Câu hỏi được gắn thẻ «unbiased-estimator»

Đề cập đến một công cụ ước tính của một tham số dân số trung bình "đạt giá trị thực". Nghĩa là, một hàm của dữ liệu được quan sát là một công cụ ước tính không thiên vị của một tham số nếu . Ví dụ đơn giản nhất của công cụ ước lượng không thiên vị là mẫu có nghĩa là công cụ ước tính của trung bình dân số. θ^θE(θ^)= =θ

1
Công cụ ước tính không thiên vị với phương sai tối thiểu cho
Đặt là một mẫu ngẫu nhiên trong phân phối cho . I E,X1,...,XnX1,...,Xn X_1, ...,X_nGeometric(θ)Geometric(θ)Geometric(\theta)0&lt;θ&lt;10&lt;θ&lt;10<\theta<1 pθ( X ) = θ ( 1 - θ )x - 1Tôi{ 1 , 2 , . . . }( x )pθ(x)=θ(1−θ)x−1I{1,2,...}(x)p_{\theta}(x)=\theta(1-\theta)^{x-1} I_{\{1,2,...\}}(x) Tìm công cụ ước tính không thiên vị với phương sai tối …


2
Cải thiện công cụ ước tính tối thiểu
Giả sử rằng tôi có nnn thông số tích cực để ước lượng μ1,μ2,...,μnμ1,μ2,...,μn\mu_1,\mu_2,...,\mu_n và họ tương ứng với nnn ước lượng không chệch sản xuất bởi các ước lượng μ1^,μ2^,...,μn^μ1^,μ2^,...,μn^\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n} , tức là E[μ1^]=μ1E[μ1^]=μ1\mathrm E[\hat{\mu_1}]=\mu_1 , E[μ2^]=μ2E[μ2^]=μ2\mathrm E[\hat{\mu_2}]=\mu_2 và cứ thế. Tôi muốn để ước tính min(μ1,μ2,...,μn)min(μ1,μ2,...,μn)\mathrm{min}(\mu_1,\mu_2,...,\mu_n) sử dụng …

1
Mô hình học sâu nào có thể phân loại các danh mục không loại trừ lẫn nhau
Ví dụ: Tôi có một câu trong mô tả công việc: "Kỹ sư cao cấp Java ở Anh". Tôi muốn sử dụng một mô hình học tập sâu để dự đoán nó thành 2 loại: English và IT jobs. Nếu tôi sử dụng mô hình phân loại truyền thống, nó …
9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

1
Các công cụ ước tính hiệu quả không thiên vị có chiếm ưu thế ngẫu nhiên so với các công cụ ước tính không thiên vị (trung vị) khác không?
Mô tả chung Công cụ ước tính hiệu quả (có phương sai mẫu bằng với giới hạn Cramérọt Rao) có tối đa hóa xác suất để gần với tham số thực không?θθ\theta Giả sử chúng tôi so sánh sự khác biệt hoặc khác biệt tuyệt đối giữa ước tính và …



1
Phương trình đúng cho hiệp phương sai mẫu không thiên vị
Tôi đang tìm phương trình chính xác để tính hiệp phương sai mẫu không thiên vị. Các nguồn Internet khá hiếm về chủ đề này và tất cả đều sử dụng các phương trình khác nhau. Phương trình rất có thể tôi đã tìm thấy là phương trình này: qjk=∑Ni=1wi(∑Ni=1wi)2−∑Ni=1w2i∑Ni=1wi(xij−x¯j)(xik−x¯k).qjk=∑i=1Nwi(∑i=1Nwi)2−∑i=1Nwi2∑i=1Nwi(xij−x¯j)(xik−x¯k).q_{jk}=\frac{\sum_{i=1}^{N}w_i}{\left(\sum_{i=1}^{N}w_i\right)^2-\sum_{i=1}^{N}w_i^2} …

1
Ước tính không thiên vị của độ lệch và kurtosis
Độ lệch và kurtosis được xác định là: ζ4=E[(X-μ)4]ζ3= E[ ( X- μ )3]E[ ( X- μ )2]3 / 2= μ3σ3ζ3= =E[(X-μ)3]E[(X-μ)2]3/2= =μ3σ3\zeta_3 = \frac{E[(X-\mu)^3]}{E[(X-\mu)^2]^{3/2}} = \frac{\mu_3}{\sigma^3} ζ4= E[ ( X- μ )4]E[( X- μ)2]2= =μ4σ4ζ4= =E[(X-μ)4]E[(X-μ)2]2= =μ4σ4\zeta_4 = \frac{E[(X-\mu)^4]}{E[(X-\mu)^2]^2} = \frac{\mu_4}{\sigma^4} Các công thức sau đây được sử dụng …







Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.