統計演算法問題

1. 急急急急急急！ 演算法實現題：統計數字問題（用c++寫）

#include<fstream.h>
#include<iostream.h>
void main()
{
int n;
ifstream fin("Input.txt");
ofstream fout("Output.txt");
fin>>n;
for(int i=0;i<10;i++)
if(i<n%10)fout<<(n/10+1)<<endl;
else fout<<n/10<<endl;
fin.close();
fout.close();
}
//Input.txt
254
//Output.txt
26
26
26
26
25
25
25
25
25
25

2. 統計學中的柏拉圖演算法是什麼

摘要 柏拉圖在解決問題流程時提出，在完成魚骨圖分析及資料搜集後，要使用次數分布技術，區分「少數重點因素」和「大量微細因素」。

3. 如何高效處理大量數據的統計問題

你這個問題太籠統了，大量數據，究竟有多大？數據是什麼類型的？要解決什麼樣的統計問題？針對每個具體問題都有不同的高效演算法可以選擇，不能一概而論的。當然這是你自己編程解決的情況，你也可以直接使用成熟的資料庫系統或SPSS來解決很多統計問題

4. EXCEL的一些統計高級演算法的問題

這個是可以用excel來分析的.

這個問題叫做多元線性回歸,其實這種分析方法有很多假設前提條件的.若違反的話結果可能偏差很大,比如多重共線性,殘差不隨機,不正態等問題,呵呵,千萬不要被這些術語嚇著.
如果有興趣可以看統計專業的書,若沒興趣可以當作假設條件成立.
這個問題完全可以使用excel進行分析.
具體方法如下:首先要打開這個功能,點菜單工具->載入宏.
如果不知道是哪個就所有的都打勾,這樣你的工具菜單里就多了資料分析呀,規劃求解呀之類的菜單.資料分析(簡體的excel可能名字不一樣)就是我們要用的功能.
將您要分析的資料按每列一個變數的方式填入excel,第一行可以是標題也可以沒有.然後 工具->資料分析->回歸->y的取值就將y列數據選中(用拉的就可以了).x數據就將所有的x數據拉入(注意每個變數一定要以每列一個變數的方式).第一行是標識的話就打勾,不是的話不用管,其它的基本也以不管,點擊確定,就會多出一張工作表,這就是要的結果了.
包括截距呀,各個x變數的系數,p值,置信區間.
這個方程擬合的好壞,調整的 R 平方來表示,越大說明越好.
當然了excel只是比較初等的統計分析工具,若要再專業一點,可以使用minitab(也是很初等的一種),spss(較專業,適合大數人用),sas(很專業,基本使用編程完成,適合少部分專業人士用).

5. 大數據自上而下提升統計和演算法的效率

大數據自上而下提升統計和演算法的效率
我們在去開發這些計算體系時，不管是軟體、計算，其實都是在談大數據分析的概念性，什麼時候出現問題，我們如何達到高准確度，這只是這個問題的開始。其實作為一個計算科學家，我們經常會遇到很多的問題，有些是統計學方面的問題，但是我們沒有聯合統計學家一起考慮和解決這些問題。
比如說這個結果的一致性，那麼還有引導程序的理論，那麼就像常規的引導程序一樣，都會達到一些限值，從上至下的計算，統計學的利弊權衡，什麼意思呢？我們對數據計算的理解，也就是說更多的數據需要更多的計算，更多的計算能力。我們如何來做？到底是並行處理？還是子樣抽取等等。你給我更多的數據，我會更高興，因為我能夠獲得更高的准確度，我的錯誤會更小，我會以更低的成本獲得更正確的答案。對於統計學家來說這是好的，但是對於做計算的來說這個不大好，因為我們將這樣思考這個問題。也就是說給我一些數據，那麼我們有一個新的觀念，叫做控制的演算法弱化，比如說我的數據量不夠，我可以快速的處理它。數據太多，我的處理速度會慢下來。從計算角度來說，控制的演算法能夠讓我更快速的處理數據，也就是演算法的弱化。統計學的角度來說，能夠處理更多的數據，獲得更好的統計學上的答案性能提高。盡管計算的預算成本不變，但是我們能夠處理更多的數據，以更快的速度，我們付出的代價就是演算法的弱化。
那麼，這個坐標你們不經常看，橫軸指我們取樣的數量，縱軸代表的是運行時間。我們看一下到底有多少的錯誤。我們現在就要思考固定風險。比如說在我們錯誤率是0.01,這個座標的區域，對於統計學家來說，如果要固定風險的話，那麼必須有一定數量的樣品，才能夠獲得這樣的結果。所以，這是一個叫做典型的預計理論，大家都非常了解。同樣對於在計算機科學方面，我們有所謂的負載均衡的概念，不管你有多少個樣本，但是你一定要有足夠的運營時間，否則的話，你是無法解決這個問題的，這是非常明確的一點。
所以，我們看一下實際的演算法。有一定的運行時間，有固定的風險，在右邊使用的所有演算法，把演算法弱化，我們就可以處理更多的數據。下面我來談一下，這就是我們所說的問題降噪，所謂降噪就是在數據方面有一些屬於製造噪音的數據。我們如何做降噪？首先，我們假設可能的答案是X這樣的一個分樣，然後用高准確度覆蓋它，所以這是一個推理預估的過程。比如說我要找到X的值，它和Y是非常相似的，這是一個自然的預估。現在X是一個非常復雜的值，我無法做，所以我要做一個凸形的值域，我要做定性，同時可以獲得最優點，我需要把它放在一個可行的規模大小之內，那麼也就是任何一個固定風險都是基於X的。左邊是風險，我需要它的一半，這里存在復雜性，如果想知道更多的復雜性，你們可以看一些所謂理論處理方面的文獻，你們可以讀一下，來做這樣均衡的曲線。
我們看一下相關的內容，如果你要達到一定的風險，你必須要有一定的取樣點。這是一個C,也許這個C也是計算方面很難算出來的，所以我們需要做C子集的，把這個子集進行弱化，這樣我們就可以更好的計算了。我們可以做分層的層級，我們稱為池域，並且根據計算的復雜度進行排序的。同時，還有統計學的復雜性，然後進行一個權衡。你們可以從數學計算出這個曲線。在這里舉個例子，比如說X,剛才已經有人介紹過子集是什麼意思，然後你們可以定運行時間，還有取樣的復雜性，然後可以算出答案。你們看一下簡單的C,復雜的C,然後你們看一下運行的時間是在下降，復雜性是一個恆值，這樣你的演算法更簡單，可以用於大數據，既不會不會增加風險，也可以在舉證方面更加簡化。如果是一個信號的圖值，你的運行時間由PQ值決定，你們還有一個域值的話，我們會有一個恆定的取樣，大家可以同時按照「列」計算，獲得我們預期的准確度，而運行時間不變，大家可以自己看這些公式。
那麼，這種分析我希望大家能夠記住的是和這種理論計算科學，重點就是能夠把准確度放到一個水平。因為我們要去關心有關質量方面、統計學方面的風險，計算科學方面的演算法能夠幫助我們解決比較大的問題，就是大數據帶來的大問題。同時，我們還有很多的數據理論可以適用，我們不要從統計學簡單的角度來考慮，而是從計算的角度考慮。
也許你們還要去學一些統計學方面的基本理論，當然如果你們是學統計學的話，你們也要參加計算機科學的課程。對於兩門都學的人，你們應該把這兩個學科放到一起思考，不是統計學家只考慮統計學，計算機科學家只考慮計算機方面，我們需要解決統計學方面的風險。因此，我們可以更好的處理十萬個采樣點，都不會遇到問題。

6. 求統計學計算題答案

移動平均法-什麼是移動平均法?

移動平均法是用一組最近的實際數據值來預測未來一期或幾期內公司產品的需求量、公司產能等的一種常用方法。移動平均法適用於即期預測。當產品需求既不快速增長也不快速下降，且不存在季節性因素時，移動平均法能有效地消除預測中的隨機波動，是非常有用的。移動平均法根據預測時使用的各元素的權重不同

移動平均法是一種簡單平滑預測技術，它的基本思想是：根據時間序列資料、逐項推移，依次計算包含一定項數的序時平均值，以反映長期趨勢的方法。因此，當時間序列的數值由於受周期變動和隨機波動的影響，起伏較大，不易顯示出事件的發展趨勢時，使用移動平均法可以消除這些因素的影響，顯示出事件的發展方向與趨勢（即趨勢線），然後依趨勢線分析預測序列的長期趨勢。

移動平均法-移動平均法的種類

移動平均法可以分為：簡單移動平均和加權移動平均。

一、簡單移動平均法

簡單移動平均的各元素的權重都相等。簡單的移動平均的計算公式如下：Ft=(At-1+At-2+At-3+…+At-n)/n式中，

·Ft--對下一期的預測值；

·n--移動平均的時期個數；

·At-1--前期實際值；

·At-2,At-3和At-n分別表示前兩期、前三期直至前n期的實際值。

二、加權移動平均法

加權移動平均給固定跨越期限內的每個變數值以相等的權重。其原理是：歷史各期產品需求的數據信息對預測未來期內的需求量的作用是不一樣的。除了以n為周期的周期性變化外，遠離目標期的變數值的影響力相對較低，故應給予較低的權重。加權移動平均法的計算公式如下：

Ft=w1At-1+w2At-2+w3At-3+…+wnAt-n式中，

·w1--第t-1期實際銷售額的權重；

·w2--第t-2期實際銷售額的權重；

·wn--第t-n期實際銷售額的權

·n--預測的時期數；w1+w2+…+wn=1

在運用加權平均法時，權重的選擇是一個應該注意的問題。經驗法和試演算法是選擇權重的最簡單的方法。一般而言，最近期的數據最能預示未來的情況，因而權重應大些。例如，根據前一個月的利潤和生產能力比起根據前幾個月能更好的估測下個月的利潤和生產能力。但是，如果數據時季節性的，則權重也應是季節性的。

移動平均法-移動平均法的優缺點

使用移動平均法進行預測能平滑掉需求的突然波動對預測結果的影響。但移動平均法運用時也存在著如下問題：

1、加大移動平均法的期數（即加大n值）會使平滑波動效果更好，但會使預測值對數據實際變動更不敏感；

2、移動平均值並不能總是很好地反映出趨勢。由於是平均值，預測值總是停留在過去的水平上而無法預計會導致將來更高或更低的波動；

3、移動平均法要由大量的過去數據的記錄。

------------------------------------------------

加權移動平均法-加權移動平均法概述

加權移動平均法就是根據同一個移動段內不同時間的數據對預測值的影響程度，分別給予不同的權數，然後再進行平均移動以預測未來值。

加權移動平均法不像簡單移動平均法那樣，在計算平均值時對移動期內的數據同等看待，而是根據愈是近期數據對預測值影響愈大這一特點，不同地對待移動期內的各個數據。對近期數據給予較大的權數，對較遠的數據給予較小的權數，這樣來彌補簡單移動平均法的不足。

加權移動平均法-加權平均法的計算公式

加權平均法的計算公式如下：(見附圖)

加權移動平均法

式中：

Yn+1——第n+1期加權平均值；

Yi——第i期實際值；

x_i——第i期的權數（權數的和等於1）；

n——本期數；

k——移動跨期；

用加權移動平均法求預測值，對近期的趨勢反映較敏感，但如果一組數據有明顯的季節性影響時，用加權移動平均法所得到的預測值可能會出現偏差。因此，有明顯的季節性變化因素存在時，最好不要加權。

簡單移動平均法-簡單時間序列法的計算公式

簡單時間序列法公式：

F(T+1)=(1/N)*∑X（I）

X（I）為時間序列的第I期的實際值

F(T+1)為預測值

N為平均的個數

T為預測的年份

註：時間序列周期數選3

例：1979、1980、1981年的銷售額分別為2000、2100、2250，則1982年為（2000+2100+2250）/3

7. 主要統計指標的計算方法是什麼

主要統計指標的計算方法是：
1、職工平均工資=報告期實際支付的全部職工工資總額/報告期全部職工平均人數。
2、城鎮登記失業率=城鎮登記失業人數÷[(城鎮單位就業人員-使用的農村勞動力-聘用的離退休人員-聘用的港澳台及外方人員)+不在崗職工+城鎮私營業主+城鎮個體戶主+城鎮私營企業及個體就業人員+城鎮登記失業人數]×100% 」
3、

8. 統計演算法的演算法基本思想：

用一個條件語句判斷當前記錄是否符合給定條件，符合則統計個數加一。用循環實現對所有記錄的操作。

9. 問幾個統計數據計算方法問題

1.假設2012年相比2011年增幅是10%，2013GDP增幅同比回落3.6個百分點，那麼2013與2012相比，增幅就是6.4%。
2.比上年同期回落28.7個百分點，這個是增速下降，去年增速*（1-28.7%）=19.4%
3.降幅比去年同期擴100.7個百分點，去年同期降幅*（1+100.7%）=38.4%
4.去年利稅下降*（1-73%）=15.1%