Als «mean» getaggte Fragen

Der erwartete Wert einer Zufallsvariablen; oder ein Standortmaß für eine Probe.

1
Gibt es für exponentielle Familienverteilungen immer den Mittelwert und die Varianz?
Angenommen, eine skalare Zufallsvariable gehört zu einer Vektorparameter-Exponentialfamilie mit 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) wobei der Parametervektor ist und T ( x ) = ( T 1 ( x ) , T 2 ( x ) , ⋯ , T s …
5
Wenn nicht ein Poisson, welche Verteilung ist das dann?
Ich habe einen Datensatz, der die Anzahl der Aktionen enthält, die von Einzelpersonen innerhalb von 7 Tagen ausgeführt wurden. Die spezifische Aktion sollte für diese Frage nicht relevant sein. Hier einige beschreibende Statistiken für den Datensatz: AngebotBedeutenVarianzAnzahl der Beobachtungen0 - 77218.22791696Angebot0- -772Bedeuten18.2Varianz2791Anzahl der Beobachtungen696 \begin{array}{|c|c|} \hline \text{Range} & 0 - …
3
Mittelwert
Ich arbeite an stark verzerrten Daten, daher verwende ich den Median anstelle des Mittelwerts, um die zentrale Tendenz zusammenzufassen. Ich hätte gerne ein Maß für die Streuung Während ich oft Leute sehe, die mittlere Standardabweichung±±\pm oder mittlere Quartile angeben,±±\pm um die zentrale Tendenz zusammenzufassen, ist es in Ordnung, mittlere mittlere …
1
R / mgcv: Warum produzieren te () und ti () Tensorprodukte unterschiedliche Oberflächen?
Das mgcvPaket für Rhat zwei Funktionen zum Anpassen von Tensorproduktwechselwirkungen: te()und ti(). Ich verstehe die grundlegende Arbeitsteilung zwischen den beiden (Anpassen einer nichtlinearen Wechselwirkung vs. Zerlegen dieser Wechselwirkung in Haupteffekte und eine Wechselwirkung). Was ich nicht verstehe, ist warum te(x1, x2)und ti(x1) + ti(x2) + ti(x1, x2)kann (leicht) unterschiedliche Ergebnisse …
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 
3
Mittelwert der inversen Exponentialverteilung
Was ist bei einer Zufallsvariablen der Mittelwert und die Varianz von ?Y=Exp(λ)Y=Exp(λ)Y = Exp(\lambda)G=1YG=1YG=\dfrac{1}{Y} Ich betrachte die inverse Gammaverteilung, aber der Mittelwert und die Varianz sind nur für bzw. ...α>1α>1\alpha>1α>2α>2\alpha>2
1
Erwarteter Wert von iid-Zufallsvariablen
Ich bin auf diese Ableitung die ich nicht verstehe: Wenn Zufallsstichproben der Größe n sind, die aus einer Population von Mittelwert und Varianz entnommen wurden , dannX1,X2,...,XnX1,X2,...,XnX_1, X_2, ..., X_nμμ\muσ2σ2\sigma^2 X¯=(X1+X2+...+Xn)/nX¯=(X1+X2+...+Xn)/n\bar{X} = (X_1 + X_2 + ... + X_n)/n E(X¯)=E(X1+X2+...+Xn)/n=(1/n)(E(X1)+E(X2)+...+E(Xn))E(X¯)=E(X1+X2+...+Xn)/n=(1/n)(E(X1)+E(X2)+...+E(Xn))E(\bar{X}) = E(X_1 + X_2 + ... + X_n)/n = (1/n)(E(X_1) …
1
Ist der Median eine „Metrik“ oder eine „topologische“ Eigenschaft?
Ich entschuldige mich für den leichten Missbrauch der Terminologie; Ich hoffe es wird klar, was ich unten meine. Betrachten wir eine Zufallsvariable . Sowohl der Mittelwert als auch der Median können durch ein Optimalitätskriterium charakterisiert werden: Der Mittelwert ist die Zahl , die minimiert, und der Median die Zahl, die …
10 mean  median 
1
Warum haben Anova () und drop1 () unterschiedliche Antworten für GLMMs geliefert?
Ich habe ein GLMM der Form: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Wenn ich benutze drop1(model, test="Chi"), erhalte ich andere Ergebnisse als wenn ich Anova(model, type="III")aus dem Autopaket oder benutze summary(model). Diese beiden letzteren geben die gleichen Antworten. Unter Verwendung einer Reihe …
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 
2
Unvoreingenommener, positiver Schätzer für das Quadrat des Mittelwerts
Angenommen, wir haben Zugriff auf iid-Proben aus einer Verteilung mit dem wahren (unbekannten) Mittelwert und der Varianz μ , σ2μ,σ2\mu, \sigma^2 , und wir möchten schätzen .μ2μ2\mu^2 Wie können wir einen unvoreingenommenen, immer positiven Schätzer dieser Größe konstruieren? Das Quadrat des Stichprobenmittelwerts ist voreingenommen und überschätzt die Menge, insb. wenn …
1
Verwendung des Medians zur Berechnung der Varianz
Ich habe eine 1-D-Zufallsvariable, die extrem verzerrt ist. Um diese Verteilung zu normalisieren, möchte ich eher den Median als den Mittelwert verwenden. Meine Frage lautet: Kann ich die Varianz der Verteilung anhand des Medians in der Formel anstelle des Mittelwerts berechnen? dh kann ich ersetzen V a r (X.) = …
10 variance  mean  median 
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.