Pertanyaan yang diberi tag «estimation»

Tag ini terlalu umum; berikan tag yang lebih spesifik. Untuk pertanyaan tentang properti estimator tertentu, gunakan tag [estimator].

2
Perkirakan Tingkat Deviasi Timbangan Standar Dengan Variabel Independen
Saya memiliki percobaan di mana saya melakukan pengukuran variabel terdistribusi normal YYY, Y∼N(μ,σ)Y∼N(μ,σ)Y \sim N(\mu,\sigma) Namun, percobaan sebelumnya telah memberikan beberapa bukti bahwa standar deviasi σσ\sigma adalah fungsi affine dari variabel independen XXX , yaitu σ=a|X|+bσ=a|X|+b\sigma = a|X| + b Y∼N(μ,a|X|+b)Y∼N(μ,a|X|+b)Y \sim N(\mu,a|X| + b) Saya ingin memperkirakan parameter aaa …

1
James-Stein Estimator dengan varian yang tidak sama
Setiap pernyataan yang saya temukan dari estimator James-Stein mengasumsikan bahwa variabel acak yang diperkirakan memiliki varians yang sama (dan satuan). Tetapi semua contoh ini juga menyebutkan bahwa estimator JS dapat digunakan untuk memperkirakan jumlah yang tidak ada hubungannya satu sama lain. Contoh wikipedia adalah kecepatan cahaya, konsumsi teh di Taiwan, …

2
Memperkirakan varians dari sampel normal pusat-disensor
Saya telah normal-didistribusikan proses dari mana saya mendapatkan sampel kecil ( n biasanya 10-30) bahwa saya ingin gunakan untuk memperkirakan varians. Tetapi seringkali sampelnya sangat berdekatan sehingga kita tidak dapat mengukur titik individual di dekat pusat. Saya memiliki pemahaman yang samar-samar ini bahwa kita harus dapat membangun penduga yang efisien …


1
Contoh estimasi maksimum a posteriori
Saya telah membaca tentang estimasi kemungkinan maksimum dan estimasi posteriori maksimum dan sejauh ini saya telah bertemu contoh konkret hanya dengan estimasi kemungkinan maksimum. Saya telah menemukan beberapa contoh abstrak estimasi posteriori maksimum, tetapi belum ada yang konkret dengan angka di atasnya: S Ini bisa sangat luar biasa, hanya bekerja …


2
Referensi untuk ?
Dalam jawaban untuk pertanyaan saya sebelumnya, @Erik P. memberikan ekspresi mana adalah kelebihan kurtosis dari distribusi. Referensi ke entri Wikipedia tentang distribusi varian sampel diberikan, tetapi halaman wikipedia mengatakan "rujukan?"κV a r [ s2] = σ4( 2n - 1+ κn),Var[s2]=σ4(2n−1+κn), \mathrm{Var}[s^2]=\sigma^4 \left(\frac{2}{n-1} + \frac{\kappa}{n}\right) \>, κκ\kappa Pertanyaan utama saya adalah, …


1
R / mgcv: Mengapa produk tensor () dan ti () menghasilkan permukaan yang berbeda?
The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang …
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 




1
Tentang keberadaan UMVUE dan pilihan penaksir
Mari menjadi sampel acak yang diambil dari N ( θ , θ 2 ) populasi di mana θ ∈ R .(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R Saya mencari UMVUE dari .θθ\theta Densitas sambungan adalah(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1,x2,⋯,xn)=∏i=1n1θ2π−−√exp[−12θ2(xi−θ)2]=1(θ2π−−√)nexp[−12θ2∑i=1n(xi−θ)2]=1(θ2π−−√)nexp[1θ∑i=1nxi−12θ2∑i=1nx2i−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈Rfθ(x1,x2,⋯,xn)=∏saya=1n1θ2πexp⁡[-12θ2(xsaya-θ)2]=1(θ2π)nexp⁡[-12θ2∑saya=1n(xsaya-θ)2]=1(θ2π)nexp⁡[1θ∑saya=1nxsaya-12θ2∑saya=1nxsaya2-n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} , dengan danh(x)=1.g(θ,T(x))=1(θ2π√)nexp[1θ∑ni=1xi−12θ2∑ni=1x2i−n2]g(θ,T(x))=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]g(\theta, T(\mathbf x))=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right]h(x)=1h(x)=1h(\mathbf x)=1 Di …

2
UMVUE dari sementara sampel dari populasi
Biarkan menjadi sampel acak dari kerapatan(X1,X2,…,Xn)(X1,X2,…,Xn)(X_1,X_2,\ldots,X_n)fθ(x)=θxθ−110<x<1,θ>0fθ(x)=θxθ−110<x<1,θ>0f_{\theta}(x)=\theta x^{\theta-1}\mathbf1_{00 Saya mencoba menemukan UMVUE dari .θ1+θθ1+θ\frac{\theta}{1+\theta} Kepadatan bersama adalah(X1,…,Xn)(X1,…,Xn)(X_1,\ldots,X_n) fθ(x1,⋯,xn)=θn(∏i=1nxi)θ−110<x1,…,xn<1=exp[(θ−1)∑i=1nlnxi+nlnθ+ln(10<x1,…,xn<1)],θ>0fθ(x1,⋯,xn)=θn(∏i=1nxi)θ−110<x1,…,xn<1=exp⁡[(θ−1)∑i=1nln⁡xi+nln⁡θ+ln⁡(10<x1,…,xn<1)],θ>0\begin{align} f_{\theta}(x_1,\cdots,x_n)&=\theta^n\left(\prod_{i=1}^n x_i\right)^{\theta-1}\mathbf1_{00 \end{align} Karena populasi pdf milik keluarga eksponensial satu-parameter, ini menunjukkan bahwa statistik yang cukup lengkap untuk \ theta adalah T (X_1, \ ldots, X_n) = \ sum_ {i = 1} ^ …

2
Kullback-Leibler Divergence untuk dua sampel
Saya mencoba menerapkan estimasi numerik Kullback-Leibler Divergence untuk dua sampel. Untuk debug implementasi, ambil sampel dari dua distribusi normal dan .N ( 1 , 2 )N(0,1)N(0,1)\mathcal N (0,1)N(1,2)N(1,2)\mathcal N (1,2) Untuk perkiraan sederhana saya menghasilkan dua histogram dan mencoba untuk memperkirakan secara integral numerik. Saya terjebak dengan menangani bagian-bagian histogram …

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.