenden Abstand.

Was in diesem Auslösen neu ist:

· Ein neuer Befehl, atopsar, ist hinzugefügt worden, um die ausführlichen SystemsTätigkeitsberichte (ähnlich dem UNIX-Befehl sar) using die komprimierten Journaldateien festzulegen, wie auf vorbei geschrieben.
· Diese Reports können für die gegenwärtige Lage auch festgelegt werden, indem man einen Abstand für atopsar auf der Befehlszeile spezifiziert.

Nietzsche liefert ein einfaches, Sprache zu erlernen.

Es ist eine geübersetzte Sprache, und so weiter geschrieben mit einem hexadezimalen Herausgeber wie plexedit, hexedit.

Sie müssen den Dateinamen und die Zahl leeren Zeichen nur liefern
zu eingesteckt werden.

Das Nullzeichen für Nietzsche ist Hexagon 00.

Using Kennsätze in dieser Sprache ist grundlegend. SO sein eine gute Sache, zum des Vertrauens mit ihnen zu nehmen und sie bestenfalls zu verwenden.

Kennsätze müssen mit 5 (05) 5 anfangen und beenden (05).

SquTUN erstellt AES-verschlüsselt, SHA-1 beglaubigter UDP-Tunnel, über dem die IP-Pakete, die von einer BOTTICH-Schnittstelle empfangen werden, eingekapselt und gesendet werden.

Es soll Einbau ersetzen, der aktuell CIPE für Punkt-zu-Punkt-VPNs verwenden. Anders als CIPE erfordert SquTUN nicht eine kundenspezifische Kernbaugruppe.

Außerdem sind SquTUNs Umsetzung und Schnittstelle viel weniger der Komplex und führen zu grösseres Vertrauen in seiner Korrektheit.

Was in diesem Auslösen neu ist:

· Dieses Auslösen stellt heraus den Rest des letzten Klartextblockes auf null ein, bevor es die uninitialized (und vielleicht, privaten) Daten zu senden zu vermeiden, sendet.
· Es repariert auch Typen Nichtübereinstimmungsvorsichtshinweise mit syslog-/printf-darunter - Wand.

Vipuls Rasiermesser ist ein kooperatives, verteiltes, Spambefund- und Entstörungsnetz. Durch Benutzerbeitrag festlegt Rasiermesser einen verteilten und ständig ändernden Katalog von Spam in der Ausbreitung pam, die von den eMail-Klienten konsultiert, um heraus bekanntes Spam zu filtern.

Befund erfolgt mit den statistischen und randomisierten Unterzeichnungen, die effizient ändernden Spaminhalt beschmutzen. Benutzerinput validiert durch die Renommeanweisungen, die auf Übereinstimmung auf Report basieren und widerruft Behauptungen, der der Reihe nach für das Berechnen der Vertrauenswerte verwendet, die mit einzelnen Unterzeichnungen verbunden sind.

Was in diesem Auslösen neu ist:

· Die Entdeckunglogik, die für die Entdeckung der Servers Razor2 verwendet, war aktualisiert.
· Einige althergebrachte Ausgaben geregelt in der Entdeckung- und TCP-Anschlußfähigkeitlogik.