Frekvencoj de Esperantistoj en ĉiuj landoj

Posted on December 18, 2016February 14, 2017 by svendvnielsen

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 el lando estas , 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 estas elektata por ke la ‘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 la vera nombro de esperantistoj en lando . 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]

40 thoughts on “Frekvencoj de Esperantistoj en ĉiuj landoj”

Christian Moe February 13, 20179:59 am Reply

Dankon pro interesa pritakso kun rezultoj, kiuj sonas realismaj. Mi miras, kio estus la rezulto, se vi ne ellasus Hungarion?

LikeLiked by 1 person
1. svendvnielsen February 13, 20175:06 pm Reply
  
  Se mi inkludus Hungarios en la skalfaktora kalkulado, estus 103342 esperantistoj (kaj ĉiu totala landa takso estus ankaŭ multplikita per 103342/62984=1.64)
  
  LikeLike
  1. Christian Moe February 13, 201711:48 pm Reply
    
    Dankon.
    
    LikeLike
Tonjo February 13, 201711:14 am Reply

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

LikeLike
svendvnielsen February 13, 20175:44 pm Reply

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.

LikeLike
1. Tonjo February 13, 20175:52 pm Reply
  
  Certe la nombroj de Andoro ne tuŝas la totalon. Notu tamen ke multaj homoj rigardos la ordon de la landoj, ĉar ankaŭ tio estas interesa informo, kaj alvenos al malbona konkludo pri tiu parto. Fakte, nun estas ioma diskuto en Fejsbuko (vidu adreson: https://www.facebook.com/istvan.ertl/posts/10155070596318750 , kaze ke vi ne rimarkis) kaj tie la titolo kaj parto de la diskuto aludas ĝuste al tiu “andora fenomeno” 🙂
  
  LikeLike
Andreas February 13, 20177:30 pm Reply

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.””

LikeLike
1. svendvnielsen February 14, 20177:20 am Reply
  
  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!
  
  LikeLike
  1. Andreas February 14, 20175:43 pm Reply
    
    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.
    
    LikeLike
    1. svendvnielsen February 14, 20176:37 pm Reply
      
      La 1/5 denseco estas granda rondigo(kaj oni kutime nur rondigas la finan rezulton), sed mi konsentas pri la konkludo:)
      
      LikeLike
Ferdinand Cesarano February 14, 20171:45 am Reply

La vorto “frekvenco” temas sole pri la dissendo de radio kaj televido.

Vi devintus skribi “ofteco” aŭ “denseco”.

LikeLike
1. svendvnielsen February 14, 20175:40 am Reply
  
  Laŭ vortaro.net, “frekvenco” ankaŭ estas statistika fakvorto, sed ie mi uzas “frekvenco”=”relativa frekvenco”. Tio ne estas bona, do mi korektos tion.
  
  LikeLike
Michał Ryszard Balicki February 14, 20171:56 am Reply

„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?

LikeLike
Christian Moe February 14, 20179:39 am Reply

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”.

LikeLike
António Martins February 17, 201712:38 am Reply

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.

LikeLiked by 1 person
Andreas February 19, 20177:57 pm Reply

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.)

LikeLike
1. svendvnielsen February 19, 20178:38 pm Reply
  
  Tio ne gravas, ĉar ambaŭ difinoj implicas identajn rezultojn. (En miaj kalkuladoj, mi uzis alpha_j = sum_{i}x_{ij} / sum_{i,j} x_{ij}).
  
  LikeLike
Andreas February 20, 20175:36 pm Reply

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?

LikeLike
1. svendvnielsen February 21, 201712:52 am Reply
  
  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.
  
  LikeLike
Andreas February 22, 20177:54 pm Reply

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?

LikeLike
svendvnielsen February 22, 20178:43 pm Reply

x_ij ~ b-(k,t) signifas ke P(x_ij=z) = binom(k+z-1, z)*t^z*(1-t)^k

LikeLike
Andreas February 23, 201712:35 pm Reply

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.

LikeLike
1. svendvnielsen February 24, 20178:23 am Reply
  
  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.
  
  LikeLike
Andreas February 25, 201712:29 pm Reply

Mi petas vian helpon:
“Unua provo reprodukte kalkuli la rezultojn de la modelo de Svend Vendelbo Nielsen pri la nombro de Esperanto-parolantoj”
View at Medium.com

LikeLiked by 1 person
1. svendvnielsen February 27, 201712:26 am Reply
  
  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.
  
  LikeLike
  1. Andreas February 28, 20174:48 pm Reply
    
    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?
    
    LikeLike
    1. svendvnielsen March 1, 20176:39 am Reply
      
      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.
      
      LikeLike
      1. Andreas March 1, 20179:11 pm Reply
        
        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.
        
        LikeLike
        
        svendvnielsen March 2, 20176:48 am Reply
        
        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.
        
        LikeLike
        
        Andreas March 2, 20177:56 pm Reply
        
        Mi haltis che -2959 😉
        
        LikeLike
Andreas February 27, 20177:27 am Reply

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.

LikeLike
1. Andreas February 27, 20175:37 pm Reply
  
  Farite.
  
  LikeLike
Rubén Oblitas February 27, 201710:46 pm Reply

Reblogged this on RIDETU.

LikeLiked by 1 person
Massimo August 10, 20172:50 pm Reply

Saluton Svend Vendelbo Nielsen, via kalkulo ŝajnas al mi trafa.

LikeLike
1. svendvnielsen August 12, 20177:00 am Reply
  
  Bone! Kaj dankon.
  
  LikeLike
La nombro de parolantoj de Esperanto en la mondo – Kalkulinda January 27, 20184:33 pm Reply

[…] En ĉi tiu afiŝo mi verkas superrigardon pri diversaj taksoj kaj analizas ilin. En 2016 mi mem taksis la nombron de esperantistoj, kaj mi ankaŭ iomete defendas la takson ĉi […]

LikeLike
Thierry Saladin May 30, 20182:37 pm Reply

Saluton,
Tre interesa studo, kiun mi intencas trarigardi.
Unu demando : se mi tradukus ĝin en la francan, ĉu vi konsentus aldoni ĝin en via hejmpaĝaro?

Elkore.
Thierry Saladin

LikeLike
1. svendvnielsen May 30, 20182:47 pm Reply
  
  Dankon! Mi ne volas havi francan version (kiun mi ne komprenus) sur kalkulinda.com, sed vi rajtas skribi francan version kaj alŝuti ĝin aliloke.
  
  LikeLike
kuskuso February 2, 20196:19 pm Reply

Nun, ni kalkulu kiom da homoj estas en la mondo laŭ la nombro de fejsbukaj uzantoj. 😛

LikeLike
1. svendvnielsen February 2, 20196:34 pm Reply
  
  Hehe, jes, tio fakte estus simila 😉
  
  LikeLike