Содержание
«Большой шлем» — анализ рассказа Л.Н. Андреева
Анализ рассказа «Большой шлем» Андреева Л. Н. показывает, что произведение обладает высокой философией, тонкой психологией и оригинальным сюжетом. Когда его прочитал М. Горький, он сказал, что это лучшее сочинение из творчества Леонида Николаевича. В карточной игре «большим шлемом» называется положение, при котором противник не может взять старшей картой или козырем у партнёра.
Содержание
- Анализ произведения
- Краткое содержание
Анализ произведения
Андреев — один из немногочисленных авторов, который очень чутко воспринимал малейшие изменения человеческого бытия. Автор сильно ощущал трагизм и абсурдность существования, которое находится под контролем никому неизвестных роковых сил. Творчество Леонида Николаевича является результатом философских размышлений, способом ответить на извечные вопросы. Благодаря написанию произведения «Большой шлем» он занёс себя в историю русской литературы.
Главные герои рассказа:
Автор коротких рассказов Андреев Л. Н., обращает внимание читателя, что ставки в карточной игре были очень маленькими, а выигрыши только символическими. Но Евпраксия Васильевна трепетно к ним относилась. Она складывала выигранные деньги отдельно в копилку.
Во время процесса игры в поведении основных героев видно их отношение к жизни. Яков Иванович максимально играл 4 руки, даже когда у него была хорошая карта. Он всегда осторожничал и был предусмотрительным.
Николай Дмитриевич всё время идёт на неоправданный риск, из-за чего постоянно проигрывает. Но он не впадает в уныние и всегда надеется отыграться в следующей партии. Николая Дмитриевича охватывает радость, когда проигрывает Прокопий Васильевич. Яков Иванович постоянно даёт совет не рисковать лишний раз.
Проблема Прокопия Васильевича заключается в боязни большого выигрыша. Он считает, что после него придёт беда.
Евпраксия Васильевна всё время поглядывает на своего брата с мольбой при крупной игре. Остальные игроки, снисходительно улыбаясь, ждут её хода.
Символизм рассказа заключается в том, что человеческую жизнь можно сравнить с карточной игрой. Автор обращает внимание читателя на аналогию: жизнь преподносит человеку бесконечные сюрпризы. Писатель подчёркивает, что карты жили сами по себе, пока люди старались добиться результата.
Краткое содержание
«Большой шлем» Андреева Л. Н. начинается с того, что главные герои собираются 3 раза в неделю поиграть в «Винт». Масленников и Яков Иванович всегда находятся в одной команде, но их личности являются совершенно противоположными. Масленников всё время рискует и поступает необдуманно, а Яков Иванович старается сохранять осторожность. Игра проходит очень скучно. Герои время от времени заводят разговор лишь о погоде.
Однажды Масленников Николай Дмитриевич пропадает аж на 2 недели (пропускает 6 игр). Но потом он появляется и рассказывает, что его сына арестовали. Товарищи очень удивились, так как даже не подозревали, что у Масленникова есть дети.
26 ноября Николаю Дмитриевичу везло, он выигрывал практически все партии. Масленников давно мечтал сыграть в «Большой шлем», и в итоге он его объявил при первой же возможности. Герой потянулся за прикупом, но внезапно замер и упал мёртвым на пол. Товарищи вызвали врача, который сказал, что их партнёр умер из-за паралича сердца.
После этого друзья начали искать, где жил умерший напарник. Адрес они так и не нашли.
Вывод произведения заключается в том, что каждый человек думает только о своей жизни. Автор пытается донести до читателя, что в современном обществе простое общение и дружба обесценились.
Сюжет рассказа является довольно оригинальным, хотя и характерным для того времени. Кроме основной идеи, рассматривается тема зловещего рока и катастрофичности бытия.
Предыдущая
Краткое содержание«Антигона» — краткое содержание трагедии Софокла
Следующая
Краткое содержание«Аэлита» — краткое содержание романа Алексея Николаевича Толстого
Краткое содержание Андреев Гостинец для читательского дневника, читать краткий пересказ онлайн
В рассказе повествуется о двух рабочих – портном Сазонке и подмастерье Сенисте. Мастер навещает мальчишку в больнице и обещает прийти снова. Он постоянно думает о том, как принесет Сенисте гостинец, но не может сдержать обещание. Мальчик умирает одинокий и несчастный, а Сазонка испытывает из-за этого страшные муки совести.
Главная мысль и анализ
Андреев рассматривает в рассказе тему нравственного выбора, ответственности за свои обещания. Автор показывает, что духовное очищение и возрождение человека возможно после признания вины за свои действия. Тогда можно продолжить жизнь с чистой совестью.
Для читательского дневника рассказ Андреева Гостинец
В начале рассказа описывается, как старший мастер и пьяница Сазонка навещает в больнице своего помощника Семена, по прозвищу Сениста. Мальчик очень болен и умоляет Сазонку, чтобы тот пришел к нему ещё раз, не оставлял его наедине с болезнью и страхом. Сазонка чувствует себя неловко и хочет быстрее уйти из больницы, но не делает этого из уважения и жалости к мальчику. Несколько раз портной обещает Сенисте навестить его.
Работы весной много, и Сазонка собирается в больницу в первый день Пасхи. Он уже решает отнести Семену гостинец и всем об этом рассказывает. Хозяин и мальчишки со двора равнодушны к болезни подмастерья.
Как только приходит светлый праздник, Сазонка напивается, ввязывается в драку и попадает под арест. Освободившись, нечесаный и побитый Сазонка сразу идет в больницу. Сиделка сообщает, что Семен Пустошкин умер вчера вечером. Сазонка разбит этой новостью и просит прощения у тела мальчика.
Портной идет в поле, ложится на траву и там замечает узелок с гостинцем, все ещё лежащий в его руке. Этот предмет пробуждает в нем муки вины и злости на себя, ведь мальчик поверил ему и ждал каждый день, с тоской и разочарованием Сениста отправился в мир иной.
Оцените произведение:
- 3.33
- 1
- 2
- 3
- 4
- 5
Голосов: 114
Читать краткое содержание Гостинец. Краткий пересказ. Для читательского дневника возьмите 5-6 предложений
Андреев. Краткие содержания произведений
- Ангелочек
- Баргамот и Гараська
- Большой шлем
- Гостинец
- Жизнь Василия Фивейского
- Жизнь Человека
- Иуда Искариот
- Красный смех
- Кусака
- Петька на даче
- Рассказ о семи повешенных
- Роза мира
Другие пересказы и отзывы для читательского дневника
- Краткое содержание Сибирочка Чарская
Однажды зимой в глухой тайге приключилась одна история.
На сани с людьми напала стая разъяренных волков. Один из господ, князь Гордов, ехавший к другу, после гибели жены и везущий с собой свою маленькую дочь принимает решение любой ценой спасти
- Краткое содержание Гоголь Рим
Молодой князь, который родился и вырос в старом Риме, уезжает учиться в Париж. Прогрессивный европейский город поражает и захватывает юношу своим блеском, кипением страстей, наук, политики. Рестораны, кафе, магазины, театры – все сверкало, манило.
- Краткое содержание Дюжина ножей в спину революции Аверченко
Аверченко с самого начала сравнивает произошедшую в стране революцию с грозовой молнией. Разве нужно спасать молнию в грозу. Следующее сравнение с подвыпившим мужиком. Вот он выбежит из темной подворотни с ножом к горлу.
- Краткое содержание Островский Свои люди сочтемся
Начинается пьеса со скандала между матерью и дочкой. Девушка Липа требует, чтоб ей нашли жениха, ведь ей скучно. Зовут сваху, вот только задание у неё очень сложное: дочке подай жениха благородного, отцу – богатого, маме – обходительного.
- Краткое содержание Андерсен Дюймовочка
Сказка о судьбе маленькой девочки. О том, какие на её долю выпали испытания. Малышка была похищена зелёной жабой
- Краткое содержание Ремарк Ночь в Лиссабоне
На фоне ужасов нацистского режима тема настоящей, крепкой, но трагичной любви, романа Ночь в Лиссабоне завораживает читателя и заставляет физически ощутить атмосферу книги, наполненную безропотной надеждой на спасение и счастье.
Чемпионы турниров Большого шлема по теннису Базовый анализ
[Эта статья была впервые опубликована на R Programming — DataScience+ и любезно предоставлена R-блогерами]. (Вы можете сообщить о проблеме с содержанием на этой странице здесь)
Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.
В данном туториале анализируются основные результаты турниров Большого шлема по теннису с точки зрения статистики. В частности, я пытаюсь ответить на следующие вопросы:
– Как уложиться в распределение количества побед на турнирах Большого шлема по игрокам?
– Как вычислить вероятность победы игрока больше определенного числа?
– Как со временем увеличивается количество победителей турниров Большого Шлема?
– Как мы можем назначить метрику теннисистам на основе количества выигранных ими турниров Большого шлема?
Наш набор данных представлен в исх. [1], содержание которого основано на том, что сообщает сайт ESP по адресу: таблица истории тенниса на сайте ESPN.
Пакеты
подавлятьPackageStartupMessages (библиотека (fitdistrplus)) подавлятьPackageStartupMessages (библиотека (экстремальные значения)) подавлятьPackageStartupMessages (библиотека (dplyr)) подавлятьPackageStartupMessages (библиотека (knitr)) подавлятьPackageStartupMessages (библиотека (ggplot2))
Анализ
Анализ в рамках настоящего руководства организован следующим образом:
- выполняется исследование базовых данных
- соответствует данным о победах в турнирах Большого шлема
- для оценки увеличения количества чемпионов Большого шлема по теннису вместе со временем
- Статистическая дисперсия населения оценивается для определения теннисного коэффициента, присваиваемого победителям турниров
Логарифмически нормальное распределение
Представлен регрессионный анализ
Исследование основных данных
Загрузка набора данных турниров Большого шлема по теннису и выполнение исследования основных данных.
url_file <- "https://datascienceplus.com/wp-content/uploads/2017/12/tennis-grand-slam-winners_end2017.txt" slam_win <- read.delim(url(url_file), sep="\t", stringsAsFactors = FALSE) тусклый (slam_win) [1] 4894 кабель (голова (slam_win), row.names = FALSE) | ГОД|ТУРНИР |ПОБЕДИТЕЛЬ |ЗАНИМАЮЩЕЕ МЕСТО | |----:|:---------------|:--------------|:---------- ----| | 2017|США Открытый | Рафаэль Надаль | Кевин Андерсон | | 2017|Уимблдон |Роджер Федерер |Марин Чилич | | 2017|Открытый чемпионат Франции |Рафаэль Надаль |Стэн Вавринка | | 2017|Открытый чемпионат Австралии |Роджер Федерер |Рафаэль Надаль | | 2016|США Открытый | Стэн Вавринка | Новак Джокович | | 2016|Уимблдон |Энди Мюррей |Милош Раонич | кабель (хвост (slam_win), row.names = FALSE) | ГОД|ТУРНИР |ПОБЕДИТЕЛЬ |ЗАНИМАЮЩЕЕ МЕСТО | |----:|:----------|:----------------|:------------ ------| | 1881|США Открытый | Ричард Д. Сирс | Уильям Э. Глин | | 1881|Уимблдон |Уильям Реншоу |Джон Хартли | | 1880|Уимблдон |Джон Хартли |Герберт Лоуфорд | | 1879 г.|Уимблдон |Джон Хартли |В. Сент-Леже Гулд | | 1878|Уимблдон |Фрэнк Хэдоу |Спенсер Гор | | 1877|Уимблдон |Спенсер Гор |Уильям Маршалл | nr <- nrow(slam_win) start_year <- slam_win[nr, "YEAR"] end_year <- slam_win[1, "YEAR"] (years_span <- end_year - start_year + 1) [1] 141 (total_slam_winners <- длина (уникальный (slam_win["ПОБЕДИТЕЛЬ"]))) [1] 166
Итак, у нас есть 166 победителей, охватывающих более 141 года турниров Большого шлема по теннису. Мы наблюдаем, что во время Первой и Второй мировых войн по понятным причинам проводилось меньше турниров Большого шлема.
slam_win_df <- as.data.frame(table(slam_win["ПОБЕДИТЕЛЬ"])) slam_win_df = slam_win_df %>% расставить (описание (Частота)) # позиция в таблице лидеров компьютерных чемпионов pos <- rep (0, nrow (slam_win_df)) позиция[1] <- 1 для (я в 2: nrow (slam_win_df)) { pos[i] <- ifelse(slam_win_df$Freq[i] != slam_win_df$Freq[i-1], i, pos[i-1]) } last_win_year = sapply(slam_win_df$Var1, function(x) {slam_win %>% filter(WINNER == x) %>% dplyr::select(YEAR) %>% max()}) # создание и отображение таблицы лидеров slam_winners <- data.frame(RANK = позиция, ИГРОК = slam_win_df$Var1, WINS = slam_win_df$Частота, LAST_WIN_YEAR = last_win_year) кабель (slam_winners) | РАНГ|ИГРОК | ВЫИГРЫШ| LAST_WIN_YEAR| |----:|:---------------------------|----:|-------- -----:| | 1 | Роджер Федерер | 19| 2017| | 2|Рафаэль Надаль | 16| 2017| | 3|Пит Сампрас | 14| 2002 | | 4|Новак Джокович | 12| 2016| | 4|Рой Эмерсон | 12| 1967 | ...
Показана плотность распределения WINS и журнала (WINS).
пар(mfrow=c(1,2)) plot(density(slam_winners$WINS), main = "Плотность побед") plot(density(log(slam_winners$WINS)), main = "Журнал плотности побед")
Дает этот график:
Вы можете расположить такой же порядок фреймов данных по последнему году победы чемпионов.
пар(mfrow=c(1,1)) slam_winners_last_win_year = slam_winners %>% аранжировки (LAST_WIN_YEAR) kable(slam_winners %>% аранжировка(desc(LAST_WIN_YEAR))) | РАНГ|ИГРОК | ВЫИГРЫШ| LAST_WIN_YEAR| |----:|:---------------------------|----:|-------- -----:| | 1 | Роджер Федерер | 19| 2017| | 2|Рафаэль Надаль | 16| 2017| | 4|Новак Джокович | 12| 2016| | 43 | Энди Мюррей | 3| 2016| ...
Мы можем захотеть визуализировать временную шкалу количества чемпионов Большого шлема по теннису.
df_nwin = данные.кадр() за (год в start_year : end_year) { n_slam_winners = slam_win %>% filter(YEAR <= year) %>% dplyr::select(WINNER) %>% unique %>% nrow df_nwin = rbind(df_nwin, data.frame(YEAR = год, N_WINNERS = n_slam_winners)) } график (x = df_nwin$YEAR, y = df_nwin$N_WINNERS, тип = 's', xlab = "год", ylab = "no_winners") сетка()
Дает этот график:
Мы можем визуализировать временную шкалу рекордов побед турниров Большого Шлема.
df2_nwin = данные.кадр() за (год в start_year : end_year) { slam_win_years = slam_win %>% filter(YEAR <= year) slam_win_record = as.data.frame(таблица(slam_win_years["ПОБЕДИТЕЛЬ"])) df2_nwin = rbind(df2_nwin, data.frame(YEAR = год, RECORD_WINS = max(slam_win_record$Freq))) } график (x = df2_nwin $ YEAR, y = df2_nwin $ RECORD_WINS, тип = 's', xlab = "год", ylab = "record_wins") сетка()
Дает такой график:
Интересно посмотреть на частоту количества выигрышей.
частота_выигрышей <- as.data.frame(table(slam_winners["WINS"])) colnames(wins_frequency) <- c("WINS", "FREQUENCY") кабель (выигрышная_частота) |ПОБЕДА | ЧАСТОТА| |:----|---------:| |1 | 80| |2 | 25| |3 | 19| |4 | 12| |5 | 5| |6 | 3| |7 | 6| |8 | 8| |10 | 1| |11 | 2| |12 | 2| |14 | 1| |16 | 1| |19| 1| сводка(slam_winners["WINS"]) Мин. 1 кв. Медиана Среднее 3-е кв. Максимум. 1.000 1.000 2.000 2.946 3.750 19.000
Подгонка вероятностного распределения
Теперь мы воспользуемся преимуществами функции fitdist()
в пакете fitdistr
, чтобы подобрать логнормальное распределение для наших данных о победах Большого шлема.
fw <- fitdist(slam_winners$WINS, "lnorm") резюме (фв) Подгонка распределения «lnorm» по максимальному правдоподобию Параметры: оценка стд. Ошибка среднее значение 0,7047927 0,06257959 сдлог 0,8062817 0,04425015 Логарифмическая вероятность: -316,7959 AIC: 637,5918 BIC: 643,8158 Матрица корреляции: средний журнал среднее значение 1 0 сдлог 0 1
Затем мы можем построить график результатов подгонки распределения.
участок(фв)
Дает этот график:
# левый квантиль выбросов левый_порог <- 0,05 # правый квантиль выбросов правый_порог <- 0,95 # определение выбросов slam_outlier <- getOutliersI(as.vector(slam_winners$WINS), FLim = c(левый_порог, правый_порог), распределение = "логнормальное") # выбросы отображаются красным цветом outlierPlot (slam_winners $ WINS, slam_outlier, режим = "qq")
Дает этот график:
Выбросы:
slam_winners[slam_outlier$iRight,] РАНГ ИГРОКА ВЫИГРЫВАЕТ LAST_WIN_YEAR 1 1 Роджер Федерер 19 2017 2 2 Рафаэль Надаль 16 2017
Среднее значение и стандартное отклонение, связанные с логарифмически-нормальной аппроксимацией:
(mean_log <- fw$estimate["meanlog"]) среднее значение 0,7047927 (sd_log <- fw$estimate["sdlog"]) sdlog 0,8062817
Теперь вычисляем вероятность, связанную с 19 и 16 выигрышами.
# очистка имен имена (mean_log) <- NULL имена (sd_log) <- NULL # вероятность, связанная с производительностью 19 побед или более (lnorm_19 <- plnorm(19, mean_log, sd_log, lower.tail=FALSE)) [1] 0,002736863 # вероятность, связанная с производительностью 16 побед или более (lnorm_16 <- plnorm(16, mean_log, sd_log, lower.tail=FALSE)) [1] 0,005164628
Однако, если случайная величина подчиняется логарифмически нормальному распределению, ее логарифм следует нормальному распределению. Следовательно, мы подгоняем логарифм анализируемой переменной, используя нормальное распределение, и сравниваем результаты с указанным выше логарифмически-нормальным подбором.
fw_norm <- fitdist(log(slam_winners$WINS), "норма") сводка (fw_norm) Подгонка «нормы» распределения по максимальному правдоподобию Параметры: оценка стд. Ошибка среднее 0,7047927 0,06257959 сд 0,8062817 0,04425015 Логарифмическая вероятность: -199.8003 АИК: 403.6006 БИК: 409.8246 Матрица корреляции: среднее сд среднее 1 0 сд 0 1
Точно так же мы наносим результаты подгонки.
участок (fw_norm)
Дает этот график:
# левый квантиль выбросов левый_порог <- 0,05 # правый квантиль выбросов правый_порог <- 0,95 slam_outlier <- getOutliersI(log(as.vector(slam_winners$WINS)), FLim = c(левый_порог, правый_порог), распределение = "нормальное") outlierPlot (slam_winners $ WINS, slam_outlier, режим = "qq")
Дает этот график:
Выбросы:
slam_winners[slam_outlier$iRight,] РАНГ ИГРОКА ВЫИГРЫВАЕТ LAST_WIN_YEAR 1 1 Роджер Федерер 19 2017 2 2 Рафаэль Надаль 16 2017
Значения среднего значения и стандартного отклонения:
# среднее значение и стандартное отклонение подобранного логнормального распределения (mean_norm <- fw_norm$оценка["среднее"]) иметь в виду 0,7047927 (sd_norm <- fw_norm$оценка["sd"]) сд 0,8062817
Как мы видим выше, одинаковые параметры подбора получаются в результате двух подходов, хотя и с разными показателями логарифмического правдоподобия, AIC и BIC. Теперь мы вычисляем вероятность, связанную с 19 и 16 выигрышами, вместе с их расстоянием от среднего значения в терминах, кратных стандартному отклонению.
# очистка имен имена (средняя_норма) <- NULL имена (sd_norm) <- NULL # вероятность, связанная с производительностью 19 побед или лучше (norm_19 <- pnorm (log (19), mean_norm, sd_norm, lower.tail = FALSE)) [1] 0,002736863 # время стандартного отклонения от среднего значения, связанного с 19выигрывает (deviation_19 <- (log(19) - mean_norm)/sd_norm) [1] 2,777747 # вероятность, связанная с производительностью 16 побед или лучше (norm_16 <- pnorm (log (16), mean_norm, sd_norm, lower.tail = FALSE)) [1] 0,005164628 # время стандартного отклонения от среднего, связанное с 16 выигрышами (deviation_16 <- (log(16) - mean_norm)/sd_norm) [1] 2,564608
Как видно выше, мы также получили то же значение вероятности, что и в результате подбора логарифмически нормального распределения. Далее мы рассмотрим второй подход к подбору (тот, который берет логарифм исходной переменной) для упрощения вычисления расстояния от среднего с точки зрения кратного стандартного отклонения.
Регрессионный анализ
Давайте снова посмотрим на график количества победителей турниров Большого шлема по теннису в зависимости от их временной шкалы.
год <- df_nwin $YEAR победители <- df_nwin$N_WINNERS сюжет (x = год, y = победители, тип = 'l') сетка()
Дает этот график:
Визуально очевидна линейная зависимость между переменными. Следовательно, линейная регрессия поможет понять, сколько новых победителей турниров Большого шлема у нас может быть каждый год.
year_lm <- lm(победители ~ год) резюме (year_lm) Вызов: лм (формула = победители ~ год) Остатки: Мин. 1 кв. Медиана 3 кв. Макс. -9,8506 -1,9810 -0,4683 2,6102 6,2866 Коэффициенты: Оценка стд. Значение ошибки t Pr(>|t|) (Пересечение) -2,388e+03 1,220e+01 -195,8 <2e-16 *** год 1.270e+00 6.264e-03 202.8 <2e-16 *** --- Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «.» 0,1 « » 1 Остаточная стандартная ошибка: 3,027 на 139степени свободы Множественный R-квадрат: 0,9966, скорректированный R-квадрат: 0,9966 F-статистика: 4,113e+04 на 1 и 139 DF, p-значение: < 2,2e-16
Коэффициенты считаются значимыми, а значение R-квадрата очень высоким. В среднем каждый год на турнирах Большого шлема появляется 1,27 победителя-новичка. Остаточный анализ не был сообщен для краткости. Точно так же мы можем регрессировать год по количеству победителей.
n_win_lm <- lm(год ~ победители) сводка (n_win_lm) Вызов: лм (формула = год ~ победители) Остатки: Мин. 1 кв. Медиана 3 кв. Макс. -4,8851 -1,9461 0,3268 1,4327 7,9641 Коэффициенты: Оценка стд. Значение ошибки t Pr(>|t|) (Перехват) 1,880e+03 3,848e-01 4886,4 <2e-16 *** победители 7.846e-01 3.868e-03 202.8 <2e-16 *** --- Сигн. коды: 0 «***» 0,001 «**» 0,01 «*» 0,05 «.» 0,1 « » 1 Остаточная стандартная ошибка: 2,379 на 139 степенях свободы. Множественный R-квадрат: 0,9966, скорректированный R-квадрат: 0,9966 F-статистика: 4,113e+04 на 1 и 139 DF, p-значение: < 2,2e-16
Коэффициенты считаются значимыми, а значение R-квадрата очень высоким. В среднем каждый новый победитель турниров Большого шлема появляется каждые 0,7846 доли года. Остаточный анализ не был сообщен для краткости. Такую модель можно использовать для прогнозирования года, когда может появиться заданное количество победителей Большого шлема. Например, учитывая победы Федерера, Надаля и Сампраса, мы получаем:
# вероятность, связанная с 14 победами или лучше (norm_14 <- pnorm (log (14), mean_norm, sd_norm, lower.tail = FALSE)) [1] 0,008220098 # время стандартного отклонения от среднего, связанное с 14 выигрышами (deviation_14 <- (log(14) - mean_norm)/sd_norm) [1] 2.398994 # среднее количество победителей турниров Большого шлема, которое можно ожидать от чемпиона, выигравшего 19 турниров Большого шлема (x_19 <- раунд(1/норма_19)) [1] 365 # среднее количество победителей турниров Большого шлема, которое можно ожидать от чемпиона, выигравшего 16 турниров Большого шлема (x_16 <- раунд(1/норма_16)) [1] 194 # среднее количество победителей турниров Большого шлема, которое можно ожидать от чемпиона, выигравшего 14 турниров Большого шлема (x_14 <- раунд(1/норма_14)) [1] 122
Значения x_19, x_16 и x_14 можно интерпретировать как средний размер популяции победителей турниров Большого шлема, чтобы найти 19-, 16- и 14-кратного победителя соответственно. Как следствие, прогноз на календарные годы, в течение которого игроки смогут выиграть 19, 16, 14 раз, будет следующим: "п")
подходит lwr upr
1 2166,732 2161,549 2171,916
2 2032,573 2027,779 2037,366
3 1976.084 1971,355 1980,813
В приведенной выше таблице показан самый ранний год, когда в среднем можно ожидать победителя турнира Большого шлема, способного выиграть 19, 16, 14 раз (подходящий столбец), а также нижняя (lwr) и верхняя (upr) границы прогнозируемых значений. В реальном мире чемпион с 14 победами появился немного позже, чем ожидалось по нашей модели линейной регрессии, в то время как чемпионы с 16 и 19 победами появились намного раньше, чем ожидалось по той же модели.
Статистический дисперсионный анализ населения
В нашем предыдущем анализе мы рассчитали расстояние от среднего для вероятностей победы в 19, 16 и 14 турнирах Большого шлема, расстояние, выраженное в единицах, кратных стандартному отклонению.
отклонение_19 [1] 2,777747 отклонение_16 [1] 2,564608 отклонение_14 [1] 2.398994
Основываясь на приведенных выше значениях, мы можем вычислить вероятность того, что выиграет 19, 16 и 14 раз. Как мы видели ранее, мы возобновляем такой результат, используя функция pnorm()
.
(prob_19 <- pnorm(mean_norm+deviation_19*sd_norm, mean_norm, sd_norm, lower.tail = FALSE)) [1] 0,002736863 (prob_16 <- pnorm (средняя_норма+отклонение_16*sd_norm, средняя_норма, sd_norm, нижний.хвост = ЛОЖЬ)) [1] 0,005164628 (prob_14 <- pnorm(mean_norm+deviation_14*sd_norm, mean_norm, sd_norm, lower.tail = FALSE)) [1] 0,008220098
Аналогично Интеллектуальному Коэффициенту (IQ), присваивающему значение, равное 100 в среднем и +/- 15 очков за каждое стандартное отклонение расстояния от самого среднего, мы можем вычислить Теннисный Коэффициент (TQ).
Здесь ниже мы показываем график, чтобы запомнить, как вычисляется IQ:
Мы замечаем, что медиана популяции наших игроков имеет TQ, равную 100.
(median_value <- median(slam_winners$WINS)) [1] 2 (среднее_отклонение <- (log(медианное_значение) - среднее_норма)/sd_норма) [1] -0,01444343 раунд(100 + 15*среднее_отклонение) [1] 100
Теперь мы вычисляем теннисные коэффициенты (TQ) ведущих чемпионов.
(Federer_TQ <- раунд(100 + 15*отклонение_19)) [1] 142 (Nadal_TQ <- раунд(100 + 15*отклонение_16)) [1] 138 (Sampras_TQ <- раунд(100 + 15*отклонение_14)) [1] 136
А как насчет, например, 7-кратного победителя турниров Большого Шлема?
(отклонение_7 <- (log(7) - среднее_норма)/sd_норма) [1] 1,53931 TQ_7wins <- раунд(100 + 15*deviation_7) [1] 123
Давайте тогда посчитаем теннисные коэффициенты (TQ) для всех наших победителей теннисных турниров Большого Шлема.
tq_compute <- функция (x) { Deviation_x <- (log(x) - mean_norm)/sd_norm раунд(100 + 15*отклонение_x) } slam_winners = slam_winners %>% мутировать (TQ = tq_compute (WINS)) кабель (slam_winners) | РАНГ|ИГРОК | ВЫИГРЫШ| LAST_WIN_YEAR| КВ| |----:|:---------------------------|----:|-------- -----:|---:| | 1 | Роджер Федерер | 19| 2017| 142| | 2|Рафаэль Надаль | 16| 2017| 138| | 3|Пит Сампрас | 14| 2002 | 136| | 4|Новак Джокович | 12| 2016| 133| ....
Затем мы визуализируем двадцать лучших чемпионов турниров Большого шлема.
ggplot(data=slam_winners[1:20,], aes(x=reorder(PLAYER, TQ), y=TQ, fill = TQ)) + geom_bar(stat="identity") + coord_flip() + scale_y_continuous (разрывы = последовательность (0,150,10), пределы = c (0,150)) + xlab("ИГРОК")
Дает этот сюжет.
Выводы
Ответы на наши первоначальные вопросы:
– Логарифмически-нормальное распределение
– На основе аппроксимированного распределения и с использованием функций пакетаplnorm()
илиpnorm()
stats вычислены вероятности
– Линейное увеличение очень хорошо подходит для этого, в результате в значимых коэффициентах регрессии и высоких значениях R-квадрата
— Да, мы определили теннисный коэффициент аналогично интеллектуальному коэффициенту и показываем результирующую таблицу лидеров. Федерер признан гением в этом отношении, однако несколько других очень талантливых игроков не так уж далеки от него.
Если у вас есть какие-либо вопросы, пожалуйста, не стесняйтесь комментировать ниже.
Ссылки
- [1] теннис-гранд-слэм-победители_end2017
Связанный пост
- Пример одностороннего ANOVA R Explanation; Часть 2
- Однофакторный дисперсионный анализ Объяснение и пример в R; Часть 1
- Однофакторный дисперсионный анализ в R
- Кубические и сглаживающие сплайны в R
- Критерий хи-квадрат – цель, математика, когда и как выполнять?
К оставьте комментарий для автора, перейдите по ссылке и оставьте комментарий в их блоге: R Programming — DataScience+ .
R-bloggers.com предлагает ежедневных обновления по электронной почте новостей R и руководств по изучению R и многим другим темам. Нажмите здесь, если вы хотите опубликовать или найти работу R/data-science.
Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.
Теннисные турниры Большого шлема 2021: пост-анализ, анализ медиаландшафта и сравнение призовых денег - ResearchAndMarkets.com
ДУБЛИН — (BUSINESS WIRE) — Отчет «Теннисные турниры Большого шлема 2021 — пост-анализ» был добавлен к предложению ResearchAndMarkets.com .
Проницательный взгляд на коммерческий ландшафт и успех турниров Большого шлема по теннису в 2021 году. В отчете рассматриваются все четыре турнира по отдельности, а также предлагается сравнительная статистика, которая позволяет разбить их на контрасты.
COVID-19 снова нанес ущерб расписанию теннисных соревнований в 2021 году, когда к каждому турниру применялся свой подход, поскольку в течение года постепенно стали появляться более расслабленные позиции.
Уимблдон по-прежнему считается самым престижным и популярным турниром года, но уступает другим с точки зрения спонсорских сделок, которые наиболее плодотворны в Австралии (с точки зрения количества) и США (с точки зрения доходов). В общей сложности в 2021 году в нескольких турнирах участвовало 13 брендов, при этом Rolex был единственным брендом, который активно спонсировал все четыре крупных турнира.
Основные моменты
- Обзор влияния COVID-19 и связанных с ним финансовых потерь на каждом мероприятии из-за потерянных продаж билетов.
- Также предлагает подробное сравнение между четырьмя шлемами и двумя полами, сравнивая социальные сети и распределение призовых денег обоих наборов игроков.
- Также предлагает подробный показ спонсорства и медиа-ландшафтов для всех четырех крупных соревнований.
Объем
- Теннис остается одним из крупнейших видов спорта во всем мире, и его календарь состоит из крупных событий на каждом континентальном рынке, а также остается очень прибыльным и разнообразным.
- Отчет дает представление о коммерческой ДНК четырех основных спортивных турниров этого года, предлагая некоторые цифры, касающиеся спонсорства, призовых денег, подписчиков и средств массовой информации.
- Сравнивая турниры шлемов с их предыдущими выпусками и друг с другом, отчет предлагает правдивый отражающий обзор тенниса в 2021 году и подробно рассматривает последствия COVID-19.продолжает заниматься спортом.
Ключевые темы:
- Борьба с COVID-19
- Социальные медиа
- Распределение спонсорства
- Структура медиаландшафта
- Финал мероприятия
- Сравнение призовых денег
Для получения дополнительной информации об этом отчете посетите https://www.researchandmarkets.com/r/oke524.
О компании ResearchAndMarkets.com
ResearchAndMarkets.com является ведущим мировым источником отчетов об исследованиях международного рынка и рыночных данных.