Запитання з тегом «mean»

Припустимо, скалярна випадкова величина належить до експоненціальної родини векторних параметрів з pdfXXX fX(x|θ)=h(x)exp(∑i=1sηi(θ)Ti(x)−A(θ))fX(x|θ)=h(x)exp⁡(∑i=1sηi(θ)Ti(x)−A(θ)) f_X(x|\boldsymbol \theta) = h(x) \exp\left(\sum_{i=1}^s \eta_i({\boldsymbol \theta}) T_i(x) - A({\boldsymbol \theta}) \right) де θ=(θ1,θ2,⋯,θs)Tθ=(θ1,θ2,⋯,θs)T{\boldsymbol \theta} = \left(\theta_1, \theta_2, \cdots, \theta_s \right )^T - вектор параметрів і T(x)=(T1(x),T2(x),⋯,Ts(x))TT(x)=(T1(x),T2(x),⋯,Ts(x))T\mathbf{T}(x)= \left(T_1(x), T_2(x), \cdots,T_s(x) \right)^T - спільна достатня статистика. Можна показати, …

11 variance  mean  exponential-family  sufficient-statistics 

У мене є набір даних, що містить кількість дій, здійснених особами протягом 7 днів. Конкретна дія не повинна відповідати цьому питанню. Ось деякі описові статистичні дані для набору даних: ДальністьСереднійВаріантністьКількість спостережень0 - 77218.22791 рік696Дальність0-772Середній18.2Варіантність2791 рікКількість спостережень696 \begin{array}{|c|c|} \hline \text{Range} & 0 - 772 \\ \hline \text{Mean} & 18.2 \\ \hline …

11 r  distributions  poisson-distribution  mean  sample 

Я працюю над сильно перекошеними даними, тому я використовую медіану замість середнього, щоб узагальнити центральну тенденцію. Я хотів би мати міру дисперсності. Хоча я часто бачу людей, які повідомляють про середнє стандартне відхилення±±\pm або медіану четвертинки,±±\pm щоб узагальнити центральну тенденцію, чи нормально повідомляти про середню середню абсолютну дисперсію (MAD)±±\pm ? …

11 mean  skewness  median  reporting  mad 

У mgcvпакеті Rє дві функції для встановлення тензорних взаємодій між продуктами: te()і ti(). Я розумію основний розподіл праці між двома (встановлення нелінійної взаємодії проти декомпозиції цієї взаємодії на основні ефекти та взаємодію). Чого я не розумію, це чому te(x1, x2)і ti(x1) + ti(x2) + ti(x1, x2)може давати (трохи) різні результати. …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

З урахуванням випадкової величини , яка середня величина та дисперсія ?Y=Exp(λ)Y=Exp(λ)Y = Exp(\lambda)G=1YG=1YG=\dfrac{1}{Y} Я дивлюся на зворотний розподіл гамми, але середнє значення та дисперсія визначаються лише для та відповідно ...α>1α>1\alpha>1α>2α>2\alpha>2

11 variance  mean  exponential 

Як гармонічне значення поводиться з нульовими значеннями? що означатиме гармонічне значення {3, 4, 5, 0}, оскільки ?1 / 0 = ∞1/0=∞1/0=\infty

11 mean  average  harmonic-mean 

Вивчаючи два незалежні засоби вибірки, нам кажуть, що ми дивимось на "різницю двох засобів". Це означає, що ми беремо середнє значення від сукупності 1 ( ) і віднімаємо з нього середнє значення від сукупності 2 ( ). Отже, наша "різниця у двох засобах" - це ( - ).у¯1у¯1\bar y_1у¯2у¯2\bar y_2у¯1у¯1\bar …

11 paired-comparisons  paired-data  mean 

Часте спрощення моделювання та моделювання полягає в заміні випадкової величини на її середнє значення. Коли це спрощення призведе до неправильного висновку?

10 modeling  mean  random-variable 

Як би ви пояснили поняття середнього, медіанного та режиму списку чисел і чому вони важливі для когось, що має лише основні арифметичні навички? Не будемо згадувати скутість, CLT, центральну тенденцію, їх статистичні властивості тощо. Я комусь пояснив, що це лише швидкий і брудний спосіб "узагальнити" список номерів. Але озираючись назад, …

10 mean  descriptive-statistics  median  mode 

Я натрапив на це виведення, яке я не розумію: Якщо - випадкові вибірки розміру n, взяті з сукупності середніх та дисперсії , то μ σ 2Х1, X2, . . . , XнХ1,Х2,...,ХнX_1, X_2, ..., X_nмкмк\muσ2σ2\sigma^2 Х¯= ( X1+ X2+...+Xn) / нХ¯=(Х1+Х2+...+Хн)/н\bar{X} = (X_1 + X_2 + ... + X_n)/n Е( …

10 random-variable  expected-value  mean  iid 

Прошу вибачення за незначне зловживання термінологією; Я сподіваюся, що стане зрозумілим, що я маю на увазі нижче. Розглянемо випадкову величину . Як середнє, так і медіанне можна охарактеризувати за критерієм оптимальності: середнє значення - це число яке мінімізує , а медіана - це число, яке мінімізує . У цій перспективі …

10 mean  median 

В даний час затримався на цьому, я знаю, що, мабуть, я повинен використовувати середнє відхилення біноміального розподілу, але не можу це зрозуміти.

10 self-study  binomial  mean  expected-value  proof 

У мене є GLMM форми: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Під час використання drop1(model, test="Chi")я отримую інші результати, ніж якщо я використовую Anova(model, type="III")з автомобільного пакета або summary(model). Ці два останні дають однакові відповіді. Використовуючи купу сфабрикованих даних, я виявив, що …

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

Припустимо, у нас є доступ до зразків iid з розподілу з істинною (невідомою) середньою та дисперсією , і ми хочемо оцінити .μ,σ2μ,σ2\mu, \sigma^2μ2μ2\mu^2 Як ми можемо побудувати неупереджений, завжди позитивний оцінювач цієї кількості? Якщо взяти квадрат зразка, середнє значення є упередженим і переоцінить кількість, esp. якщо близький до 0 і …

10 mean  unbiased-estimator 

Припустимо, у мене є мінімальний, середній та максимум деякого набору даних, скажімо, 10, 20 та 25. Чи є спосіб: створити розподіл з цих даних та знати, який відсоток населення, ймовірно, лежить вище або нижче середнього Редагувати: Згідно з пропозицією Глена, припустимо, у нас розмір вибірки 200.

10 distributions  standard-deviation  mean  maximum  minimum