接下来我们就对除了正态分布以外的常用参数分布族进行参数估计,具体对连续型分布有指数分布.均匀分布,对离散型分布有二项分布.泊松分布几何分布. 今天的主要内容是均匀分布的参数估计,内容比较简单,读者应尝试一边阅读,一边独立推导出本文的结论.由于本系列为我独自完成的,缺少审阅,如果有任何错误,欢迎在评论区中指出,谢谢! 目录 Part 1:均匀分布的参数估计 Part 2:次序统计量 Part 3:均匀分布次序统计量与$\beta$分布 Part 1:均匀分布的参数估计 一般说来,离散分布似乎比连续

计算各种描述性统计量函数脚本(myDescriptStat.R)如下: myDescriptStat <- function(x){ n <- length(x) #样本数据个数 m <- mean(x) #均值 me <- median(x) #中位数 mo <- names(table(x))[which.max(table(x))] #众数 sd <- sd(x) #标准差 v <- var(x) #方差 r <- max(x) - min(x) #极

郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布! Nature 2020 汇报PPT: 链接:https://pan.baidu.com/s/1RWx6miX6iZUNgNfV9B69FQ 提取码:x5cz 基础概念: 分位数:https://www.zhihu.com/question/67763556 线性回归检验:https://www.cnblogs.com/tinglele527/p/12015449.html https://www.zhihu.com/question/

[转自] 用Python做统计分析 (Scipy.stats的文档) 对scipy.stats的详细介绍: 这个文档说了以下内容,对python如何做统计分析感兴趣的人可以看看,毕竟Python的库也有点乱.有的看上去应该在一起的内容分散在scipy,pandas,sympy等库中.这里是一般统计功能的使用,在scipy库中.像什么时间序列之类的当然在其他地方,而且它们反过来就没这些功能. 随机变量样本抽取 84个连续性分布(告诉你有那么多,没具体介绍) 12个离散型分布 分布的密度分布函数,累

汇总统计[Summary statistics]: Summary statistics提供了基于列的统计信息,包括6个统计量:均值.方差.非零统计量个数.总数.最小值.最大值. import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.mllib.linalg.Vector; import org.apache.spar

0. 前情回顾 上一周的文章中,我们通过kNN算法了解了机器学习的一些基本概念.我们自己实现了简单的kNN算法,体会了其过程.这一周,让我们继续机器学习的探索. 1. 数据集的拆分 上次的kNN算法介绍中,我们只是简单地实现了这样一个算法,并用一组测试数据进行了测试. 然而,在真正的工程应用中,我们设计出的机器学习算法,并不一定非常准确,甚至可能非常不准确.因此我们需要进行测试,如同我们设计好了一个数据结构后,需要使用尽可能涵盖各种情况的参数调用各个操作,并通过一定的方式观察是否符合我们对这种数

今天的主角是指数分布,由此导出\(\Gamma\)分布,同样,读者应尝试一边阅读,一边独立推导出本文的结论.由于本系列为我独自完成的,缺少审阅,如果有任何错误,欢迎在评论区中指出,谢谢! 目录 Part 1:指数分布的参数估计 Part 2:独立同分布指数分布之和与$\Gamma$分布 Part 3:$\Gamma$分布与其他分布 Part 1:指数分布的参数估计 指数分布是单参数分布族,总体\(X\sim E(\lambda)\)有时也记作\(\mathrm{Exp}(\lambda)\),此

在上一篇文章的最后,我们指出,参数估计是不可能穷尽讨论的,要想对各种各样的参数作出估计,就需要一定的参数估计方法.今天我们将讨论常用的点估计方法:矩估计.极大似然估计,它们各有优劣,但都很重要.由于本系列为我独自完成的,缺少审阅,如果有任何错误,欢迎在评论区中指出,谢谢! Part 1:矩法估计 矩法估计的重点就在于"矩"字,我们知道矩是概率分布的一种数字特征,可以分为原点矩和中心矩两种.对于随机变量\(X\)而言,其\(k\)阶原点矩和\(k\)阶中心矩为 \[a_k=\mathbb

rand产生的是[0,1]上的均匀分布的随机序列randn产生均值为0,方差为1的高斯随机序列,也就是白噪声序列 rand产生的是均匀分布白噪声序列randn产生的是正态分布的白噪声序列 MATLAB还提供了两个产生高斯白噪声的函数,一个是WGN,另一个是AWGN.WGN用于产生高斯白噪声,AWGN则用于在某一信号中加入高斯白噪声. 1. WGN:产生高斯白噪声 y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵,p以dBW为单位指定输出噪声的强度. y = wgn(m,n,p,i

原文出自:http://www.cnblogs.com/jacklu/p/5140913.html 功率谱估计在分析平稳各态遍历随机信号频率成分领域被广泛使用,并且已被成功应用到雷达信号处理.故障诊断等实际工程中.本文给出了经典功率谱估计的几类方法,并通过Matlab的实验仿真对经典功率谱估计方法性能进行了分析,最后说明了经典功率谱估计法的局限性和造成这种局限性的原因. 1.引言 给定一个标准的正弦信号,我们可以通过傅里叶变换来分析它的频率成分.然而,实际工程应用中,由于存在着各种干扰.噪声,我

Introduction to Random forest(Simplified) With increase in computational power, we can now choose algorithms which perform very intensive calculations. One such algorithm is “Random Forest”, which we will discuss in this article. While the algorithm

例2.34 考虑N个人,一些人赞同某个提议,另一些人反对.假定Np个人赞同,N-Np人反对,p未知.现在想要通过随机选取n个人调查他们的态度,并由此来估计总体中赞同这个提议的人员比例p. 设Xi=1表示第i个选到的人赞同.用被取样部分中赞同这个提议的比率作为p的估计,即ΣXi/n,i=[1..n]. 现在我们要求这个估计的方差.先求Var(ΣXi): Var(ΣXi)＝ΣVar(ΣXi)+2ΣΣCov(Xi, Xj) 初看起来和式的第二项貌似多余:每个人的意见不是应该独立的吗? 嗯,每个人的意见

EDA(探索性数据分析)最常用的过程步之一就是PROC UNIVARIATE. 首先先看一个最简单的PROC UNIVARIATE程序: PROC UNIVARIATE DATA=SASHELP.FISH; WHERE SPECIES='Bream'; VAR HEIGHT; RUN; 上述代码得到的结果有:矩.位置和可变形的基本测度.位置检验.分位数.极值观测.具体如下: 解读:首先看第一张表——矩,其中N=35代表该进入分析变量有35条观测,偏度约0.2稍微有点负偏态(右偏),变异系数12(

第1章 组合分析 1.1 引言 1.2 计数基本法则 1.3 排列 1.4 组合 1.5 多项式系数 *1.6 方程的整数解个数 第2章 概率论公里 2.1 引言 2.2 样本空间和事件 2.3 概率论公里 2.4 几个简单命题 2.5 等可能结果的样本空间 *2.6 概率:连续集函数 2.7 概率:确信程度的度量 第3章 条件概率和独立性 3.1 引言 3.2 条件概率 3.3 贝叶斯公式 3.4 独立事件 3.5 P(●|F)是概率 第4章 随机变量 4.1 随机变量 4.2 离散型随机变量

原文出自:http://www.cnblogs.com/jacklu/p/5140913.html 功率谱估计在分析平稳各态遍历随机信号频率成分领域被广泛使用,并且已被成功应用到雷达信号处理.故障诊断等实际工程中.本文给出了经典功率谱估计的几类方法,并通过Matlab的实验仿真对经典功率谱估计方法性能进行了分析,最后说明了经典功率谱估计法的局限性和造成这种局限性的原因. 1.引言 给定一个标准的正弦信号,我们可以通过傅里叶变换来分析它的频率成分.然而,实际工程应用中,由于存在着各种干扰.噪声,我

sklearn实战-乳腺癌细胞数据挖掘(博主亲自录制视频) https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 所谓的Bootstrapping法就是利用有限的样本资料经由多次重复抽样,重新建立起足以代表母体样本分布之新样本.   统计学中,bootstrappi

原文地址:https://www.cnblogs.com/jacklu/p/9853599.html 本人前段时间在T厂做了目标检测的项目,对一些目标检测框架也有了一定理解.其中Yolov3速度非常快,效果也还可以,但在github上还没有完整的基于pytorch的yolov3代码,目前star最多的pytorch yolov3项目只能做预测,没有训练代码,而且我看了它的model写得不是很有层次.自己准备利用接下来的几个周末把这个坑填上. 希望能够帮助开发者了解如何基于Pytorch实现一个强

笔记: 一.检验: 1.平稳性检验: 图检验方法:     时序图检验:该序列有明显的趋势性或周期性,则不是平稳序列     自相关图检验:(acf函数)平稳序列具有短期相关性,即随着延迟期数k的增加,平稳序列的自相关系数ρ会很快地衰减向0(指数级衰减),反之非平稳序列衰减速度会比较慢   构造检验统计量进行假设检验:单位根检验adfTest()--fUnitRoots包 2.纯随机性检验.白噪声检验(Box.test(data,type,lag=n)--lag表示输出滞后n阶的白噪声检验统计量

单样本t检验 目的:利用来自总体的样本数据,推断该总体的均值是否与指定的检验值存在差异. 适用条件:样本来自的总体应服从或者近似服从正态分布. 注:当样本量n比较大时:由中心极限定理得知,即使原数据不服从正态分布,但是样本量足够大,他的样本均数抽样分布仍然是正态的,因此,在样本量很大的情况下很少考虑单样本t检验的适用条件: 当样本量n比较小时,总体应服从正态分布: 总结:只要数据没有很强烈的偏态,单样本t检验的分析结果都是稳定的. 案例分析: 案例描述:推断信用卡刷卡金额的平均值是否不低于300

本节内容: 1:t分布存在的意义是什么 2:t分布的置信区间 3:t分布检验 一.t分布存在的意义是什么 数据分析中有一块很大的版图是属于均值对比的,应用广泛. 例如:对比试验前后病人的症状,证明某种药是否有效: 对比某个班级两次语文成绩,验证是否有提高: 对比某个产品在投放广告前后的销量,看广告是否有效.这些都属于两均值对比的应用. 均值对比的假设检验方法主要有Z检验和T检验: 它们的区别在于Z检验面向总体数据和大样本数据,而T检验适用于小规模抽样样本. 有判断了均值就可以做很多的事情了 二.