Frekvencoj de Esperantistoj en ĉiuj landoj

English  Dansk

Ĝisdatigo: Mi aldonis konfidentajn intervalojn sur ĉiu taksoj. Ĝisdatigo 2: mi korektis la uzadon de frekvenco.

Esperanto

Se vi kapablas legi ĉi tiun, vi verŝajne jam konas Esperanton bone.  Tial mi iras rekte al la kvantoj. Se vi tamen ial volus legi mian enkondukon de Esperanto, legu la anglan (aŭ la danan).

Esperantujaj kvantoj

Pro datenoj el UEA, esperantujo.directory, edukado, Pasporta Servo, kaj Lernu! (kaj Vikipedio), mi kolektis datenaron enhavante esperantaj membraj kvantoj.

Loĝantaro UEA Lernu! esp.dir pasporto edukado nat. org
Afghanistan 27.70 1 48 0 0 0 0
Albania 2.80 14 64 0 1 5 33
Algeria 39.20 6 503 1 1 8 0
Andorra 0.08 0 167 0 8 0
Angola 21.50 2 42 1 0 0
Argentina 41.50 29 1965 27 16 61 140
Armenia 3.00 12 92 0 0 1 27
Australia 23.10 40 2568 23 16 52 130
Austria 8.60 44 780 4 8 23 79
Zimbabwe 14.20 1 30 0 1 1 0

Por klarigoj de la kolumnoj, iru al la Rimedsekcio. Mi adaptis al ĉi tiu dateno modelon, kiun mi uzis por taksi la relativan densecon de esperantistoj en ĉiu landoj. Pere censa dateno el Litovio, Estonio, Rusio, Novzelando (sed ne Hungario), mi skalis ĉiun relativajn densecojn por atingi la densecojn kaj frekvencojn en ĉiu landoj. Sume, ni atingas 62983.9 esperantistojn kun konfidenta intervalo [59077,68176]/[31460,183420](Legu Konfidentaj intervaloj por klarigo).

datamapsco-5
Ĉiu lando estas kolorita laŭ sia denseco de esperantistoj. La kvadratradika transformo nur estas estetike. Ne ekzistas sufiĉe datenon por la helruĝaj landoj.
europeesperanto
Densecoj en la Eŭropaj landoj

La kvantoj ene la mapoj troviĝas ĉe la fino de la afiŝo. Kvankam la mapoj ne montras tion, Andoro havas la plej grandan densecon de esperantistoj. La landoj kun la plej grandaj totalaj nombroj de esperantistoj estas (en ordo) Brazilo, Francio, Usono, Germanio, Rusio, Pollando kaj Hispanio.

La modelo supozas ke la kvanto de esperanta membroj estas proporcia al la kvanto de esperantistoj. Tio ne ĉiam rajtas, ĉar la organizoj ne estas egale popularaj en ĉiu landoj. La modelo provas kompensi tion per permesi ioman devion en kelkaj organizoj, por ke la taksata frekvenco ne ŝanĝiĝas. Tamen, se ĉiuj organizoj estas relative malpopularaj en lando, la taksata frekvenco estas tro malgranda. Hungario estas tia lando, ĉar la modelo taksas 1997.5 esperantistojn, sed estas 8397 esperantistoj laŭ freŝa censo. Esperanto estas instruita en la hungara lernejsistemo, kial multaj hungaraj esperantistoj ne bezonas la internaciajn organizojn.

La difino de esperantisto estas ulo, kiu respondus Esperanton, se sia ŝtato demandus kiujn lingvojn ĝi parolas.

Rimedoj

Modelo

Mi nun prezentas intuician klarigon de la modelo per Litovio kiel ekzemplo.

pop UEA Lernu! esp.dir paspo. edukado nat. org.
Lithuania 3 million 43 5127 8 13 32 960

Laŭ la kolumno UEA, litovia estas 43 el la totala 5501 membroj de UEA. Tio indikas ke 0.78% de esperantistoj devenas de Litovio. Tamen, laŭ la kolumno Lernu!,  2.88% de esperantistoj devenas de Litovio. Ni volus unu numeron, kiu inkludas ĉiujn kolumnojn. Oni povus uzi la mezumon, (0.78+2.88+\cdots + 5.8)/6, sed tiel Lernu! estus tiom grava kiom esperantujo.directory, malgraŭ ke Lernu! havas pli ol centoble da membroj. Alia ebleco estas la mezumo de ĉiuj nombroj, tio estas (43+5127+\cdots + 960)/206886, sed tiu numero ĉiam estas tre proksima al la Lernu! mezumo. Mi volus akiri numeron inter la du mezumoj. Io, kio aŭskultas pli al la Lernu! kolumno sed ankaŭ al aliaj kolumnoj.

Ni atingas tion per la modelo:

  • La nombro de membroj en organizo j el lando i estas N_i \cdot p_i \cdot \alpha_{j} \cdot w_{ij}, kaj
    • N_i estas nombro da loĝantoj en lando i.
    • p_i estas la relativa denseco de esperantistoj en lando i.
    • \alpha_j estas la totala nombro de membroj en organizo j.
    • w_{ij} estas numero, kiu verigas la ekvacion. Celo estas, ke ĉi tiu numero estas proksime al 1.
  • Ĉiu p_i estas elektata por ke la w_{ij}‘oj ne ‘malproksimas’ al 1. La difino de ‘malproksimi’ ankaŭ estas (arbitra) elekto de la modelo.
    • Mi difinis ‘malproksimi’ tiel, kiel kaj kelkaj matematikaj propraĵoj estis plenumita kaj la w_{ij}‘oj estis eĉ pli prokisme al 1.
  • Deklaru m_i la vera nombro de esperantistoj en lando i. Ni scias tiun nombron en Litovio, Estonio, Rusio, Novzelando. Pere tiuj nombroj, ni kalkulas la nombron de esperantistoj po loĝanto.
    • Kalkuli b_i=m_i/(p_i \cdot N_i) por la kvar landoj.
    • Kalkuli la mezumo \bar b=(b_{\textup{Estonia}}+\cdots+b_{\textup{New Zealand}})/4.
    • La nombro de esperantistoj en lando i estas \bar b \cdot N_i \cdot p_i.

Strikta matematika deklaro de la modelo

Supozu, ke x_{ij} estas nombro de membroj el organizo j en lando i. Supozu, ke N_i estas la loĝantaro en lando i. Deklaru \alpha_j=\sum_i x_{ij}/\sum_{i,j} x_{ij}. Do, la modelo estas

\displaystyle x_{ij} \sim b^-(\kappa=\kappa_j, \mu= N_i\cdot \alpha_{j}\cdot p_i),\quad p_i\sim U(0,1), \kappa_j \sim \Gamma(2,2).

Estas stokasta nedependeco inter la x_{ij}‘oj, inter la p_i‘oj, kaj inter la \kappa_j‘oj. Ideale, la relativaj densecoj(ne densecaj funkcioj) estas taksata per

\displaystyle \textup{argmax}_{p_1, \dots, p_n}\Bigl\{ \max_{\kappa_1, \dots, \kappa_6} P\bigl(p_1, \dots, p_n, \kappa_1,\dots, \kappa_6  \mid (x_{ij})_{i,j=1,1}^{n,6} \bigr) \Bigr\}.

sed praktike mi uzas la limigon \kappa_1=\kappa_3=\kappa_4=\kappa_5 pro konverĝaj malfeliĉoj.

La konfidentaj intervaloj estis kalkulita per Bayesian bootstrap. En la unuaj konfidentaj intervaloj, mi supozis ke \bar{b} estis konita. En la duaj konfidentaj intervaloj, mi supozis ke la censaj nombroj estas hazardaj kaj uzis ‘bootstrap’ sur ili.

Konfidentaj intervaloj

Ni ne surpriziĝus, se la vera nombro de esperantistoj ne estas ekzakte 62983.9. Ni kredas, ke la vera nombro kuŝas ie ĉirkaŭ 62983.9. Konfidenta intervalo specifas tian ĉirkaŭ-areon per matematiko; Oni povas kredi ĉiun valoron en konfidenta intervalo sen malkonsenti kun la supozoj de la modelo.

Mi kalkulis du konfidentaj intervaloj; la unua supozas ke la skalfaktoro estas konata. La skalfaktoro estas la nombro de censaj esperantistoj po ‘reta’ esperantisto (vidu \bar b). La dua intervalo ne supozas, ke la skalfaktoro estas konata kaj inkludas la hazardecon de la skalfaktora takso. Mi dikigis la intervaloj, kiuj mi rekomendas uzi. Kiam la du intervaloj identas, mi skribis nur unu.

Datumo

Datumo estis kolektita el ĉi tiuj organizoj.

  • UEA estas internacia interesgrupo, kies celoj estas disvastigi Esperanton kaj lingva egeleco. Ili metis siajn membrajn nombrojn sur sia retpaĝo, sed akiri ĉiujn numerojn devigas ioman klikadon.
  • lernu.net estas la plej granda internacia lerncentro por Esperanto. Multaj profiloj ne estas aktiva kaj apartenas al homoj, kiujn Esperanto interesis nur mallonge. Tial, la nombro de uzantoj el lando povus esti pli granda ol la fakta nombro de esperantistoj el tiu lando.
  • Esperantujo.directory estas reta adresaro de esperantistoj. Mi (ankoraŭ) ne estas tie.
  • Pasporta Servo estas servo por ke esperantistoj povas tranokti ĉe aliaj esperantistoj senkoste. La numeroj en la Pasporta kolumno reprezentas la nombrojn de gastigantoj.
  • Edukado estas alia lerncentro, kiu estas pli serioza ol Lernu!.
  • National organization sizes estas la grandoj de la naciaj esperantaj organizoj, kiuj asocias UEA.

Ekzistas mankaj datenoj en la dataro. Ekzemple, Andoro havas mankan nombron en la kolumno esperantujo.directory, ĉar la lando estas tro malgranda por aperi en ilia mapo. Angolo ne havas nombron en la kolumno national organization, ĉar ili havas nacian esperantan organizon, sed la membra nombro ne aperas sur la UEA retpaĝo. La modelo bone traktas la mankajn datenojn.

Komputilaj rimedoj

La datenoj kaj miaj R kodoj troviĝas sur github. Mi uzis datamaps.co por desegni la mapojn.

Rezultoj

Sube estas ĉiuj landoj listigite laŭ iliaj densecoj de esperantistoj. Density signifas la nombro de esperantistoj po 1 miliono loĝantoj en lando. Frequency estas la totala nombro da esperantistoj en lando. Relative density estas la proporcio de ĉiuj esperantistoj, kiun lando posedas. Rank estas la rango.

Rank Density Frequency Relative density
Andorra 1 [1,2] 620.03 [277.3,1039.9]/ [180.4,2246.5] 48.4 [22,81]/ [14,175] 0.0008 [0.0003,0.0013]
Lithuania 2 [1,6] 249.32 [156.7,482.6]/ [119.2,936.9] 748 [470,1448]/ [357,2811] 0.0119 [0.0072,0.0225]
Iceland 3 [2,8] 210.07 [109.7,375]/ [71.5,729.9] 67.9 [35,121]/ [23,236] 0.0011 [0.0006,0.0019]
Hungary 4 [2,6] 203.82 [151.1,283.8]/ [98.3,695.9] 1997.5 [1481,2781]/ [963,6820] 0.0317 [0.0242,0.0449]
Luxembourg 5 [2,10] 196.82 [93.9,285.1]/ [60.4,681.1] 112.2 [53,163]/ [34,388] 0.0018 [0.0008,0.0026]
New Caledonia 6 [3,16] 122.85 [64.1,234.2]/ [47.2,450.3] 32.9 [17,63]/ [13,121] 0.0005 [0.0003,0.001]
Belgium 7 [6,12] 109.48 [77.4,135.8]/ [38.1,320.4] 1237.1 [875,1535]/ [430,3621] 0.0196 [0.0132,0.0239]
Finland 8 [5,15] 105.89 [69.9,155.2]/ [48.7,331.7] 582.4 [384,854]/ [268,1824] 0.0092 [0.006,0.0137]
France 9 [5,17] 104.01 [61.4,132.8]/ [44.2,327.8] 6906.6 [4078,8816]/ [2933,21763] 0.1097 [0.067,0.1381]
Denmark 10 [5,16] 97.34 [65.7,145]/ [44.6,321.7] 554.8 [375,827]/ [254,1834] 0.0088 [0.0061,0.013]
Sweden 11 [8,16] 91.99 [67.8,117.3]/ [40.2,265.1] 910.7 [671,1162]/ [398,2625] 0.0145 [0.0109,0.0183]
Switzerland 12 [8,20] 89.44 [55.6,115.4]/ [36.2,270.9] 724.4 [451,935]/ [293,2195] 0.0115 [0.0071,0.0152]
Netherlands 13 [7,19] 84.87 [60.9,115.1]/ [37.2,267.3] 1442.8 [1036,1956]/ [632,4544] 0.0229 [0.0159,0.0304]
Czech Republic 14 [10,19] 76.23 [59,90.3]/ [34.9,245.3] 800.4 [619,948]/ [366,2575] 0.0127 [0.0095,0.0154]
Estonia 15 [7,26] 74.02 [41.9,117.6]/ [34.3,165.2] 96.2 [55,153]/ [45,215] 0.0015 [0.0009,0.0024]
Norway 16 [10,23] 68.99 [50,96.3]/ [30.9,226.5] 358.7 [260,501]/ [160,1178] 0.0057 [0.0041,0.0079]
Slovenia 17 [10,32] 60.79 [33.2,95.7]/ [22.3,230.3] 127.7 [70,201]/ [47,484] 0.002 [0.0011,0.0032]
Liechtenstein 18 [14,62] 59.67 [11.1,74.2]/ [8.3,199] 2.2 [0,3]/ [0,7] 0 [0,0]
Slovakia 19 [10,28] 59.4 [39.2,81.3]/ [23.7,182.7] 320.8 [212,439]/ [128,986] 0.0051 [0.0034,0.007]
Poland 20 [16,24] 57.55 [48.9,65.5]/ [28.6,154.9] 2215.9 [1882,2524]/ [1100,5965] 0.0352 [0.0294,0.0404]
Croatia 21 [14,28] 55.09 [39,71.3]/ [24.4,175.7] 231.4 [164,300]/ [102,738] 0.0037 [0.0026,0.0048]
Israel 22 [15,34] 50.56 [31.2,70.6]/ [20.8,174.8] 409.5 [253,572]/ [169,1416] 0.0065 [0.004,0.0091]
Latvia 23 [13,35] 49.01 [30.8,80.3]/ [21.1,159.9] 98 [62,161]/ [42,320] 0.0016 [0.0009,0.0025]
Germany 24 [19,30] 47.51 [36.1,58.5]/ [18.6,138.1] 3871.8 [2942,4769]/ [1519,11256] 0.0615 [0.0475,0.0754]
Spain 25 [20,28] 47.38 [39.5,54.3]/ [21.2,133.4] 2198.5 [1835,2519]/ [985,6192] 0.0349 [0.0292,0.0399]
New Zealand 26 [18,33] 46.42 [31.4,58.1]/ [21.8,141.4] 208.9 [141,261]/ [98,636] 0.0033 [0.0022,0.0043]
Bulgaria 27 [18,38] 46.12 [28.1,63.3]/ [19,124] 332 [202,455]/ [136,893] 0.0053 [0.0032,0.0072]
Austria 28 [22,36] 38.77 [29.4,48.5]/ [18.1,121] 333.4 [252,417]/ [155,1041] 0.0053 [0.004,0.0066]
Brazil 29 [24,39] 36.5 [27.5,47.6]/ [16.3,104.5] 7314 [5509,9545]/ [3276,20939] 0.1161 [0.0887,0.148]
Malta 30 [16,45] 35.25 [22.3,66.3]/ [17.5,144.4] 15 [9,28]/ [7,61] 0.0002 [0.0002,0.0005]
Greenland 31 [26,93] 34.24 [3.9,42]/ [4.4,98.8] 1.9 [0,2]/ [0,6] 0 [0,0]
Mongolia 32 [19,63] 34.05 [11.1,61.6]/ [10.1,118.6] 95.3 [31,172]/ [28,332] 0.0015 [0.0005,0.0026]
Australia 33 [28,41] 31.92 [26.2,36.6]/ [15.5,98.7] 737.4 [605,845]/ [358,2281] 0.0117 [0.0092,0.0136]
Bosnia and Herzegovina 34 [27,47] 30.7 [18.7,44]/ [13.9,81.5] 116.7 [71,167]/ [53,310] 0.0019 [0.0011,0.0027]
Republic of Serbia 35 [27,49] 29.7 [18,40.8]/ [11.8,98.6] 210.9 [128,290]/ [84,700] 0.0033 [0.002,0.0046]
Canada 36 [30,41] 29.36 [25,34.7]/ [14.7,88.8] 1033.4 [880,1220]/ [518,3128] 0.0164 [0.0141,0.0199]
Costa Rica 37 [28,45] 28.99 [21.7,40.9]/ [12.4,80] 142.1 [106,200]/ [61,392] 0.0023 [0.0017,0.0032]
Uruguay 38 [29,46] 28.9 [22,37.9]/ [13.3,94] 98.3 [75,129]/ [45,320] 0.0016 [0.0012,0.0021]
Ireland 39 [27,48] 28.88 [19.3,41.8]/ [13.5,91.6] 132.8 [89,192]/ [62,421] 0.0021 [0.0014,0.0031]
Italy 40 [33,46] 26.13 [21.1,31.5]/ [12.2,71.1] 1562.5 [1259,1882]/ [730,4250] 0.0248 [0.0198,0.0295]
Togo 41 [27,63] 25.9 [10.8,39.3]/ [8.9,79] 183.9 [77,279]/ [63,561] 0.0029 [0.0012,0.0045]
Cyprus 42 [35,56] 25.58 [14,30.5]/ [8.8,79.7] 20.5 [11,24]/ [7,64] 0.0003 [0.0002,0.0004]
United Kingdom 43 [35,47] 24.5 [21,30.1]/ [13.5,72.3] 1595.3 [1367,1961]/ [879,4709] 0.0253 [0.0214,0.0318]
Albania 44 [23,62] 24.26 [11.7,47.6]/ [7.5,80.5] 67.9 [33,133]/ [21,225] 0.0011 [0.0005,0.0021]
Cuba 45 [34,66] 22.08 [10.9,31.7]/ [6.8,72.9] 249.5 [124,358]/ [76,823] 0.004 [0.002,0.0058]
Portugal 46 [34,54] 20.64 [15.6,30.5]/ [10,67.3] 212.6 [161,315]/ [103,693] 0.0034 [0.0025,0.0047]
Nicaragua 47 [39,61] 19.16 [12.5,27.6]/ [8.5,57.6] 116.9 [76,168]/ [52,352] 0.0019 [0.0012,0.0027]
Macedonia 48 [38,63] 18.54 [10.9,27.1]/ [8.3,61.5] 38.9 [23,57]/ [17,129] 0.0006 [0.0004,0.0009]
United States of America 49 [39,60] 18.34 [12.8,26.2]/ [7.4,63.6] 5847.1 [4079,8367]/ [2360,20290] 0.0928 [0.0674,0.1335]
Hong Kong 50 [28,84] 17.81 [5.6,39.5]/ [5,92.4] 131.8 [42,292]/ [37,684] 0.0021 [0.0007,0.0047]
Argentina 51 [45,62] 17.58 [12.5,22.4]/ [8,54.5] 729.6 [520,929]/ [332,2260] 0.0116 [0.0081,0.0144]
The Bahamas 52 [27,73] 17.39 [7.7,41.1]/ [6.4,78.1] 6.6 [3,16]/ [2,30] 0.0001 [0,0.0003]
Ukraine 53 [46,61] 16.19 [13.1,22.6]/ [7.8,51.5] 694.7 [562,970]/ [336,2209] 0.011 [0.0087,0.015]
Armenia 54 [32,71] 16.06 [8.1,33.9]/ [5.4,67.8] 48.2 [24,102]/ [16,203] 0.0008 [0.0004,0.0016]
Russia 55 [48,63] 15.96 [11.6,19.8]/ [7.8,50.5] 2298.1 [1667,2852]/ [1130,7276] 0.0365 [0.0272,0.0468]
Belarus 56 [48,63] 15.71 [11.7,18.4]/ [7.8,48.5] 149.3 [111,175]/ [74,460] 0.0024 [0.0018,0.0028]
Puerto Rico 57 [41,81] 15.53 [5.8,26.4]/ [5.2,57.5] 54.3 [20,92]/ [18,201] 0.0009 [0.0003,0.0014]
Chile 58 [44,69] 14.45 [8.5,23.3]/ [6.5,53.8] 254.4 [150,410]/ [114,948] 0.004 [0.0024,0.0063]
Colombia 59 [50,70] 13.09 [9.2,19.4]/ [6.3,48.3] 616.7 [433,916]/ [298,2275] 0.0098 [0.0069,0.0147]
Benin 60 [44,90] 12.5 [4.7,23.6]/ [3.8,46.3] 132.5 [50,250]/ [40,490] 0.0021 [0.0008,0.0041]
Iran 61 [47,74] 12.5 [7.7,20.3]/ [4.9,44.4] 968.7 [598,1571]/ [383,3437] 0.0154 [0.0095,0.0246]
Belize 62 [46,90] 12.24 [4.2,20.4]/ [2.6,38.8] 4.7 [2,8]/ [1,15] 0.0001 [0,0.0001]
Romania 63 [53,73] 11.87 [8.5,16.9]/ [4.7,35.4] 235.1 [168,335]/ [93,700] 0.0037 [0.0024,0.0055]
South Korea 64 [55,75] 11.67 [7.6,16]/ [5,38.1] 585.8 [383,803]/ [251,1911] 0.0093 [0.0061,0.0129]
Japan 65 [43,87] 11.31 [5,25.5]/ [4,42.6] 1439.9 [637,3243]/ [513,5420] 0.0229 [0.0102,0.0489]
Taiwan 66 [49,82] 10.53 [6,18.9]/ [4.2,38.4] 247.5 [140,444]/ [99,902] 0.0039 [0.0022,0.0072]
Cape Verde 67 [55,115] 10.45 [1.6,14.2]/ [2.3,34.4] 5.5 [1,8]/ [1,18] 0.0001 [0,0.0001]
East Timor 68 [43,100] 10.44 [3.1,23.1]/ [2.7,40.9] 12.5 [4,28]/ [3,49] 0.0002 [0.0001,0.0004]
Venezuela 69 [57,83] 9.66 [5.5,14.8]/ [3.4,30.9] 293.5 [168,449]/ [103,938] 0.0047 [0.0026,0.0069]
Burundi 70 [56,112] 9.6 [2.2,14.7]/ [2.4,32.7] 96.9 [22,148]/ [25,331] 0.0015 [0.0004,0.0024]
Greece 71 [61,76] 9.46 [7.2,11.9]/ [4.5,31.1] 102.2 [77,129]/ [48,336] 0.0016 [0.0012,0.0021]
Mexico 72 [59,82] 8.74 [5.7,12.6]/ [3.6,28.1] 1069 [696,1539]/ [435,3438] 0.017 [0.0114,0.0249]
Peru 73 [54,90] 8.44 [4.4,14.8]/ [3.2,29.3] 256.6 [133,451]/ [98,891] 0.0041 [0.002,0.0072]
El Salvador 74 [60,91] 8.2 [4,12.8]/ [2.6,29.7] 51.6 [25,81]/ [16,187] 0.0008 [0.0004,0.0013]
Georgia 75 [60,82] 8.19 [5.5,13.3]/ [3.7,25.6] 30.3 [20,49]/ [14,95] 0.0005 [0.0003,0.0008]
Panama 76 [55,111] 8.07 [1.8,16.2]/ [1.5,39.8] 31.5 [7,63]/ [6,155] 0.0005 [0.0001,0.001]
Brunei 77 [67,125] 7.97 [1.1,10.1]/ [1.2,24.6] 3.3 [0,4]/ [0,10] 0.0001 [0,0.0001]
Moldova 78 [66,90] 7.92 [3.9,10.5]/ [3.2,24.2] 28.5 [14,38]/ [11,87] 0.0005 [0.0002,0.0006]
Dominican Republic 79 [57,100] 7.49 [2.7,14.7]/ [2,23.3] 77.9 [28,153]/ [21,242] 0.0012 [0.0005,0.0024]
Montenegro 80 [63,93] 6.69 [3.6,11.3]/ [2,24.1] 4.2 [2,7]/ [1,15] 0.0001 [0,0.0001]
Ecuador 81 [63,92] 6.66 [3.8,11.4]/ [2.9,26.2] 104.6 [60,178]/ [46,412] 0.0017 [0.001,0.0029]
Senegal 82 [65,96] 6.55 [3.2,11.3]/ [2.5,21.5] 96.9 [48,167]/ [37,318] 0.0015 [0.0008,0.0027]
Kazakhstan 83 [77,93] 5.34 [3.8,6.9]/ [2.7,16.6] 90.8 [65,118]/ [45,282] 0.0014 [0.001,0.0018]
Guatemala 84 [72,107] 5.18 [2.5,8.4]/ [2.6,18.5] 80.2 [39,131]/ [41,287] 0.0013 [0.0006,0.0021]
Nepal 85 [72,106] 5.09 [2.4,8.9]/ [1.4,18.2] 157.9 [74,277]/ [43,563] 0.0025 [0.0011,0.0045]
Honduras 86 [77,110] 5.04 [2.2,7.3]/ [1.9,14.5] 40.8 [18,59]/ [15,117] 0.0006 [0.0003,0.0009]
Bolivia 87 [74,107] 5.03 [2.4,8.1]/ [1.6,18.3] 55.3 [26,89]/ [18,202] 0.0009 [0.0004,0.0014]
United Arab Emirates 88 [79,106] 4.69 [2.5,6.8]/ [2.5,16.2] 46.4 [25,67]/ [25,161] 0.0007 [0.0004,0.0011]
Swaziland 89 [56,117] 4.54 [1.8,13.7]/ [1.3,24.5] 5.9 [2,18]/ [2,32] 0.0001 [0,0.0003]
Trinidad and Tobago 90 [79,140] 4.51 [0.7,6.4]/ [0.7,15.8] 6.3 [1,9]/ [1,22] 0.0001 [0,0.0002]
Vanuatu 91 [34,113] 4.39 [2,35.6]/ [1.5,53.6] 1.2 [1,10]/ [0,15] 0 [0,0.0002]
Vietnam 92 [81,105] 4.34 [2.4,6.1]/ [1.8,12.9] 389.7 [218,551]/ [162,1158] 0.0062 [0.0034,0.0087]
Maurtitius 93 [79,141] 4.27 [0.7,6]/ [0.6,14.8] 5.5 [1,8]/ [1,19] 0.0001 [0,0.0001]
Morocco 94 [75,118] 3.81 [1.5,8.8]/ [0.9,17.3] 125.7 [51,291]/ [31,569] 0.002 [0.0008,0.0045]
Tunisia 95 [81,118] 3.78 [1.5,6]/ [1.5,11.5] 42.3 [16,67]/ [17,129] 0.0007 [0.0003,0.0011]
Qatar 96 [85,111] 3.6 [2,4.9]/ [1.2,13.3] 9.4 [5,13]/ [3,35] 0.0001 [0.0001,0.0002]
Paraguay 97 [81,134] 3.57 [1,6.3]/ [0.8,15.6] 24.3 [7,43]/ [5,106] 0.0004 [0.0001,0.0007]
Suriname 98 [89,132] 3.54 [0.9,4.4]/ [0.5,10.8] 1.9 [1,2]/ [0,6] 0 [0,0]
Turkey 99 [86,115] 3.42 [1.7,5.1]/ [1.1,12.1] 256.5 [128,385]/ [82,904] 0.0041 [0.002,0.0062]
Maldives 100 [89,141] 3.37 [0.7,4]/ [0.7,10] 1.2 [0,1]/ [0,3] 0 [0,0]
Lebanon 101 [89,122] 3.23 [1.3,4.7]/ [0.9,11.1] 19.4 [8,28]/ [6,67] 0.0003 [0.0001,0.0005]
Tajikistan 102 [82,130] 3.18 [1,5.5]/ [0.8,11.7] 27.4 [9,47]/ [7,100] 0.0004 [0.0001,0.0007]
Malaysia 103 [82,123] 2.94 [1.2,5.8]/ [0.8,9.9] 93.6 [39,184]/ [24,314] 0.0015 [0.0006,0.0029]
Azerbaijan 104 [94,117] 2.78 [1.6,3.6]/ [1.1,9.5] 27.2 [16,35]/ [11,93] 0.0004 [0.0002,0.0006]
South Africa 105 [86,123] 2.77 [1.3,5.2]/ [0.9,10.2] 146.9 [69,273]/ [47,543] 0.0023 [0.0011,0.0043]
Bhutan 106 [96,144] 2.7 [0.6,3.3]/ [0.5,9.2] 2.2 [0,3]/ [0,7] 0 [0,0]
Madagascar 107 [93,117] 2.66 [1.6,4.1]/ [1.1,8.1] 60.8 [37,95]/ [25,186] 0.001 [0.0006,0.0015]
Kyrgyzstan 108 [95,116] 2.6 [1.7,3.7]/ [1,8.2] 15.9 [10,22]/ [6,50] 0.0003 [0.0002,0.0004]
Gabon 109 [97,147] 2.55 [0.5,3.5]/ [0.4,9.3] 4.6 [1,6]/ [1,17] 0.0001 [0,0.0001]
Algeria 110 [92,115] 2.52 [1.8,3.9]/ [1.2,9.4] 98.8 [70,151]/ [46,368] 0.0016 [0.0011,0.0023]
Democratic Republic of the Congo 111 [94,127] 2.51 [1.1,3.4]/ [0.8,7.5] 169.3 [76,232]/ [57,504] 0.0027 [0.0013,0.0038]
Fiji 112 [98,136] 2.45 [0.8,3]/ [0.5,8.1] 2.2 [1,3]/ [0,7] 0 [0,0]
Djibouti 113 [99,153] 2.4 [0.4,3]/ [0.4,7.3] 2.2 [0,3]/ [0,7] 0 [0,0]
Jamaica 114 [98,155] 2.27 [0.3,3.4]/ [0.3,7.8] 6.1 [1,9]/ [1,21] 0.0001 [0,0.0001]
Pakistan 115 [90,136] 2.24 [0.8,4]/ [0.6,8.4] 408.3 [137,734]/ [105,1537] 0.0065 [0.0022,0.0119]
Kuwait 116 [96,144] 2.22 [0.6,3.4]/ [0.5,7.3] 9.3 [3,14]/ [2,31] 0.0001 [0,0.0002]
Namibia 117 [100,157] 2.17 [0.3,3.1]/ [0.3,7.6] 5 [1,7]/ [1,17] 0.0001 [0,0.0001]
Central African Republic 118 [89,154] 1.89 [0.4,4.9]/ [0.2,7.9] 9.5 [2,24]/ [1,39] 0.0002 [0,0.0004]
Republic of the Congo 119 [88,138] 1.64 [0.7,4.6]/ [0.5,10.2] 7.7 [4,21]/ [2,48] 0.0001 [0.0001,0.0003]
Philippines 120 [102,138] 1.57 [0.7,2.8]/ [0.6,5.2] 154.1 [69,271]/ [60,515] 0.0024 [0.0011,0.0043]
Jordan 121 [108,152] 1.49 [0.4,2.3]/ [0.4,5.3] 14.6 [4,22]/ [4,52] 0.0002 [0.0001,0.0004]
Ghana 122 [105,139] 1.42 [0.8,2.6]/ [0.5,5.1] 40.1 [22,73]/ [14,144] 0.0006 [0.0003,0.0012]
Solomon Islands 123 [116,159] 1.35 [0.3,1.6]/ [0.3,3.7] 0.9 [0,1]/ [0,2] 0 [0,0]
Guinea Bissau 124 [117,158] 1.28 [0.3,1.6]/ [0.4,3.7] 1.9 [0,2]/ [1,6] 0 [0,0]
Thailand 125 [118,135] 1.22 [0.8,1.6]/ [0.6,3.6] 81.9 [56,107]/ [38,242] 0.0013 [0.0009,0.0017]
China 126 [115,135] 1.2 [0.9,1.7]/ [0.6,3.8] 1626.6 [1236,2365]/ [778,5185] 0.0258 [0.02,0.0362]
Equatorial Guinea 127 [119,166] 1.17 [0.2,1.4]/ [0.2,3.1] 1.4 [0,2]/ [0,4] 0 [0,0]
Guyana 128 [119,161] 1.16 [0.2,1.4]/ [0.3,3.2] 0.9 [0,1]/ [0,2] 0 [0,0]
Mauritania 129 [118,169] 1.07 [0.1,1.4]/ [0.2,3.7] 4 [0,5]/ [1,14] 0.0001 [0,0.0001]
Haiti 130 [115,163] 1.03 [0.2,1.8]/ [0.2,3.6] 11.5 [2,20]/ [3,39] 0.0002 [0,0.0003]
Rwanda 131 [105,152] 1.02 [0.4,2.8]/ [0.4,4] 11.9 [5,33]/ [4,46] 0.0002 [0.0001,0.0005]
Gambia 132 [124,158] 1.01 [0.3,1.3]/ [0.2,2.9] 1.9 [1,2]/ [0,6] 0 [0,0]
Syria 133 [118,153] 1 [0.4,1.5]/ [0.4,3.1] 18.7 [7,27]/ [8,57] 0.0003 [0.0001,0.0004]
Botswana 134 [124,161] 0.98 [0.2,1.2]/ [0.2,2.9] 2.2 [0,3]/ [0,6] 0 [0,0]
Ivory Coast 135 [112,150] 0.98 [0.4,2]/ [0.3,4.2] 22.2 [10,47]/ [8,95] 0.0004 [0.0002,0.0008]
Cambodia 136 [121,145] 0.91 [0.6,1.4]/ [0.4,3.1] 14.3 [10,22]/ [6,49] 0.0002 [0.0002,0.0004]
Zimbabwe 137 [120,147] 0.85 [0.6,1.3]/ [0.4,2.8] 12.1 [8,19]/ [6,40] 0.0002 [0.0001,0.0003]
Indonesia 138 [123,150] 0.84 [0.5,1.2]/ [0.3,2.9] 209.9 [119,304]/ [77,718] 0.0033 [0.0018,0.005]
Saudi Arabia 139 [118,170] 0.84 [0.1,1.6]/ [0.1,3.5] 24.1 [3,46]/ [2,102] 0.0004 [0.0001,0.0007]
Niger 140 [119,151] 0.81 [0.5,1.5]/ [0.3,3.3] 16.7 [9,31]/ [7,69] 0.0003 [0.0001,0.0005]
Cameroon 141 [119,151] 0.79 [0.4,1.4]/ [0.3,3] 17.9 [9,32]/ [8,69] 0.0003 [0.0001,0.0005]
Libya 142 [127,168] 0.78 [0.1,1]/ [0.2,2.4] 5 [1,7]/ [1,15] 0.0001 [0,0.0001]
United Republic of Tanzania 143 [120,165] 0.7 [0.2,1.4]/ [0.2,2.4] 38.8 [11,79]/ [11,133] 0.0006 [0.0002,0.0013]
Angola 144 [130,162] 0.69 [0.2,1.1]/ [0.2,2] 14.9 [5,23]/ [4,43] 0.0002 [0.0001,0.0004]
Uzbekistan 145 [135,150] 0.68 [0.5,0.9]/ [0.3,2.2] 21.6 [16,28]/ [9,68] 0.0003 [0.0003,0.0004]
Malawi 146 [116,166] 0.67 [0.2,1.6]/ [0.2,3] 11.3 [3,27]/ [4,51] 0.0002 [0,0.0004]
Laos 147 [134,164] 0.64 [0.2,0.9]/ [0.1,2.1] 4.2 [1,6]/ [1,14] 0.0001 [0,0.0001]
Egypt 148 [125,164] 0.64 [0.2,1.3]/ [0.2,2.8] 52.5 [14,104]/ [15,229] 0.0008 [0.0002,0.0017]
Sri Lanka 149 [126,159] 0.58 [0.3,1.2]/ [0.2,2.2] 12.3 [6,25]/ [5,46] 0.0002 [0.0001,0.0004]
Zambia 150 [122,161] 0.55 [0.2,1.4]/ [0.1,2.3] 8.7 [4,22]/ [2,36] 0.0001 [0.0001,0.0003]
Uganda 151 [121,165] 0.54 [0.2,1.4]/ [0.1,3] 20 [7,53]/ [5,113] 0.0003 [0.0001,0.0008]
Liberia 152 [141,170] 0.53 [0.1,0.7]/ [0.1,1.8] 2.2 [0,3]/ [0,7] 0 [0,0]
Kenya 153 [139,164] 0.48 [0.2,0.7]/ [0.2,1.5] 21.1 [9,32]/ [7,65] 0.0003 [0.0001,0.0005]
Mali 154 [145,158] 0.45 [0.4,0.6]/ [0.2,1.4] 8.3 [7,10]/ [4,25] 0.0001 [0.0001,0.0002]
Oman 155 [147,171] 0.42 [0.1,0.5]/ [0.1,1.3] 1.9 [0,2]/ [0,6] 0 [0,0]
Afghanistan 156 [144,167] 0.4 [0.1,0.6]/ [0.1,1.4] 11.2 [4,16]/ [3,38] 0.0002 [0.0001,0.0002]
Iraq 157 [134,168] 0.4 [0.1,0.9]/ [0.1,1.5] 14.6 [4,34]/ [3,57] 0.0002 [0.0001,0.0005]
Nigeria 158 [142,163] 0.39 [0.2,0.6]/ [0.2,1.6] 67.7 [38,112]/ [27,272] 0.0011 [0.0006,0.0018]
Sierra Leone 159 [148,172] 0.37 [0.1,0.5]/ [0,1.2] 2.6 [0,3]/ [0,8] 0 [0,0.0001]
Eritrea 160 [150,172] 0.36 [0.1,0.4]/ [0.1,1.2] 1.9 [0,2]/ [0,6] 0 [0,0]
Turkmenistan 161 [154,173] 0.29 [0.1,0.4]/ [0.1,0.9] 1.4 [0,2]/ [0,4] 0 [0,0]
Chad 162 [122,173] 0.28 [0,1.2]/ [0,2.6] 4.1 [1,18]/ [1,38] 0.0001 [0,0.0003]
Burkina Faso 163 [149,171] 0.26 [0.1,0.5]/ [0.1,0.8] 5 [2,10]/ [2,15] 0.0001 [0,0.0002]
Yemen 164 [155,173] 0.23 [0,0.3]/ [0,0.8] 6.3 [1,9]/ [1,22] 0.0001 [0,0.0001]
Sudan 165 [157,171] 0.22 [0.1,0.3]/ [0.1,0.7] 9 [2,12]/ [2,31] 0.0001 [0,0.0002]
Guinea 166 [159,173] 0.2 [0.1,0.3]/ [0,0.7] 2.6 [1,3]/ [0,9] 0 [0,0.0001]
Myanmar 167 [158,168] 0.2 [0.1,0.3]/ [0.1,0.6] 11 [8,16]/ [5,31] 0.0002 [0.0001,0.0002]
India 168 [159,170] 0.17 [0.1,0.3]/ [0.1,0.6] 219 [134,348]/ [79,755] 0.0035 [0.002,0.0056]
Lesotho 169 [162,173] 0.16 [0,0.2]/ [0,0.4] 0.3 [0,0]/ [0,1] 0 [0,0]
Mozambique 170 [165,173] 0.13 [0,0.2]/ [0,0.5] 3.5 [1,5]/ [1,12] 0.0001 [0,0.0001]
Ethiopia 171 [167,173] 0.1 [0.1,0.1]/ [0,0.3] 10.3 [5,14]/ [4,35] 0.0002 [0.0001,0.0002]
Bangladesh 172 [168,173] 0.1 [0.1,0.1]/ [0,0.3] 15.1 [10,19]/ [6,48] 0.0002 [0.0002,0.0003]
Somalia 173 [169,173] 0.08 [0,0.1]/ [0,0.2] 0.9 [0,1]/ [0,3] 0 [0,0]
South Sudan 174 [173,174] 0.02 [0,0]/ [0,0.1] 0.3 [0,0]/ [0,1] 0 [0,0]
Papua New Guinea 175 [175,175] 0 [0,0]/ [0,0] 0 [0,0]/ [0,0] 0 [0,0]
Advertisements

35 thoughts on “Frekvencoj de Esperantistoj en ĉiuj landoj

  1. La apero de Andoro bezonas alian pritrakton: temas certe plejparte pri iuj katalunlingvanoj ĉe forumoj kiel Lernu aŭ Edukado.net, kiuj elektas tiun landon anstataŭ Hispanion (aŭ eble Francion). Alia parto povas deveni el homoj kiuj ne deziras montri sian landan apartenon pro privateco, kaj sufiĉe frue laŭ alfabeta ordo trovas malgrandan ekzotan landon kiun oni povas elekti iom ŝerce aŭ sekure. Do, por pli bona analizo, estus konvene aldoni altan procentaĵon de tiuj aperoj al la nombroj ĉe Hispanio; eventuale iom al Francio, kaj oni rezervu parteton por rondigi la nombrojn aliloke.
    Probable la ciferoj ne multe ŝanĝiĝos, sed tiel oni povus forigi tiun landon el la unua loko, kiun ĝi certe ne meritas, kaj kiu malseriozigas la interesan klopodon

    Like

  2. Jes, estas verŝajne iaj problemoj pri la Andoraj nombroj, kaj viaj proponoj ŝajnas probable. Andora ne influas la aliajn nombrojn (videble), do mi ne forigas Andoron. Se ne necesas, Ne tuŝu.

    Like

  3. Per iomete malpli da malsimpleco mi taksis en 2009 la nombron je 87000. Jen ligilo al artikolo kun mia tiurilata komento (tiea stampilo: “akueck 2009-05-19 21:22”):
    http://www.liberafolio.org/arkivo/www.liberafolio.org/2009/popolnombradoj-donas-indikon-pri-la-kvanto-de-esperantistoj

    Mi redonas tiun komenton, char mi ne scias, kiel tien rekte meti ligilon:

    “El ‘Esperanto sen mitoj’ (de Sikosek) mi prenis la ideon taksi la nombron de Esperanto-parolantoj per la regulo de tri (la sekvaj datumoj rilatas al la jaro 2005):

    En mia regiono en la norda Germanujo (urboj: interalie Bremen, Oldenburg, Wilhelmshaven; subdistriktoj: Cuxhaven, Wesermarsch, Ammerland; kun ensume 1,206 milionoj da loghantoj) estas 30 Esperanto-parolantoj. La tiea denso de Esperanto-parolantoj do estas po 25 el unu miliono da homoj. (Kromajho: El tio chi rezultas proksimume 2000 Esperanto-parolantoj en Germanujo – tiu chi nombro estas en la skalo de la nombro de membroj de Germana Esperanto-Asocio kaj Germana Esperanto-Junularo.)
    Supoze ke oni povas apliki la supre menciitan denson nur al Europo, Brazilo, Chinujo, Japanujo, Sud-Kore-ujo, Usono, Kanado kaj Kubo kun ensume 2717,3 milionoj da loghantoj: En tiu chi ‘unua Esperanto-mondo’ estas do proksimume 68000 Esperanto-parolantoj.

    La denson en la cetera mondo (3801,7 milionoj da homoj) mi taksis per helpo de la statistiko de ‘Jarlibro 2005’ de UEA: En la ‘unua Esperanto-mondo’ estas proksimume 1500 delegitoj de UEA; en la cetera mondo proksimume 280. Supoze ke la denso estas proporcia je la delegitonombro, tiuokaze rezultas denso de proksimume po 5 Esperanto-parolantoj el unu miliono da homoj. El tio chi rezultas proksimume 19000 Esperanto-parolantoj en la ‘ekster-unua Esperanto-mondo’.

    Ensume rezultas proksimume 87000 Esperanto-parolantoj tutmonde. Tiuj, al kiuj tiu chi nombro estas tro malgranda, povas resendi al la ‘kalendaro de Unesko’, referencita en la lasta alineo de la artikolo en http://www.liberafolio.org/2008/uneskozam . Lau tiu kalendaro la nombro de Esperanto-parolantoj estas preskau du milionoj.””

    Like

    1. La baza ideo de via analizo similas la bazan ideon de mia analizo. Laŭ via priskribo mi komprenis 30/1206000*2717300000/1500*(1500+280)=80212.17, sed tio ne egalas 87000. Ĉu vi povas korekti min? Interese, se mia analizo nur havis du landoj (unua mondo kaj cetera mondo) kaj nur unu kolumno(UEA) kaj nur unu censa nombro(Nord-germanio), niaj analizoj estus tute samaj!

      Like

      1. Mi deiris de jeno (chiuj nombroj de chirkau 2005):

        En la unua Eo-mondo (Europaj landoj inkluzive Rusujon komplete, Brazilo, Chinujo, Japanujo, Sud-Kore-ujo, Usono, Kanado, Kubo) estas 2717300000 da loghantoj kun denso de po 25 Eo-parolantoj en miliono. Tie estas do (25/1000000)*2717300000 = 67932,5 ≈ 68000 Eo-parolantoj.

        Ekster la unua Eo-mondo estas 3801700000 da loghantoj kun denso de po 5*) Eo-parolantoj en miliono. Tie estas do (5/1000000)*3801700000 = 19008,5 ≈ 19000.

        En ambau Eo-mondoj estas do 87000 Eo-parolantoj.

        *) Mi supozis: Se ekster la unua Eo-mondo estas 280 UEA-delegitoj, do proksimume 1/5 de la nombro de UEA-delegitoj estantaj en la unua Eo-mondo, tiam ankau la denso estas 1/5 de la denso de la unua Eo-mondo, do po 5 Eo-parolantoj en miliono.

        Lau mi ne gravas, chu estas 60000 au 83000 au 87000. Gravas, ke kaj via takso kaj mia takso evidentigas, ke indikoj de plurcent miloj au ech miliono(j) da Eo-parolantoj simple estas troigoj.

        Like

  4. „Frekvencoj”? 😆 Ĉu en aliaj landoj esperantistoj estas dissendataj per radiaj ondoj, aŭ ĉu la artikolo esploras la aferon el la vidpunkto de la onda-partikla dualeco de homoj?

    Like

  5. La komentoj pri “frekvenco” surprizas min, kvazaŭ Esperanto estus lingvo, kiu limigus siajn parolantojn al strikte unusencaj vortoj. (Tamen neniu vortaro, kiun mi rigardis, ŝajnas limigi la signifon de “frekvenco” al radiaj/televidaj ondoj, kiel proponis jam pluraj komentantoj.)

    Kiel Svend Nielsen prave konstatas, ankaŭ la statistika senco de “frekvenco” estas PIV-a. Reta Vortaro, aliflanke, pensas tiun uzon evitenda. Plaĉas al mi la proponita alternativo – “ofto” – sed ne konvinkas min la proponita kialo eviti “frekvencon”, nome, ke temas pri malsamaj aferoj kun malsamaj dimensioj (s^{-1} kontraŭ sendimensia ono). Finfine ambaŭ estas inversoj… kaj ĉiukaze, en aliaj lingvoj homoj ŝajnas kapabli elturniĝi kun la dusignifeco.

    Sed se ni jam estas ĉe terminologio, la vorton “konfidenta” mi ne trovas en la vortaroj…? PIV sub la kapvorto “intervalo” havas “konfidintervalon”.

    Like

  6. Interese ki vi trovis 212.6 [161,315]/ [103,693] por Portugalio. Ni en Portugala Esperanto-Asocio tenas ian nombradon kun kongrua totalo:
    Temas ne pri ia estimo / dedukto / ekstrapolo, sed pri nombrado de unuopaj homoj (do, preskaŭ minimumo, minus miskalkulojn). Inter tiuj estas bone konataj niaj asocianoj kaj iuj aliaj personoj, sed pri multaj el la neasocianoj niaj datenoj estas pli svagaj — iuj estas nur «tiu ulo kiu iam afiŝis en iu forumo».
    En nia listo enestas ankaŭ portugalaj esperantistoj kiuj loĝas eksterlande (surprize multaj) kaj eksterlandanoj kiuj loĝas ĉe ni. Same malprecize ni krude distingas fluparolantojn unuflanke kaj disversspecajn komencantojn kaj baznivelanojn aliflanke.
    Nia totalo jenas: 145 fluparolantoj kaj 375 fuŝparolantoj.

    Liked by 1 person

  7. Chu alphaj estas absoluta nombro? (Char tekstas: “alphaj estas la totala nombro de membroj en organizo j.”)
    Au chu alphaj estas relativa nombro? (Char estas donita ankau la ekvacio alphaj = sumo{i} xij / sumo {i,j} xij, kio igas konkludi, ke okaze de alphaj temas pri relativa nombro.)

    Like

  8. Mi klopodas retrovi la artikolajn klarigojn
    x_ij ~ b- ( kappa = kappa_j, mu = N_i * alpha_j * p_i ), p_i ~ U(0,1), kappa_j ~ Gamma(2,2)
    en la R-programo nome negative_binomial_esperanto_model.R.

    Bedaurinde mi ne “parolas R”. Eble jena kodajhparto estas la shlosilo por kompreno:
    dnbinom(rest[i], size=k[i], mu=a_js[i]*p*po)

    1) Kio estas rest[i]?
    2) Kio estas k[i]? (Mia konjekto: k[1] = 0,151633 = k[3] = k[4] = k[5]; k[2] = 0,183840; k[6] = 0,074681.)
    3) Chu chiu p estas au 0 au 1?
    4) Chu chiu mu estas plena nombro?

    Like

    1. La R-programo estas malfacila, do mi miras ke vi provas. La funkcio ‘likelihood_of_row’ kalkulas log(P(x_{n1}, …, x_{n6} | p_n, kappa)), kie n estas lando. Do rest[i]=x_{ni}, k[i]=kappa_i kaj p estas numero inter 0 kaj 1. p neniam estas 0 aŭ 1, kaj tial mu neniam estas plena nombro.

      Like

  9. La valoroj x_ij povas esti pli grandaj, ol 1. Sed la negativa binomiala distribufunkcio b- ne povas esti pli granda, ol 1. Kiel do povas funkcii x_ij ~ b-? Chu estas skalfaktoro?

    Like

  10. Chu la aro de la kappa_j (por j=1…6) estas la sama por chiuj landoj?
    Se jes: Bonvolu skribi la unuopajn valorojn de tiuj ses kappa_j.

    Like

    1. Jes, kappa_j ne dependas de la lando. La taksitaj kappa’oj estas kappa=(3.3144869, 2.6375309, 3.3144869, 3.3144869, 3.3144869, 0.2140745). Tio ekzemple implikas ke ‘national organization size’ ne gravas multe por la taksataj nombroj, ĉar ĝi nur havas kappa_6=0.2140745.

      Like

    1. Dankon, mi ŝatas tion! Vi faris bonan laboran, kaj la nura eraro estis misuzado de la binomiala distrubifunkcio. Taksi kappa_1,…, kappa_6 estis granda parto de la analizo sed tion vi ellasis.

      Like

      1. Mi volas eltrovi nun, chu la Guglo-tabelo taugas, por determini ankau la kappa_j (j = 1, …, 6), se oni ne konas ilin. Pri ili mi ghis nun scias jenon: kappa_j ~ gd(2, 2); gd: gamma-distribuo
        Krome mi deiras de tio, ke chiu kappa_j > 0.

        Chio chi signifas: P(kappa_j = z) = gd(z, 2, 2), kaj gd(z, 2, 2) = 4 * z * exp(-2*z)

        Plue estas jena kondicho: kappa_3 = kappa_1; kappa_4= kappa_1 kaj kappa_5 = kappa_1

        1) Chu la kappa_j devas esti tiaj, ke la “sumo de la sumoj”, do la enhavo de la chelo AF186 en la Guglo-tabelo, estu maksimuma?

        2) Se la respondo al 1) estas jes: Kiuj pliaj kondichoj validas por la kappa_j?

        Like

        1. 1) Preskaŭ. kappa-oj estas maksimumo de la sumo de ĉiuj logaritma ‘likelihood(viaj AF186) plus la logaritmo de la (probablecaj funkciaj) densecoj de la kappa-oj. Do, vi devos maksimumi la esprimon AF186 + log(gd(kappa_1,2,2))*4 + log(gd(kappa_2,2,2))+log(gd(kappa_6,2,2)) en la 178 variabloj; p_1, …, p_175, kappa_1, kappa_2, kappa_6. Tio estas kalkulebla, ĉar oni povas trovi la masimumantajn p_1, …, p_175 aparte, kiam la kappa-oj estas fikisitaj.

          2) Ankaŭ estas 0<p_i<1 por i=1,…, 175. Ne estas kondiĉoj sur kappa (se oni uzas la regulon "log(gd(z,2,2))= – infinity" por z<0).

          Vi havas la ĝustan esprimon de la gamma distribuo.

          Like

          1. Arbitre difinitaj startvaloroj de kappa_1, kappa_2 kaj kappa_6 estas en V186:V188; variaj estas en X186:X188.

            Mi efektivigis vian konsilon. La maksimumado per la solvilo ne bone funkcias, se la variaj cheloj estas X11:X188. Ghi funkcias pli bone, se mi plurfoje aplikas la solvilon*) alterne al a) nur X11:X185 (t. e. la p’-oj) kaj poste al b) nur X186:X188 (t. e. kappa_1, kappa_2 kaj kappa_6). Sed mi ghis nun ne atingis “viajn” kappa_1, kappa_2 kaj kappa_6.
            *) “Standard LSGRG Nonlinear”

            Pri p’ (kolumno X): Mi enkondukis p’, por ke dum la funkciado de la solvilo estu chiam kalkulata kun “taugaj” valoroj de p (en kolumno Y).

            Eble vi havas plian konsilon pri tio, kiel atingi “viajn” valorojn de kappa_1, kappa_2 kaj kappa_6.

            Like

            1. Ripetu; maksimumu por p-oj, do maksimumu por kappa-oj, do por p-oj, do kaj tiel plu. Aŭ oni povas uzi kiel mi faris kaj uzi Nelder-Mead. Per Nelder-Mead ĉirkaŭ 100 ripetoj estas bezonataj. Mia maksimumo estas -2934 (sen la densecoj de kappa-oj), do vi estas proksima al mia maksimumo.

              Like

  11. En la menciita Guglo-Tabelo, tabelfolio “kopio_001_por_ludi”, bonvolu intershanghi la nombrojn de E5 kaj G5 kaj krome apliki la solvilon ankau por AF12, AF13 kaj AF14. Tiam E9:H9 estos tre proksimaj al la respektivaj rezultoj de la supra tabelo.

    Like

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s