Статистика играет жизненно важную роль в аналитике, интерпретации и представлении данных. Если мы внимательно посмотрим, математика и статистика присутствуют везде. У меня было несколько наблюдений, которые я попытался облечь в статистическую форму.
Сила компаундирования Компаундирование называют 8-м чудом света. Результаты экспоненциальны в долгосрочной перспективе. Кривая ниже показывает, что если мы начнем с 1, будем бросать вызов и улучшать себя на 1% ежедневно в течение 1 года, мы станем в 38 раз больше того, с чего начали.
Периодические колебания Периодические колебания представляют собой математические кривые, такие как синусоидальные и косинусоидальные волны. Колебания в некотором роде можно интерпретировать как хорошие и плохие фазы жизни. Точно так же, как каждая волна характеризуется своей амплитудой (степень хорошей и плохой фазы) и длиной волны (цикл хорошей и плохой фазы), каждый человек проходит через свои хорошие и плохие времена. Но очень важно, что нельзя сравнивать свои несчастья и достижения с чужими.
Сигмовидная функция. Она представляет собой S-образную кривую со значениями от 0 до 1. Когда я включил сигмовидную функцию в человеческую жизнь, я обнаружил мало сходства. У нас есть множество возможностей, наш потенциал безграничен. Но, к сожалению, мы склонны практиковать сигмовидную функцию в нашей жизни, и это может отражаться в виде прокрастинации и лени. Это заставляет нас достигать меньшего и в конечном итоге приводит к ограниченному диапазону результатов.
Нормальное распределение. Оно описывает 3 аспекта распределения: 68% данных находятся в пределах 1-го стандартного отклонения, 95% — в пределах 2-го стандартного отклонения и 99% данных — в пределах 3-го стандартного отклонения. На следующем графике представлена зависимость плотности трафика от времени. По моим наблюдениям, между 8:15 и 9:45, что означает 2-е стандартное отклонение на этой кривой, и 95% распределения находится в нем.
Примечание. Для создания приведенных выше графиков использовался Python. Ниже приведена ссылка на блокнот Jupyter в Google Colab.
