相关疑难解决方法(0)

所以,我只是在手动计算eR中的值,我发现有些东西对我来说有点令人不安.

e使用R exp()命令的价值......

exp(1)
#[1] 2.718282

现在,我将尝试使用手动计算它 x = 10000

x <- 10000
y <- (1 + (1 / x)) ^ x
y
#[1] 2.718146

不完全,但我们会尝试更接近使用 x = 100000

x <- 100000
y <- (1 + (1 / x)) ^ x
y
#[1] 2.718268

温暖但有点偏......

x <- 1000000
y <- (1 + (1 / x)) ^ x
y
#[1] 2.71828

现在,让我们尝试一个巨大的

x <- 5000000000000000
y <- (1 + (1 / x)) ^ x
y
#[1] 3.035035 …

我在 R 和 Mathematica 中计算了矩阵（I - Q）（I是单位矩阵）的逆矩阵，但与理论结果相比，R 给出了错误的结果。我附上了 R 和 Mathematica 中的代码，你可以看到结果是不同的。

R中的代码：

> Q <- matrix(c(25/26, 1/26, 0,    0,    0,    0,    0,    0, 
+               24/26, 1/26, 1/26, 0,    0,    0,    0,    0, 
+               25/26, 0,    0,    1/26, 0,    0,    0,    0, 
+               24/26, 1/26, 0,    0,    1/26, 0,    0,    0, 
+               24/26, 0,    0,    1/26, 0,    1/26, 0,    0, 
+               24/26, 1/26, 0,    0,    0,    0,    1/26, 0,
+               24/26, 1/26, 0,    0,    0,    0, …

我不懂的东西正在我的两台电脑上发生.我想知道为什么会这样:

如果我输入:

x<-seq(0,20,.05)
x[30]
x[30]==1.45

有人有一个线索,为什么我从最后一行代码获得一个假？我的另一台计算机上也发生了同样的事情.我在这做错了什么？

谢谢您的帮助

为什么这两个不会返回相同的结果？

    D = data.frame( x=c( 0.6 ) )

    D$binned = cut( D$x, seq( 0.50,0.70,0.025 ), include.lowest=TRUE, right=FALSE )
    D # 0.6 is binned correctly as [0.6,0.625)

    D$binned = cut( D$x, seq( 0.55,0.65,0.025 ), include.lowest=TRUE, right=FALSE )
    D # 0.6 is binned incorrectly as [0.575,0.6)

当我使用R 3.0.1进行简单计算时,得到了以下结果.我的问题是为什么第一个和第三个方程的值不等于0？

> -0.0082 + 0.0632 - 0.055
[1] 6.938894e-18
> -0.0082 - 0.055 + 0.0632
[1] 0
> 0.0632 - 0.0082 - 0.055
[1] 6.938894e-18

在a与b如下所示是相同的量,但是在河两种不同的方式进行计算,他们大多是相同的,但有几个大的差异.我无法弄清楚为什么会这样.

theta0 <- c(-0.4, 10)

OS.mean <- function(shape, rank, n=100){
  term1 <- factorial(n)/(factorial(rank-1)*factorial(n-rank))
  term2 <- beta(n-rank+1, rank) - beta(n-rank+shape+1, rank)
  term1*term2/shape
}

OS.mean.theta0.100 <- OS.mean(theta0[1], rank=seq(1, 100, by=1))

Bias.MOP <- function(shape, scale, alpha){
  scale*shape*OS.mean.theta0.100[alpha*100]/(1-(1-alpha)^shape) - scale
}

a <- rep(0, 98)
for(i in 2:99){
  a[i-1] <- Bias.MOP(theta0[1], theta0[2], i/100)
}
plot(a)

b <- Bias.MOP(theta0[1], theta0[2], seq(0.02, 0.99, by=0.01))
plot(b)

a-b

另一件奇怪的事情如下.

b[13] # -0.8185083
Bias.MOP(theta0[1], theta0[2], 0.14) # -0.03333929

他们应该是一样的.但他们显然不是.为什么？

我有一个18位的int,R不理解,它返回的值与我输入的值不同

options(digits = 22)
> as.numeric(123456789123456789)
[1] 123456789123456784

当使用具有integer64类的bit64时也是如此

> as.integer64(123456789123456789)
integer64
[1] 123456789123456784

是否有其他包可以正确解释这个数字？

考虑以下：

> x<-178379.4999999999999999999999999999999
> x
[1] 178379.5
> round(x)
[1] 178380

这似乎是一个基本的舍入错误。R中是否存在已知的舍入误差？还是因为即使在工作存储器中，R最多也只能处理22位数字？

我执行在概率模拟器中使用的代码，该代码会产生错误。对于实例，代码可以是下一个：

m<-replicate(101,NaN)
for(i in seq(0,1, by=0.01)){

  m[(i*100)+1]<-i+1
}

print(m)

由于值是NaN，因此会在m [30]和m [59]中产生错误。输出向量是下一个：

 [1] 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14
 [16] 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 1.29  NaN
 [31] 1.30 1.31 1.32 1.33 1.34 1.35 1.36 1.37 1.38 1.39 1.40 1.41 1.42 1.43 1.44
 [46] 1.45 1.46 1.47 1.48 1.49 1.50 1.51 1.52 1.53 1.54 1.55 1.56 1.58  NaN 1.59
 [61] 1.60 1.61 1.62 …

我刚刚了解到，与 Excel 相比，R 或 Python 定义舍入函数的方式不同。

撇开统计数据不谈，我的业务用户主要是 Excel 用户。这导致了一些混乱，因为 R/Python 脚本生成的数字可能由于这种舍入约定而有所不同。

在我看来，当 Excel 需要计算 1.5、2.5、3.5 等数字时，它总是“向上舍入”，而 R/Python 会四舍五入到最接近的偶数。

可能还有其他我不知道的假设可以区分 Excel 和 R/Python。

有没有办法在 R 中实现 Excel 的精确舍入函数？

在 Excel 中

在R中