สถิติและข้อมูลขนาดใหญ่

ถามตอบสำหรับผู้ที่สนใจในสถิติการเรียนรู้ของเครื่องจักรการวิเคราะห์ข้อมูลการขุดข้อมูล

2
โมเดลกราฟิกและเครื่องจักร Boltzmann เกี่ยวข้องกับคณิตศาสตร์หรือไม่?
ในขณะที่ฉันได้ทำการเขียนโปรแกรมด้วยเครื่องจักร Boltzmann ในระดับฟิสิกส์จริง ๆ แล้วฉันไม่คุ้นเคยกับลักษณะทางทฤษฎีของพวกเขา ในทางตรงกันข้ามฉันรู้ว่าเป็นจำนวนเงินที่เจียมเนื้อเจียมตัวเกี่ยวกับทฤษฎีของแบบจำลองกราฟิก (ประมาณสองสามบทแรกของหนังสือเล่ม Lauritzen ของกราฟิกรุ่น ) คำถาม:มีความสัมพันธ์ที่มีความหมายระหว่างโมเดลกราฟิกและเครื่องจักร Boltzmann หรือไม่? เครื่อง Boltzmann เป็นรูปแบบกราฟิกหรือไม่? เห็นได้ชัดว่าเครื่อง Boltzmann เป็นโครงข่ายประสาทประเภทหนึ่ง ฉันเคยได้ยินว่าเครือข่ายประสาทบางส่วนเกี่ยวข้องกับคณิตศาสตร์ในรูปแบบกราฟิกและบางเครือข่ายนั้นไม่ใช่ คำถามที่เกี่ยวข้องกับ CrossValidated ที่ไม่ตอบคำถามของฉัน: คล้ายกับคำถามก่อนหน้านี้ที่ถูกถามมาก่อน: อะไรคือความสัมพันธ์ระหว่างโมเดลลำดับชั้นเครือข่ายประสาทเทียมโมเดลกราฟิกเครือข่ายแบบเบย์? แต่มีความเฉพาะเจาะจงมากขึ้น ยิ่งกว่านั้นคำตอบที่ได้รับการยอมรับสำหรับคำถามนั้นไม่ได้ทำให้ฉันสับสน - แม้ว่าโหนดในการแสดงกราฟิกมาตรฐานของโครงข่ายประสาทเทียมไม่ได้เป็นตัวแทนของตัวแปรแบบสุ่มซึ่งไม่ได้หมายความว่าไม่มีตัวแทนดังกล่าวอยู่จริง โดยเฉพาะฉันคิดว่าโหนดในการแสดงกราฟิกทั่วไปของห่วงโซ่มาร์คอฟเป็นตัวแทนของชุดของสถานะที่เป็นไปได้มากกว่าตัวแปรสุ่มแต่ก็สามารถสร้างกราฟที่แสดงความสัมพันธ์แบบพึ่งพาเงื่อนไขระหว่างXiXiX_iXiXiX_iซึ่งแสดงให้เห็นว่าห่วงโซ่มาร์คอฟทุกอันที่จริงแล้วเป็นสนามสุ่มของมาร์คอฟ คำตอบยังบอกอีกว่าเครือข่ายประสาท (สันนิษฐานรวมถึงเครื่อง Boltzmann) เป็น "พินิจพิเคราะห์" แต่ไม่ได้เข้าไปดูรายละเอียดเพิ่มเติมเพื่ออธิบายสิ่งที่อ้างว่าหมายถึงและคำถามที่ตามมาอย่างชัดเจน จ่าหน้า ในทำนองเดียวกันคำตอบที่ได้รับการยอมรับเชื่อมโยงไปยังเว็บไซต์ของ Kevin Murphy (ฉันอ่านวิทยานิพนธ์ปริญญาเอกของเขาเมื่อเรียนรู้เกี่ยวกับเครือข่าย Bayesian) แต่เว็บไซต์นี้พูดถึงเครือข่าย Bayesian เท่านั้นและไม่ได้กล่าวถึงเครือข่ายประสาทเลย - แตกต่าง. คำถามอื่น ๆ นี้อาจคล้ายกับของฉันมากที่สุด: …

2
คำขออ้างอิง: สถิติคลาสสิคสำหรับนักวิทยาศาสตร์ด้านข้อมูลการทำงาน
ฉันเป็นนักวิทยาศาสตร์ข้อมูลที่ทำงานด้วยประสบการณ์ที่แข็งแกร่งในการถดถอยอัลกอริธึมชนิดการเรียนรู้ของเครื่องอื่น ๆ และการเขียนโปรแกรม (ทั้งสำหรับการวิเคราะห์ข้อมูลและการพัฒนาซอฟต์แวร์ทั่วไป) ชีวิตการทำงานส่วนใหญ่ของฉันมุ่งเน้นไปที่การสร้างแบบจำลองเพื่อความแม่นยำในการคาดการณ์ (ทำงานภายใต้ข้อ จำกัด ทางธุรกิจต่าง ๆ ) และการสร้างท่อส่งข้อมูลเพื่อสนับสนุนงานของฉันเอง ฉันไม่มีสถิติการฝึกอบรมอย่างเป็นทางการการศึกษาในมหาวิทยาลัยของฉันเน้นที่คณิตศาสตร์บริสุทธิ์ เช่นนี้ทำให้พลาดการเรียนรู้หัวข้อคลาสสิกจำนวนมากโดยเฉพาะการทดสอบสมมติฐานยอดนิยมต่างๆและเทคนิคการอนุมาน มีการอ้างอิงใด ๆ สำหรับหัวข้อเหล่านี้ที่เหมาะสำหรับใครบางคนที่มีพื้นฐานและระดับประสบการณ์หรือไม่? ฉันสามารถจัดการ (และชื่นชม) ความแม่นยำทางคณิตศาสตร์และเพลิดเพลินไปกับมุมมองอัลกอริทึม ฉันมักจะชอบอ้างอิงที่เสนอแบบฝึกหัดที่มีผู้อ่านซึ่งมีทั้งแบบ (หรืออย่างใดอย่างหนึ่ง) โฟกัสการเขียนโปรแกรมทางคณิตศาสตร์และ (หรือ)

3
เมื่อใดที่คุณจะใช้ PCA แทน LDA ในการจำแนกประเภท
ฉันกำลังอ่านบทความนี้เกี่ยวกับความแตกต่างระหว่างการวิเคราะห์องค์ประกอบหลักและการวิเคราะห์จำแนกหลายอย่าง (การวิเคราะห์จำแนกเชิงเส้น) และฉันพยายามเข้าใจว่าทำไมคุณถึงใช้ PCA แทน MDA / LDA คำอธิบายสรุปได้ดังนี้ การพูดอย่างคร่าวๆใน PCA เรากำลังพยายามหาแกนที่มีความแปรปรวนสูงสุดซึ่งเป็นข้อมูลที่แพร่กระจายมากที่สุด (ภายในคลาสเนื่องจาก PCA ปฏิบัติต่อชุดข้อมูลทั้งหมดเป็นหนึ่งคลาส) และใน MDA เรายังเพิ่มการแพร่กระจายระหว่างชั้นเรียนเพิ่มเติม คุณไม่ต้องการที่จะเพิ่มความแปรปรวนสูงสุดและเพิ่มการแพร่กระจายระหว่างคลาสให้สูงสุดหรือไม่?

1
พล็อตกล่องมีรอยหยักเมื่อเทียบกับช่วง Tukey-Kramer
"การบาก" เอกสารความช่วยเหลือ ( หรือข้อความเดิม ) จาก Boxplot ใน 'R' ให้ต่อไปนี้: หากรอยหยักของสองแปลงไม่ทับซ้อนกันนี่คือ 'หลักฐานที่ชัดเจน' ซึ่งสื่อกลางทั้งสองนั้นต่างกัน (Chambers et al, 1983, p. 62) ดู boxplot.stats สำหรับการคำนวณที่ใช้ และ ' boxplot.stats ' ให้สิ่งต่อไปนี้: รอยหยัก (ถ้ามีการร้องขอ) ขยายไปถึง +/- 1.58 IQR / sqrt (n) สิ่งนี้น่าจะเป็นไปตามการคำนวณแบบเดียวกับสูตรที่มี 1.57 ใน Chambers et al (1983, p. 62) ที่กำหนดใน McGill et al (1978, …

2
เปรียบเทียบนัยสำคัญทางสถิติของความแตกต่างระหว่างการถดถอยพหุนามทั้งสองใน R
ดังนั้นก่อนอื่นเลยฉันทำการค้นคว้าเกี่ยวกับฟอรัมนี้และฉันรู้ว่ามี คำถามที่คล้ายกันมากถูกถาม แต่พวกเขามักจะไม่ได้รับคำตอบที่ถูกต้องหรือบางครั้งคำตอบนั้นไม่ละเอียดพอที่จะเข้าใจ ดังนั้นเวลานี้คำถามของฉันคือฉันมีชุดข้อมูลสองชุดในแต่ละชุดฉันทำการถดถอยพหุนามดังนี้: Ratio<-(mydata2[,c(2)]) Time_in_days<-(mydata2[,c(1)]) fit3IRC <- lm( Ratio~(poly(Time_in_days,2)) ) พหุนามถดถอยพหุนามคือ: ค่าสัมประสิทธิ์คือ: > as.vector(coef(fit3CN)) [1] -0.9751726 -4.0876782 0.6860041 > as.vector(coef(fit3IRC)) [1] -1.1446297 -5.4449486 0.5883757 และตอนนี้ฉันอยากรู้ว่าถ้ามีวิธีใช้ฟังก์ชัน R เพื่อทำการทดสอบที่จะบอกฉันว่ามีนัยสำคัญทางสถิติหรือไม่ในความแตกต่างระหว่างการถดถอยพหุนามทั้งสองที่รู้ว่าช่วงเวลาที่เกี่ยวข้องของวันคือ [ 1,100] จากสิ่งที่ฉันเข้าใจฉันไม่สามารถใช้การทดสอบ anova โดยตรงเพราะค่ามาจากชุดข้อมูลที่แตกต่างกันสองชุดหรือ AIC ซึ่งใช้ในการเปรียบเทียบแบบจำลอง / ข้อมูลจริง ฉันพยายามทำตามคำแนะนำของ @Roland ในคำถามที่เกี่ยวข้อง แต่ฉันอาจเข้าใจผิดบางอย่างเมื่อดูผลลัพธ์ของฉัน: นี่คือสิ่งที่ฉันทำ: ฉันรวมทั้งชุดข้อมูลของฉันเป็นหนึ่ง fเป็นตัวแปรที่ @Roland พูดถึง ฉันใส่ 1s สำหรับเซตแรกและ 0s …

1
การพล็อตค่าที่คาดการณ์ไว้ในอนุกรมเวลา ARIMA ใน R
มีความเป็นไปได้มากกว่าหนึ่งความเข้าใจผิดที่ร้ายแรงในคำถามนี้ แต่มันไม่ได้หมายถึงการได้รับการคำนวณที่ถูกต้อง แต่เพื่อกระตุ้นการเรียนรู้ของอนุกรมเวลาที่มีความสำคัญในใจ ในการพยายามที่จะเข้าใจการประยุกต์ใช้อนุกรมเวลาดูเหมือนว่าการตัดแนวโน้มข้อมูลทำให้การคาดการณ์ค่าในอนาคตไม่น่าเชื่อถือ ตัวอย่างเช่นgtempอนุกรมเวลาจากastsaแพ็คเกจมีลักษณะดังนี้: แนวโน้มสูงขึ้นในทศวรรษที่ผ่านมาจะต้องมีการแยกตัวประกอบในเมื่อวางแผนการทำนายค่าในอนาคต อย่างไรก็ตามเพื่อประเมินความผันผวนของอนุกรมเวลาข้อมูลจำเป็นต้องถูกแปลงเป็นอนุกรมเวลาคงที่ ถ้าผมรูปแบบมันเป็นกระบวนการ ARIMA กับ differencing (ฉันเดานี้จะดำเนินการเพราะของกลาง1ในorder = c(-, 1, -)) เช่น: require(tseries); require(astsa) fit = arima(gtemp, order = c(4, 1, 1)) แล้วพยายามทำนายค่าในอนาคต ( ปี) ฉันคิดถึงองค์ประกอบแนวโน้มสูงขึ้น:505050 pred = predict(fit, n.ahead = 50) ts.plot(gtemp, pred$pred, lty = c(1,3), col=c(5,2)) โดยไม่จำเป็นต้องสัมผัสกับการเพิ่มประสิทธิภาพที่แท้จริงของพารามิเตอร์ ARIMA โดยเฉพาะ ฉันจะกู้คืนแนวโน้มขาขึ้นในส่วนที่คาดการณ์ของพล็อตได้อย่างไร ฉันสงสัยว่าจะมี "ซ่อน" ของ …

2
ความน่าจะเป็นของเด็กห้าคนในชั้นเรียนเดียวกันที่มีชื่อเดียวกัน
บนกระดานสนทนาที่ตั้งชื่อทารกผู้ปกครองที่คาดหวังจะทำซ้ำความกลัวของเจนนิเฟอร์บางรุ่นตลอดเวลา: "ฉันไม่ต้องการให้ลูกของฉันเป็นหนึ่งใน 5 ในชั้นเรียนของเขาด้วยชื่อของเขา" สิ่งที่ไม่มีชื่อมาใกล้เคียงกับความนิยมแบบนั้นอีกต่อไปและแม้แต่ที่ความสูงของเจนนิเฟอร์คลั่งคุณไม่ได้รับห้าคนในชั้นเรียน ฉันต้องการคำตอบบางอย่างสำหรับผู้ปกครองเหล่านี้ถึงความซ้ำซ้อนของการซ้ำชื่อที่ไม่น่าจะเป็นไปได้ การใช้ข้อมูลชื่อทารกที่ครอบคลุมของ Social Security Administration ( https://www.ssa.gov/oact/babynames/limits.html ) มีใครช่วยบอกวิธีการหาโอกาสของชั้นประถมศึกษาในสหรัฐอเมริกาที่มีห้าคน เด็กที่มีชื่อเดียวกัน? (สำหรับความเรียบง่ายโดย "ชื่อเดียวกัน" ฉันหมายถึงการสะกดคำเดียวกันและโดย "ชั้นเรียน" ฉันหมายถึงเด็กทุกคนที่เกิดในปีเดียวกัน) ฉันไม่ได้ระบุขนาดของชั้นเรียน แต่แน่นอนควรมากกว่า 4 . :-)

1
วิธีรับ "ค่าลักษณะเฉพาะ" (เปอร์เซ็นต์ของความแปรปรวนที่อธิบาย) ของเวกเตอร์ที่ไม่ใช่ PCA eigenvectors
ฉันต้องการที่จะเข้าใจว่าฉันจะได้รับเปอร์เซ็นต์ความแปรปรวนของชุดข้อมูลไม่ใช่ในพื้นที่พิกัดที่จัดทำโดย PCA แต่เทียบกับเวกเตอร์ (หมุน) ชุดที่แตกต่างกันเล็กน้อย set.seed(1234) xx <- rnorm(1000) yy <- xx * 0.5 + rnorm(1000, sd = 0.6) vecs <- cbind(xx, yy) plot(vecs, xlim = c(-4, 4), ylim = c(-4, 4)) vv <- eigen(cov(vecs))$vectors ee <- eigen(cov(vecs))$values a1 <- vv[, 1] a2 <- vv[, 2] theta = pi/10 rotmat …

1
เส้นโค้งเป็นระยะเพื่อให้พอดีกับข้อมูลเป็นระยะ
ในความคิดเห็นสำหรับคำถามนี้ผู้ใช้ @whuber อ้างถึงความเป็นไปได้ของการใช้เส้นโค้งรุ่นเป็นระยะเพื่อให้พอดีกับข้อมูลเป็นระยะ ฉันต้องการทราบเพิ่มเติมเกี่ยวกับวิธีนี้โดยเฉพาะอย่างยิ่งสมการที่กำหนดเส้นโค้งและวิธีการนำไปใช้ในทางปฏิบัติ (ส่วนใหญ่ฉันเป็นRผู้ใช้ แต่ฉันสามารถทำกับ MATLAB หรือ Python หากจำเป็นต้องเกิดขึ้น) นอกจากนี้ แต่นี่เป็น "ดีที่มี" มันจะเป็นการดีที่ได้ทราบเกี่ยวกับข้อดี / ข้อเสียที่เป็นไปได้เกี่ยวกับการปรับพอดีตรีโกณมิติเกี่ยวกับวิชาตรีโกณมิติซึ่งเป็นวิธีที่ฉันมักจะจัดการกับข้อมูลประเภทนี้ (เว้นแต่การตอบสนองจะไม่ราบรื่นมาก ในกรณีนี้ฉันสลับไปใช้กระบวนการ Gaussian ด้วยเคอร์เนลเป็นระยะ)

2
ความคาดหวังของ
ให้X1X1X_1 , X2X2X_2 , ⋯⋯\cdots , Xd∼N(0,1)Xd∼N(0,1)X_d \sim \mathcal{N}(0, 1)และเป็นอิสระ ความคาดหวังของX 4 1คืออะไรX41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} ? หาEได้ง่าย( X 2 1)E(X21X21+⋯+X2d)=1dE(X12X12+⋯+Xd2)=1d\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d}โดยสมมาตร แต่ฉันไม่รู้วิธีการค้นหาความคาดหวังของX41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} . คุณช่วยให้คำแนะนำหน่อยได้ไหม? สิ่งที่ฉันได้รับจนถึงตอนนี้ ฉันต้องการหาE(X41(X21+⋯+X2d)2)E(X14(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)โดยสมมาตร แต่กรณีนี้แตกต่างจากกรณีสำหรับE(X21X21+⋯+X2d)E(X12X12+⋯+Xd2)\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right)เพราะE(X4i(X21+⋯+X2d)2)E(Xi4(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)อาจไม่เท่ากับE(X2iX2j(X21+⋯+X2d)2)E(Xi2Xj2(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 …

3
ทำไมประมาณการ CV ของข้อผิดพลาดในการทดสอบต่ำกว่าข้อผิดพลาดการทดสอบจริง?
ฉันเข้าใจว่าการประเมินการตรวจสอบข้ามข้อผิดพลาดของ k-fold มักจะประเมินข้อผิดพลาดการทดสอบจริงต่ำเกินไป ฉันสับสนว่าทำไมในกรณีนี้ ฉันเห็นว่าทำไมข้อผิดพลาดในการฝึกอบรมจึงต่ำกว่าข้อผิดพลาดในการทดสอบ - เนื่องจากคุณกำลังฝึกอบรมแบบจำลองในข้อมูลเดียวกันกับที่คุณประเมินข้อผิดพลาด! แต่นั่นไม่ใช่กรณีของการตรวจสอบข้าม - รอยพับที่คุณวัดความผิดพลาดนั้นจะถูกทิ้งไว้โดยเฉพาะในระหว่างกระบวนการฝึกอบรม นอกจากนี้ถูกต้องหรือไม่ที่จะบอกว่าการประเมินการตรวจสอบข้ามข้อผิดพลาดของการทดสอบนั้นมีความลำเอียงลดลง?

5
ทำไมคะแนน f เบต้ากำหนดเบต้าเช่นนั้น
นี่คือคะแนน F เบต้า: Fβ=(1+β2)⋅precision⋅recall(β2⋅precision)+recallFβ=(1+β2)⋅พีRอีคผมsผมโอn⋅Rอีคaล.ล.(β2⋅พีRอีคผมsผมโอn)+Rอีคaล.ล.F_\beta = (1 + \beta^2) \cdot \frac{\mathrm{precision} \cdot \mathrm{recall}}{(\beta^2 \cdot \mathrm{precision}) + \mathrm{recall}} วิกิพีเดียบทความระบุว่าF_FβFβF_\beta "measures the effectiveness of retrieval with respect to a user who attaches β times as much importance to recall as precision" ฉันไม่ได้รับความคิด ทำไมนิยามเช่นนั้น ฉันสามารถกำหนดแบบนี้:F βββ\betaFβFβF_\beta Fβ=(1+β)⋅precision⋅recall(β⋅precision)+recallFβ=(1+β)⋅พีRอีคผมsผมโอn⋅Rอีคaล.ล.(β⋅พีRอีคผมsผมโอn)+Rอีคaล.ล.F_\beta = (1 + \beta) \cdot \frac{\mathrm{precision} \cdot …

2
ข้อกำหนดเบื้องต้นทางคณิตศาสตร์และสถิติเพื่อทำความเข้าใจตัวกรองอนุภาค?
ฉันกำลังพยายามทำความเข้าใจกับตัวกรองอนุภาคและการใช้งานที่เป็นไปได้ในด้านการเงินและฉันกำลังดิ้นรนไม่น้อย สิ่งที่จำเป็นต้องมีทางคณิตศาสตร์และสถิติที่ฉันควรกลับมา (มาจากพื้นหลังในด้านการเงินเชิงปริมาณ) เพื่อ (i) ทำให้พื้นฐานของตัวกรองอนุภาคสามารถเข้าถึงได้และ (ii) เข้าใจในภายหลังอย่างละเอียด? ฉันมีความรู้ที่ดีเกี่ยวกับเศรษฐมิติอนุกรมเวลาระดับบัณฑิตศึกษายกเว้นโมเดลอวกาศของรัฐซึ่งฉันยังไม่ได้ครอบคลุม คำแนะนำใด ๆ ที่ชื่นชมมาก!

1
ค่าที่คาดหวังของอัตราส่วนสูงสุดของตัวแปรปกติ n iid
สมมติว่าX1, . . . , XnX1,...,XnX_1,...,X_nจะ IID จากยังไม่มีข้อความ( μ , σ2)ยังไม่มีข้อความ(μ,σ2)N(\mu,\sigma^2)และให้หมายถึง 'TH องค์ประกอบที่เล็กจากX_1,เราจะสามารถผูกอัตราส่วนสูงสุดไว้กับอัตราส่วนระหว่างสององค์ประกอบที่ต่อเนื่องในอย่างไร นั่นคือคุณจะคำนวณส่วนบนได้อย่างไร:X( i )X(ผม)X_{(i)}ผมผมiX1, . . . , XnX1,...,XnX_1,...,X_nX( i )X(ผม)X_{(i)} E[ สูงสุดฉัน= 1 , . . , n - 1( X( i + 1 )X( i )) ]E[สูงสุดผม=1,...,n-1(X(ผม+1)X(ผม))]E\left[\max\limits_{i=1,...,n-1}\left(\frac{X_{(i+1)}}{X_{(i)}}\right)\right] วรรณกรรมที่ฉันสามารถค้นหาได้นั้นมุ่งเน้นไปที่อัตราส่วนระหว่างตัวแปรสุ่มสองตัวซึ่งส่งผลให้มีการแจกแจงอัตราส่วนซึ่ง pdf สำหรับการแจกแจงปกติที่ไม่ได้รับการแจกแจงสองตัวจะได้รับที่นี่: https://en.wikipedia.org/wiki/ Ratio_distribution ในขณะนี้สิ่งนี้จะช่วยให้ฉันสามารถอัตราส่วนอัตราส่วนเฉลี่ยที่คาดหวังของตัวแปรฉันไม่สามารถดูวิธีการทั่วไปแนวคิดนี้เพื่อค้นหาอัตราส่วนสูงสุดที่คาดหวังของตัวแปรnnnnnnn

1
แสดงค่าประมาณมาเป็นเปอร์เซ็นต์ผ่านสถิติการสั่งซื้อ
ให้เป็นลำดับของตัวแปรสุ่ม iid ที่สุ่มตัวอย่างจากการแจกแจงแบบเสถียรอัลฟ่าโดยมีพารามิเตอร์1.0X1,X2,…,X3nX1,X2,…,X3nX_1, X_2, \ldots, X_{3n}α=1.5,β=0,c=1.0,μ=1.0α=1.5,β=0,c=1.0,μ=1.0\alpha = 1.5, \; \beta = 0, \; c = 1.0, \; \mu = 1.0 พิจารณาลำดับโดยที่ , สำหรับn-1 Y j + 1 = X 3 j + 1 X 3 j + 2 X 3 j + 3 - 1 j = 0 , …

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.