Pertanyaan yang diberi tag «variance»

Saya mencoba mengurangi dimensi dan derau dataset dengan melakukan PCA pada dataset dan membuang beberapa PC terakhir. Setelah itu, saya ingin menggunakan beberapa algoritma pembelajaran mesin pada PC yang tersisa, dan karena itu saya ingin menormalkan data dengan menyamakan varians PC untuk membuat algoritma bekerja lebih baik. Satu cara sederhana …

9 variance  pca  factor-rotation 

Untuk bilangan konstanta yang diberikan (misalnya 4), apakah mungkin untuk menemukan distribusi probabilitas untuk , sehingga kita memiliki ?rrrXXXV a r (X) = rVar(X)=r\mathrm{Var}(X)=r

9 distributions  mathematical-statistics  variance 

Mari X1, . . . , XnX1,...,XnX_{1},...,X_{n} menjadi pengamatan yang berbeda (tidak ada ikatan). Mari X∗1, . . . , X∗nX1∗,...,Xn∗X_{1}^{*},...,X_{n}^{*} menunjukkan sampel bootstrap (sampel dari CDF empiris) dan biarkan . Temukan dan . E( ˉ X ∗ n )Var( ˉ X ∗ n )X¯∗n= 1n∑ni = 1X∗sayaX¯n∗=1n∑i=1nXi∗\bar{X}_{n}^{*}=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{*}E( X¯∗n)E(X¯n∗)E(\bar{X}_{n}^{*})V a …

9 self-study  variance  bootstrap  cdf  conditional-expectation 

Jika yang iid distribusi Poisson dengan parameter β Saya telah bekerja bahwa estimasi maksimum likelihood adalah β ( k 1 , ... , k n ) = 1K1, ... , KnK1,…,KnK_1, \dots, K_nββ\betauntuk datak1,…,kn. Oleh karena itu kita dapat mendefinisikan penduga yang sesuai T=1β^( k1, ... , kn) = 1n∑i …

9 variance  maximum-likelihood  poisson-distribution 

Saya hanya ingin tahu tentang hipotesis nol dari tes Mann-Whitney U. Saya sering melihatnya menyatakan bahwa hipotesis nol adalah bahwa dua populasi memiliki distribusi yang sama. Tapi saya berpikir - jika saya memiliki dua populasi normal dengan rata-rata yang sama tetapi sangat tidak sama, tes Mann-Whitney mungkin tidak akan mendeteksi …

9 hypothesis-testing  variance  wilcoxon-mann-whitney 

Saya mencoba menyesuaikan model linier pada beberapa data hanya dengan satu prediktor (katakanlah (x, y)). Data sedemikian rupa sehingga untuk nilai x yang kecil, nilai y memberikan kesesuaian yang ketat dengan garis lurus, namun begitu nilai x meningkat, nilai y menjadi lebih tidak stabil. Berikut adalah contoh dari data tersebut …

9 r  regression  variance  data-transformation 

Cangkok berikut diambil dari artikel ini . Saya pemula untuk bootstrap dan mencoba mengimplementasikan bootstrap parametrik, semiparametrik, dan nonparametrik untuk model campuran linier dengan R bootpaket. Kode R Ini Rkode saya : library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

Saya melihat apakah kelimpahan berhubungan dengan ukuran. Ukuran (tentu saja) kontinu, namun, kelimpahan dicatat pada skala sedemikian rupa A = 0-10 B = 11-25 C = 26-50 D = 51-100 E = 101-250 F = 251-500 G = 501-1000 H = 1001-2500 I = 2501-5000 J = 5001-10,000 etc... A …

9 categorical-data  variance  model  continuous-data 

Menurut Hukum Varians Total, Var(X)=E(Var(X∣Y))+Var(E(X∣Y))Var⁡(X)=E⁡(Var⁡(X∣Y))+Var⁡(E⁡(X∣Y))\operatorname{Var}(X)=\operatorname{E}(\operatorname{Var}(X\mid Y)) + \operatorname{Var}(\operatorname{E}(X\mid Y)) Ketika mencoba membuktikannya, saya menulis Var(X)=E(X−EX)2=E{E[(X−EX)2∣Y]}=E(Var(X∣Y))Var⁡(X)=E⁡(X−E⁡X)2=E⁡{E⁡[(X−E⁡X)2∣Y]}=E⁡(Var⁡(X∣Y)) \begin{equation} \begin{aligned} \operatorname{Var}(X) &= \operatorname{E}(X - \operatorname{E}X)^2 \\ &= \operatorname{E}\left\{\operatorname{E}\left[(X - \operatorname{E}X)^2\mid Y\right]\right\} \\ &= \operatorname{E}(\operatorname{Var}(X\mid Y)) \end{aligned} \end{equation} Apakah ada yang salah?

9 variance  conditional-probability  expected-value  conditional-expectation  moments 

Dalam komentar di bawah tulisan saya , Glen_b dan saya mendiskusikan bagaimana distribusi diskrit harus memiliki mean dan varian yang berbeda. Untuk distribusi normal masuk akal. Jika saya memberi tahu Andax¯x¯\bar{x}, kamu belum tahu apa s2s2s^2adalah, dan jika saya memberi tahu Anda , Anda tidak tahu apa itu. (Diedit untuk …

9 distributions  variance  mean  independence  moments 

Saya tahu bahwa varians perbedaan dua variabel independen adalah jumlah varians, dan saya bisa membuktikannya. Saya ingin tahu kemana perginya kovarians dalam kasus lain.

9 variance  covariance  independence  non-independent 

Apakah mungkin untuk mendapatkan formula untuk varian kekuatan variabel acak dalam hal nilai yang diharapkan dan varian X? dan var(Xn) =?var⁡(Xn)=?\operatorname{var}(X^n)= \,?E(Xn) =?E(Xn)=?E(X^n)=\,?

9 variance  expected-value 

Saya mengalami sedikit kebingungan. Saya sedang membaca makalah ini di mana dijelaskan bahwa teknik mengantongi sangat mengurangi varians dan hanya sedikit meningkatkan bias. Saya tidak mengerti mengapa mengurangi varians. Saya tahu perbedaan dan biasnya. Bias adalah ketidakmampuan model untuk mempelajari data. Varians adalah sesuatu yang mirip dengan overfitting. Saya hanya …

9 variance  bias  bagging 

Saya mencoba untuk menghasilkan model campuran linier kode R adalah sebagai berikut. lme (Average.payoff ~ Game + Type + Others.Type + Game: Type + Game: Others.Type + Type: Others.Type, random = ~ 1 | Subjek, metode = "REML", data = Subjectsm1) -> lme1 Istilah respons Average.payoff kontinu sementara semua variabel …

9 regression  mixed-model  variance  heteroscedasticity  lme4-nlme 

Dalam angsuran intuisi lain untuk identitas dalam probabilitas, pertimbangkan Hukum identitas dasar Varians Total Var(X)=E[Var(X|Y)]+Var(E[X|Y])Var(X)=E[Var(X|Y)]+Var(E[X|Y]) \begin{eqnarray} \rm{Var}(X) &=&\rm{E}[\rm{Var}(X|Y)] + \rm{Var}(E[X|Y]) \end{eqnarray} Ini adalah manipulasi aljabar sederhana dari definisi momen ke penjumlahan, atau, seperti dalam tautan wikipedia, melalui manipulasi E dan Var. Tetapi identitas ini, saya tidak tahu apa artinya . …

8 variance  intuition