FactorAnalysis for Android

ivan gabrovski

Informace o aplikaci

Analýza faktorů APP pro Android se skládá ze tří složek, jednou z nich je zpracování vzorků náhodných proměnných; secondis faktorizace korelační matice; a třetí kalkulátor pro známá statistická rozdělení.

Komponentní zpracování vzorků náhodných veličin je určeno k uložení (editaci, mazání, přejmenování) vzorků náhodných veličin, k výpočtu jejich základních statistických charakteristik jako: -průměrná hodnota; - standardní odchylka; - šikmost a špičatost; - vypočítat intervaly spolehlivosti průměrné hodnoty; - rozptyl a směrodatná odchylka; - pomocí Pearsonova kritéria zkontrolovat, zda je vzorek z normální nebo rovnoměrně rozdělené náhodné veličiny; - zkontrolovat, zda je vzorek z normální, rovnoměrně a exponenciálně rozdělené náhodné veličiny pomocí Kolmogorova-Smirnovova kritéria; - a nulová šikmost a špičatost; - stanovený histogram vzorku; - funkční testování hypotéz týkajících se průměru a směrodatné odchylky; a další.
Aplikace má funkci pro hladké distribuce, to zahrnuje aktiva pro vizualizaci upravená (hladká) distribuce související se vzorkem, která nejsou vyloučena z Pearsonových a Kolmogorov-Smirnovrova kritérií.
V komponentě Faktorová analýza pro faktorizaci korelační matice používá dvě známé metody: hlavní komponenty (Pearson, 1901 a Hoteling, 1933); a - hlavní faktory (Spearman, 1904 1926). Korelační matici lze získat zpracováním dat funkcemi aplikace nebo vložením či importem hotových korelačních matic do aplikace.
Ukládat lze vzorky, výsledky zpracování a histogram. Tabulky s těmito daty lze exportovat a odeslat k uložení a tisku. Aplikace má funkce pro vytvoření, odstranění a výběr složky pro ukládání výsledků dat.
.

Faktorová analýza pro Android

Aplikace Faktorová analýza pro Android se skládá ze tří složek, jedna je zpracování vzorků náhodných proměnných; secondis faktorizace korelační matice; a třetí kalkulátor pro známá statistická rozdělení.

aplikace je ukládat mnoho vzorků náhodných proměnných a vypočítat korelační matici
zpracování vzorku náhodných veličin
pomocí Pearsonova kritéria zkontrolovat, zda je vzorek z normální nebo rovnoměrně rozdělené náhodné veličiny; a Kolmogorov-Smirnovrova kritéria
stanovený histogram vzorku;

aplikuje dvě metody hlavní složky a hlavní faktory faktorizace korelační matice
výpočet kumulativní pravděpodobnosti nebo náhodné veličiny
data výsledků lze exportovat a odesílat přes internet
vytvoření, odstranění a výběr složky pro ukládání výsledků dat

hypotézy histogram náhodná pravděpodobnost statistická rozdělení korelační matice faktorizace hlavní složky faktory