Perguntas com a marcação «estimation»

Eu tenho um experimento no qual estou fazendo medições de uma variável normalmente distribuída ,YYY Y∼N(μ,σ)Y∼N(μ,σ)Y \sim N(\mu,\sigma) Entretanto, experimentos anteriores forneceram algumas evidências de que o desvio padrão é uma função afim de uma variável independente , ou seja,Xσσ\sigmaXXX 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) …

11 normal-distribution  estimation  experiment-design  model  heteroscedasticity 

Toda afirmação que encontro do estimador James-Stein assume que as variáveis ​​aleatórias estimadas têm a mesma variação (e unidade). Mas todos esses exemplos também mencionam que o estimador JS pode ser usado para estimar quantidades sem nada a ver um com o outro. O exemplo da Wikipedia é a velocidade …

11 estimation  shrinkage  steins-phenomenon 

Eu processos a partir do qual eu recebo pequenas amostras (normalmente distribuída n tipicamente 10-30) que eu quero usar para estimar a variância. Mas frequentemente as amostras estão tão próximas que não podemos medir pontos individuais perto do centro. Tenho um entendimento vago de que deveríamos ser capazes de construir …

11 normal-distribution  estimation  rayleigh 

Eu recebi essa tarefa e fiquei perplexo. Um colega me pediu para estimar a e x l o w e r do quadro a seguir:xupperxupperx_{upper}xlowerxlowerx_{lower} A curva é na verdade uma distribuição cumulativa ex é algum tipo de medida. Ele está interessado em saber quais são os valores correspondentes em …

11 estimation  pdf  curve-fitting  logistic-curve 

Eu tenho lido sobre estimativa de máxima verossimilhança e estimativa máxima a posteriori e até agora encontrei exemplos concretos apenas com a estimativa de máxima verossimilhança. Encontrei alguns exemplos abstratos de estimativa máxima a posteriori, mas nada concreto ainda com números: S Pode ser muito esmagador, trabalhando apenas com variáveis …

11 bayesian  estimation  posterior 

Eu tenho dados que tem a forma . Para a estimativa deβ1aβ3, utilizo as fórmulas deste artigo:John Fox - Regressão não linear e mínimos quadrados não lineares Neste artigo, oβ1é estimado observando os dados. Se eu fizer isso, funciona bem, mesmo que eu tenha apenas três pontos. A partir disso, …

11 logistic  estimation 

Em sua resposta à minha pergunta anterior, @Erik P. dá a expressão onde é o excesso de curtose da distribuição. É fornecida uma referência à entrada da Wikipedia sobre a distribuição da variação da amostra , mas a página da Wikipedia diz "citação necessária".κV a r [ s2] = σ4( …

11 estimation  variance  references 

Suponha que eu tenha uma caixa preta que gera dados após uma distribuição normal com média me desvio padrão s. Suponha, no entanto, que sempre que ele gera um valor <0, ele não registra nada (nem pode dizer que ele emitiu esse valor). Temos uma distribuição gaussiana truncada sem um …

11 distributions  estimation 

O mgcvpacote para Rpossui duas funções para ajustar as interações do produto tensorial: te()e ti(). Entendo a divisão básica do trabalho entre os dois (ajustando uma interação não linear versus decompondo essa interação em efeitos principais e uma interação). O que não entendo é o porquê te(x1, x2)e ti(x1) + …

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 

Estou tentando planejar um plano de estudo para aprender MLE. Para fazer isso, estou tentando descobrir qual é o nível mínimo de cálculo necessário para entender o MLE. É suficiente entender o básico do cálculo (ou seja, encontrar o mínimo e o máximo de funções) para entender o MLE?

11 estimation  mathematical-statistics  maximum-likelihood 

Uma situação extremamente comum em computação gráfica é que a cor de algum pixel é igual à integral de alguma função com valor real. Freqüentemente, a função é muito complicada para ser resolvida analiticamente, então ficamos com a aproximação numérica. Mas a função também costuma ser muito cara de calcular, …

11 estimation  monte-carlo  function  quasi-monte-carlo 

Considere uma regressão simples (normalidade não assumida): onde está com média e desvio padrão . São os menos Estimativas quadrados de e uncorrelated?e i 0 σ a bYi=a+bXi+ei,Yi=a+bXi+ei,Y_i = a + b X_i + e_i,eieie_i000σσ\sigmaaaabbb

11 regression  correlation  estimation 

Deixe ser uma amostra aleatória tirada a partir de população onde .( X1 1, X2, ⋯ , Xn)(X1 1,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 Estou procurando o UMVUE de .θθ\theta A densidade da junta de é( X1 1, X2, ⋯ , Xn)(X1 1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ( x1 1, x2, ⋯ …

10 mathematical-statistics  normal-distribution  estimation  inference  umvue 

Seja (X1,X2,…,Xn)(X1,X2,…,Xn)(X_1,X_2,\ldots,X_n) uma amostra aleatória da densidadefθ(x)=θxθ−110<x<1,θ>0fθ(x)=θxθ−110<x<1,θ>0f_{\theta}(x)=\theta x^{\theta-1}\mathbf1_{00 Estou tentando encontrar o UMVUE de .θ1+θθ1+θ\frac{\theta}{1+\theta} A densidade da junta de é(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} Como a população pdf pertence à família exponencial de um parâmetro, isso mostra que uma estatística completa suficiente para é T (X_1, \ ldots, X_n) …

10 self-study  distributions  estimation  inference  beta-distribution 

Tentei implementar uma estimativa numérica da divergência Kullback-Leibler para duas amostras. Para depurar a implementação, extrair as amostras de duas distribuições normais e .N(0,1)N(0,1)\mathcal N (0,1)N(1,2)N(1,2)\mathcal N (1,2) Para uma estimativa simples, gerei dois histogramas e tentei aproximar numericamente a integral. Fiquei preso ao lidar com aquelas partes do histograma …

10 estimation  intuition  kullback-leibler  numerics