«descriptive-statistics» etiketlenmiş sorular

Eşitsizliği tespit etmeye çalışıyorum |Ti|=∣∣Xi−X¯∣∣S≤n−1n−−√|Tben|=|Xben-X¯|S≤n-1n\left| T_i \right|=\frac{\left|X_i -\bar{X} \right|}{S} \leq\frac{n-1}{\sqrt{n}} nerede X¯X¯\bar{X} örnek ortalamasıdır ve SSS örnek standart sapma, yani S=∑ni=1(Xi−X¯)2n−1−−−−−−−−−√S=Σben=1n(Xben-X¯)2n-1S=\sqrt{\frac{\sum_{i=1}^n \left( X_i -\bar{X} \right)^2}{n-1}}. Bunu görmek kolay ∑ni=1T2i=n−1Σben=1nTben2=n-1\sum_{i=1}^n T_i^2 = n-1 ve bu yüzden |Ti|&lt;n−1−−−−−√|Tben|&lt;n-1\left| T_i \right| < \sqrt{n-1}ama bu aradığım şeylere çok yakın değil, yararlı bir sınır da …

9 self-study  descriptive-statistics  bounds 

Milyonlarca yönlendirilmiş çizgi segmentinden oluşan bir veri setim var. Çizgi segmentleri sıralıdır - bu, yarım saatlik aralıklarla gözlenen ve simüle edilen değerlere sahip iklimsel bir değişkendir (hissedilebilir ısı). Simülasyonun nasıl performans gösterdiğine dair kalıplar aramaya çalışıyorum. Ben obs vs simülasyon değerleri bir dağılım grafiğine bakıyorum ve onları çizgi bölümleri ile …

9 descriptive-statistics  vector-fields  data-visualization 

Bu makaleden aşağıdaki greftler alınmıştır . Ben bootstrap için acemi ve R bootpaket ile doğrusal karışık model için parametrik, yarı parametrik ve parametrik olmayan bootstrapping bootstrapping uygulamaya çalışıyorum . R Kodu İşte benim Rkod: library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) …

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 

Kovaryansın nasıl çalıştığına ilişkin anlayışım, ilişkili verilerin bir şekilde yüksek bir kovaryansa sahip olması gerektiğidir. Verilerimin ilişkili göründüğü (dağılım grafiğinde gösterildiği gibi) bir durumla karşılaştım ancak kovaryans sıfıra yakın. İlişkilendirildikleri takdirde verilerin kovaryansı nasıl sıfır olabilir? import numpy as np x1 = np.array([ 0.03551153, 0.01656052, 0.03344669, 0.02551755, 0.02344788, 0.02904475, 0.03334179, …

8 python  descriptive-statistics  covariance