Przybliżenia do rozkładów, funkcji lub innych obiektów matematycznych. Przybliżenie czegoś oznacza znalezienie tego, co jest pod pewnym względem prostsze, ale nie dokładne.
Czy istnieje analogia do wyższego momentu nierówności Czebyszewa w jednostronnym przypadku? Wydaje się, że nierówność Czebyszewa-Cantellego działa tylko na wariancję, podczas gdy nierówność Czebyszewa można łatwo uzyskać dla wszystkich wykładników. Czy ktoś wie o jednostronnej nierówności przy użyciu wyższych momentów?
Chciałem lepiej zrozumieć dokładny test Fishera, więc wymyśliłem następujący przykład zabawki, w którym f i m odpowiada płci męskiej i żeńskiej, a n i y odpowiada takiemu „zużyciu sody”: > soda_gender f m n 0 5 y 5 0 Oczywiście jest to drastyczne uproszczenie, ale nie chciałem, aby kontekst przeszkadzał. …
Tutaj w Wikipedii jest napisane: Dla wystarczająco dużych wartości λλλ (powiedzmy λ>1000λ>1000λ>1000 ) rozkład normalny ze średnią λλλ i wariancją λλλ (odchylenie standardowe λ−−√λ\sqrt{\lambda} ) stanowi doskonałe przybliżenie do rozkładu Poissona. Jeżeli λλλ jest większe niż około 10, to rozkład normalny jest dobrym przybliżeniem, jeśli przeprowadzona jest odpowiednia korekta ciągłości, …
To pytanie jest inspirowane odpowiedzią Martijna tutaj . Załóżmy, że dopasowujemy GLM do rodziny jednoparametrowej, takiej jak model dwumianowy lub Poissona, i że jest to procedura pełnego prawdopodobieństwa (w przeciwieństwie do quasipoissonu). Zatem wariancja jest funkcją średniej. Z dwumianowym: oraz z Poisson .var [ X] = E[ X] E[ 1 …
Od niechcenia czytałem artykuł (z ekonomii), który miał następujące przybliżenie dla :log(E(X))log(E(X))\log(E(X)) ,log(E(X))≈E(log(X))+0.5var(log(X))log(E(X))≈E(log(X))+0.5var(log(X))\log(E(X)) \approx E(\log(X))+0.5 \mathrm{var}(\log(X)) które według autora jest dokładne, jeśli X jest log-normalny (co wiem). Nie wiem, jak wyprowadzić to przybliżenie. Próbowałem obliczyć przybliżenie Taylora drugiego rzędu i wymyśliłem tylko to wyrażenie: log(E(X))≈E(log(X))+0.5var(X)E(X)2log(E(X))≈E(log(X))+0.5var(X)E(X)2\log(E(X)) \approx E(\log(X))+0.5\frac{\mathrm{var}(X)}{E(X)^2}
Jaki jest najlepszy sposób przybliżenia dla dwóch podanych liczb całkowitych gdy znasz średnią , wariancję , skośność i nadmiar kurtozy rozkładu dyskretnego , i z (niezerowych) miar kształtu i wynika, że normalne przybliżenie nie jest właściwe?m , n μ σ 2 γ 1 γ 2 X γ 1 γ 2Pr[n≤X≤m]Pr[n≤X≤m]Pr[n …
Czy jakakolwiek funkcja ciągła na [a, b], gdzie aib są liczbami rzeczywistymi, może być aproksymowana lub arbitralnie bliska funkcji (w niektórych normach) za pomocą procesów Gaussa (regresja)?
Przyjmij oczekiwanie na postać E(f(X))E(f(X))E(f(X)) dla pewnej zmiennej losowej jednowymiarowej XXX i całej funkcji f(⋅)f(⋅)f(\cdot) (tzn. Przedział zbieżności to cała linia rzeczywista) XXXμ≡E(x)μ≡E(x)\mu \equiv E(x)=F(μ)+ ∞ ∑ n=2f(n)(μ)E(f(x))=E(f(μ)+f′(μ)(x−μ)+f′′(μ)(x−μ)22!+…)E(f(x))=E(f(μ)+f′(μ)(x−μ)+f″(μ)(x−μ)22!+…) E(f(x)) = E\left(f(\mu) + f'(\mu)(x - \mu) + f''(\mu)\frac{(x - \mu)^2}{2!} +\ldots\right) Skróć tę serię, EN(f(x))=f(μ)+ N ∑ n=2f ( n ) …
Mam więc 16 prób, w których próbuję uwierzytelnić osobę z cechy biometrycznej za pomocą Hamminga. Mój próg jest ustawiony na 3,5. Moje dane są poniżej i tylko próba 1 jest prawdziwie pozytywna: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 …
Używamy plików cookie i innych technologii śledzenia w celu poprawy komfortu przeglądania naszej witryny, aby wyświetlać spersonalizowane treści i ukierunkowane reklamy, analizować ruch w naszej witrynie, i zrozumieć, skąd pochodzą nasi goście.
Kontynuując, wyrażasz zgodę na korzystanie z plików cookie i innych technologii śledzenia oraz potwierdzasz, że masz co najmniej 16 lat lub zgodę rodzica lub opiekuna.