While these formulas do not represe

While these formulas do not represent the unequal sample size case, they illustrate
an important point about the relative size of the nugget effect of the binomial sample
proportions. The nugget effect ⌧ 2
Z changes by a factor of 1
n, as the sample size grows at
each spatial location the nugget effect diminishes quickly. So, the adjustment provided by
beta-binomial kriging is most important when there are relatively few observations at each
sample location.
At this point, reconsider Figure 3.4 and the variances of the binomial sample proportions.
The overall variance of a spatial data set can be decomposed into two components: the
nugget effect and the spatial sill.

ผลลัพธ์ (ไทย) 1:

ในขณะที่สูตรเหล่านี้แสดงถึงกรณีขนาดตัวอย่างไม่เท่ากัน พวกเขาแสดงจุดสำคัญเกี่ยวกับขนาดญาติของนักเก็ตลักษณะพิเศษของตัวอย่างทวินามสัดส่วนการ ⌧ผลนักเก็ตเป็น 2Z การเปลี่ยนแปลง โดยตัว 1n เป็นขนาดตัวอย่างเกิดตั้งปริภูมิผลนักเก็ทค่อย ๆ หายไปอย่างรวดเร็ว ดังนั้น การปรับปรุงโดยเบต้าแบบทวิ kriging เป็นสำคัญเมื่อมีข้อสังเกตุค่อนข้างน้อยในแต่ละสถานตัวอย่างจุดนี้ reconsider 3.4 รูปและผลต่างของสัดส่วนตัวอย่างทวินามผลต่างรวมของชุดข้อมูลปริภูมิที่สามารถแยกเป็นสองส่วนประกอบ: การผลนักเก็ทและสืบปริภูมิ

ผลลัพธ์ (ไทย) 2:

ในขณะที่สูตรเหล่านี้ไม่ได้เป็นตัวแทนกรณีที่ขนาดของกลุ่มตัวอย่างที่ไม่เท่ากันที่พวกเขาแสดงให้เห็นถึงจุดที่สำคัญเกี่ยวกับขนาดที่สัมพันธ์กันของผลนักเก็ตของตัวอย่างทวินามสัดส่วน ผลนักเก็ต⌧ 2 การเปลี่ยนแปลง Z โดยปัจจัยที่ 1 n เช่นขนาดของกลุ่มตัวอย่างที่เติบโตขึ้นในแต่ละสถานที่เชิงพื้นที่ผลกระทบนักเก็ตจีบได้อย่างรวดเร็ว ดังนั้นการปรับตัวให้โดยkriging เบต้าทวินามเป็นสิ่งที่สำคัญมากที่สุดเมื่อมีการสังเกตค่อนข้างน้อยในแต่ละสถานที่ตัวอย่าง. ณ จุดนี้พิจารณารูปที่ 3.4 และความแปรปรวนของสัดส่วนตัวอย่างทวินาม. ความแปรปรวนโดยรวมของชุดข้อมูลเชิงพื้นที่สามารถ แตกออกเป็นสองส่วนคือผลนักเก็ตและขอบอวกาศ

ผลลัพธ์ (ไทย) 3:

ในขณะที่สูตรเหล่านี้ไม่ได้เป็นตัวแทนไม่เท่ากันขนาดตัวอย่างกรณี พวกเขาแสดงให้เห็นถึงจุดที่สำคัญเกี่ยวกับ
ขนาดสัมพัทธ์ของ นักเก็ต ผลของสัดส่วนตัวอย่าง
แบบ . ผล⌧ nugget 2
z การเปลี่ยนแปลงโดยปัจจัยที่ 1
n เมื่อขนาดตัวอย่างในแต่ละสถานที่พื้นที่เติบโต
nugget ผลลดน้อยลงอย่างรวดเร็ว ดังนั้น การปรับตัวโดย
เบต้าแบบคริกกิ้ง เป็นสิ่งที่สำคัญที่สุดเมื่อมีข้อมูลค่อนข้างน้อยในแต่ละตัวอย่าง

ตั้ง ณจุดนี้ พิจารณารูปที่ 3.4 และความแปรปรวนของสัดส่วนตัวอย่างแบบ .
ความโดยรวมของชุดข้อมูลเชิงพื้นที่สามารถย่อยสลายออกเป็นสองส่วน :
ก้อน Effect และยังมิติ