คำถามติดแท็ก normal-distribution

การแจกแจงแบบปกติหรือแบบเกาส์เซียนนั้นมีฟังก์ชั่นความหนาแน่นซึ่งเป็นเส้นโค้งรูประฆังแบบสมมาตร มันเป็นหนึ่งในการแจกแจงที่สำคัญที่สุดในสถิติ ใช้แท็ก [normality] เพื่อสอบถามเกี่ยวกับการทดสอบหา normality

3
อัตราส่วนของการกระจายตัวสม่ำเสมอและปกติคืออะไร?
ให้ติดตามการกระจายตัวแบบสม่ำเสมอและติดตามการกระจายตัวแบบปกติ สิ่งที่สามารถจะกล่าวเกี่ยวกับ ? มีการกระจายสำหรับมันหรือไม่?Y XXXXYYYXYXY\frac X Y ฉันพบอัตราส่วนของสองบรรทัดฐานที่มีค่าเฉลี่ยเป็นศูนย์คือโคชี

1
การกระจายตัวของอัตราส่วนของตัวแปรสุ่มไคสแควร์แบบพึ่งพา
สมมติว่าโดยที่เป็นอิสระX=X1+X2+⋯+XnX=X1+X2+⋯+Xn X = X_1 + X_2+\cdots+ X_n Xi∼N(0,σ2)Xi∼N(0,σ2)X_i \sim N(0,\sigma^2) คำถามของฉันคือการกระจายอะไรบ้าง Z=X2X21+X22+⋯+X2nZ=X2X12+X22+⋯+Xn2 Z = \frac{X^2}{X_1^2 + X_2^2 + \cdots + X_n^2} ทำตาม? ฉันรู้จากที่นี่ว่าอัตราส่วนของตัวแปรสุ่มไคสแควร์สองตัวแสดงเป็นตามการแจกแจงแบบเบต้า ผมคิดว่านี้จะถือว่าเป็นอิสระระหว่างและYในกรณีของฉันตัวส่วนของมีส่วนประกอบของกำลังสองWW+YWW+Y\frac{W}{W + Y}WWWYYYZZZXXX ฉันคิดว่าต้องติดตามความผันแปรของการกระจายเบต้า แต่ฉันไม่แน่ใจ และถ้าสมมติฐานนี้ถูกต้องฉันก็ไม่รู้จะพิสูจน์มันได้อย่างไรZZZ

1
การกระจายตัวตัวอย่างของรัศมีของการแจกแจงแบบปกติ 2D
การกระจายปกติ bivariate ที่มีค่าเฉลี่ยและแปรปรวนเมทริกซ์Σสามารถเขียนอีกครั้งในพิกัดเชิงขั้วที่มีรัศมีRและมุมθ คำถามของฉันคือคือการกระจายตัวอย่างของสิ่งที่R , ที่อยู่, ระยะห่างจากจุดxไปยังศูนย์ประมาณˉ xได้รับตัวอย่างแปรปรวนเมทริกซ์S ?μμ\muΣΣ\Sigmarrrθθ\thetar^r^\hat{r}xxxx¯x¯\bar{x}SSS พื้นหลัง: ระยะทางจริงจากจุดxค่าเฉลี่ยμดังต่อไปนี้การกระจายฮอยต์ ด้วยค่าลักษณะเฉพาะλ 1 , λ 2ของΣและλ 1 > λ 2พารามิเตอร์รูปร่างของมันคือq = 1rrrxxxμμ\muλ1,λ2λ1,λ2\lambda_{1}, \lambda_{2}ΣΣ\Sigmaλ1>λ2λ1>λ2\lambda_{1} > \lambda_{2}และพารามิเตอร์ขนาดของมันคือω=λ1+λ2 ฟังก์ชันการแจกแจงสะสมเป็นที่รู้จักกันว่าเป็นความแตกต่างสมมาตรระหว่างสองฟังก์ชันของ Marcum Qq=1(λ1+λ2)/λ2)−1√q=1(λ1+λ2)/λ2)−1q=\frac{1}{\sqrt{(\lambda_{1}+\lambda_{2})/\lambda_{2})-1}}ω=λ1+λ2ω=λ1+λ2\omega = \lambda_{1} + \lambda_{2} การจำลองแสดงให้เห็นว่าการเสียบค่าประมาณและSสำหรับμและΣลงใน cdf จริงนั้นใช้ได้กับตัวอย่างขนาดใหญ่ แต่ไม่ใช่สำหรับตัวอย่างขนาดเล็ก แผนภาพต่อไปนี้แสดงผลลัพธ์จาก 200 ครั้งx¯x¯\bar{x}SSSμμ\muΣΣ\Sigma จำลอง 20 เวกเตอร์ปกติ 2 มิติสำหรับการรวมกันของ ( x -axis), ω (แถว) และควอนไทล์ …

2
การประมาณค่าความแปรปรวนของตัวอย่างปกติที่ตรวจสอบโดยกึ่งกลาง
ฉันมีกระบวนการจากที่ผมได้รับตัวอย่างขนาดเล็ก (ปกติกระจายnโดยปกติ 10-30) ที่ฉันต้องการที่จะใช้ในการประมาณค่าความแปรปรวน แต่บ่อยครั้งที่กลุ่มตัวอย่างอยู่ใกล้กันมากจนเราไม่สามารถวัดจุดแต่ละจุดที่อยู่ใกล้ศูนย์กลาง ฉันมีความเข้าใจที่คลุมเครือว่าเราควรสร้างตัวประมาณที่มีประสิทธิภาพโดยใช้ตัวอย่างที่สั่ง: ตัวอย่างเช่นถ้าฉันรู้ว่าตัวอย่างมี 20 คะแนนและ 10 กลุ่มนั้นอยู่ใกล้ศูนย์กลางเกินไปที่จะวัดเป็นรายบุคคล แต่ฉันมีการวัดแบบแยก 5 บนหางทั้งสองข้าง, มีวิธีการมาตรฐาน / สูตรสำหรับการประเมินความแปรปรวนของกระบวนการที่ใช้ตัวอย่างที่ดีที่สุดหรือไม่? (โปรดทราบว่าฉันไม่คิดว่าฉันสามารถถ่วงน้ำหนักค่าเฉลี่ยของศูนย์ได้ตัวอย่างเช่นเป็นไปได้สำหรับ 7 ตัวอย่างที่จะจัดกลุ่มให้แน่นในขณะที่อีกสามตัวเอียงไปด้านข้างแบบไม่สมมาตร แต่ใกล้พอที่เราจะบอกไม่ได้ .) หากคำตอบนั้นซับซ้อนเคล็ดลับใด ๆ เกี่ยวกับสิ่งที่ฉันควรทำการวิจัยจะได้รับการชื่นชม เช่นนี้เป็นปัญหาเกี่ยวกับสถิติการสั่งซื้อหรือไม่ มีแนวโน้มที่จะเป็นคำตอบสูตรหรือเป็นปัญหาการคำนวณหรือไม่ อัพเดทรายละเอียด:แอพพลิเคชั่นวิเคราะห์เป้าหมายการยิง ตัวอย่างพื้นฐานเดียวคือจุดกระทบ ( x, y ) ของการยิงครั้งเดียวบนเป้าหมาย กระบวนการพื้นฐานมีการแจกแจงปกติแบบสมมาตร bivariate แต่ไม่มีความสัมพันธ์กันระหว่างแกนดังนั้นเราจึงสามารถรักษาตัวอย่าง { x } และ { y } เป็นอิสระจากการแจกแจงแบบเดียวกัน (นอกจากนี้เรายังสามารถพูดกระบวนการพื้นฐานคือเรย์ลีกระจาย แต่เราไม่สามารถวัดตัวอย่าง Rayleigh variates เพราะเราไม่สามารถจะมั่นใจได้ของพิกัดของศูนย์ …

1
เมทริกซ์ความแปรปรวนร่วมสำหรับการแจกแจงแบบเกาส์และ Wishart
ฉันกำลังอ่านบทความนี้เกี่ยวกับกระบวนการ Wishart ทั่วไป (GWP) กระดาษคำนวณความแปรปรวนร่วมระหว่างตัวแปรสุ่มที่แตกต่างกัน (ตามกระบวนการ Gaussian ) โดยใช้ฟังก์ชันความแปรปรวนแบบยกกำลังสองกำลังสองคือขวา) มันบอกว่าเมทริกซ์ความแปรปรวนร่วมนี้ติดตาม GWPK(x,x′)=exp(−|(x−x′)|22l2)K(x,x′)=exp⁡(−|(x−x′)|22l2)K(x,x') = \exp\left(-\frac{|(x-x')|^2}{2l^2}\right) ฉันเคยคิดว่าเมทริกซ์ความแปรปรวนร่วมที่คำนวณจากฟังก์ชันความแปรปรวนเชิงเส้นตรง ( )K(x,x′)=xTx′K(x,x′)=xTx′K(x,x') = x^Tx'ตามการแจกแจง Wishart ด้วยพารามิเตอร์ที่เหมาะสม คำถามของฉันคือเราจะยังคงสมมติว่าความแปรปรวนร่วมเป็นไปตามการกระจายของ Wishart ด้วยฟังก์ชันความแปรปรวนแบบยกกำลังสองได้อย่างไร โดยทั่วไปแล้วเงื่อนไขที่จำเป็นสำหรับฟังก์ชันความแปรปรวนร่วมในการผลิตเมทริกซ์ความแปรปรวนร่วม Wishart คืออะไร?

5
ฉันสามารถทดสอบสมมติฐานหาข้อมูลปกติได้หรือไม่
ฉันมีการรวบรวมข้อมูลซึ่ง แต่เดิมฉันคิดว่ามันถูกแจกจ่ายตามปกติ จากนั้นฉันก็ดูมันและตระหนักว่าไม่ใช่เพราะส่วนใหญ่เป็นข้อมูลที่เบ้และฉันก็ทำการทดสอบ shapiro-wilks ด้วย ฉันยังต้องการวิเคราะห์โดยใช้วิธีการทางสถิติและฉันต้องการทดสอบสมมติฐานสำหรับความเบ้ ดังนั้นฉันอยากทราบว่ามีวิธีทดสอบความเป็นปรกติหรือไม่และถ้าเป็นไปได้ห้องสมุดที่ทำแบบทดสอบให้ฉัน

3
ฉันจะค้นหาค่าเบี่ยงเบนมาตรฐานของค่าเบี่ยงเบนมาตรฐานตัวอย่างจากการแจกแจงแบบปกติได้อย่างไร
ยกโทษให้ฉันถ้าฉันพลาดบางสิ่งบางอย่างค่อนข้างชัดเจน ฉันเป็นนักฟิสิกส์ที่มีการแจกแจง (ฮิสโตแกรม) เป็นหลักเกี่ยวกับค่าเฉลี่ยที่ใกล้เคียงกับการแจกแจงแบบปกติ ค่าที่สำคัญสำหรับฉันคือส่วนเบี่ยงเบนมาตรฐานของตัวแปรสุ่มเกาส์นี่ ฉันจะพยายามค้นหาข้อผิดพลาดเกี่ยวกับค่าเบี่ยงเบนมาตรฐานตัวอย่างได้อย่างไร ฉันรู้สึกว่ามันเกี่ยวข้องกับความผิดพลาดในแต่ละ bin ในฮิสโทแกรมดั้งเดิม

3
ฉันควรใช้ cdf ทวินามหรือ cdf ปกติเมื่อพลิกเหรียญ?
เหรียญจะต้องมีการทดสอบเพื่อความเป็นธรรม 30 หัวขึ้นหลัง 50 พลิก สมมติว่าเหรียญมีความยุติธรรมความน่าจะเป็นที่คุณจะได้รับอย่างน้อย 30 หัวใน 50 ครั้งคือเท่าไหร่? วิธีที่ถูกต้องในการทำปัญหาตามครูของฉันคือทำ normalcdf(min = .6, max = ∞, p = .5, σ = sqrt(.5 * .5 / 50) = 0.0786 อย่างไรก็ตามฉันใช้ฟังก์ชันการแจกแจงสะสมแบบทวินามเช่นนี้ 1 - binomcdf(n = 50, p = .5, x = 29) = 0.1013 ฉันเชื่อว่าเกณฑ์สำหรับการแจกแจงทวินามเป็นที่พึงพอใจ: แต่ละเหตุการณ์มีความเป็นอิสระมีเพียงสองผลลัพธ์ที่เป็นไปได้ (หัวกับก้อย) ความน่าจะเป็นคงที่สำหรับคำถาม (0.5) และจำนวนการทดลองถูกกำหนดไว้ที่ 50 …

1
ปริศนาของช่างผม
ช่างทำผมของฉัน Stacey มักจะมีใบหน้าที่มีความสุข แต่มักจะเน้นเรื่องการจัดการเวลาของเธอ วันนี้ Stacey เกินกำหนดสำหรับการนัดหมายของฉันและขอโทษมาก ในขณะที่ได้รับการตัดผมของฉันฉันสงสัยว่า: นัดหมายมาตรฐานของเธอจะนานแค่ไหน? (หากลูกค้าไม่สนใจค่าหมายเลขรอบที่สะอาดก็สามารถทำได้ในขณะนี้) สิ่งที่ควรพิจารณาคือ 'เอฟเฟ็กต์ระลอกคลื่น' ซึ่งลูกค้าที่มาช้ามากคนหนึ่งสามารถนำไปสู่การนัดหมายที่ล่าช้า ในความเป็นจริงช่างทำผมได้เรียนรู้ที่จะนัดหมายในอวกาศนานขึ้นเรื่อย ๆ เพราะกลัววันเครียดเหล่านี้ แต่วิธีการแก้ปัญหาที่เหมาะสมและสง่างามจะต้องสามารถทำได้โดยอัจฉริยะทางสถิติบางอย่างที่นั่น .. (ถ้าเราลดความเป็นจริงลงเล็กน้อย) สมมติว่า a) เวลาในการตัดผมนั้นมีการกระจายตามปกติและ b) มีช่างทำผมเพียงคนเดียว ค่าใช้จ่ายในการตั้งค่าการนัดหมายนานเกินไปจะเห็นได้ชัดว่าช่างทำผมเสียเวลารอการนัดหมายครั้งต่อไป เรามาเสียเวลานี้ $ 1 ต่อนาที แต่หากการนัดหมายไม่เพียงพอลูกค้ารายต่อไปจะถูกรอคอยซึ่งเป็นค่าใช้จ่ายที่หนักกว่า $ 3 ต่อนาทีสำหรับ Stacey ผู้เป็นที่รักของลูกค้า Stacey ทำงานได้มากถึง 8 ชั่วโมงต่อวันและมีความต้องการมากพอที่จะเติมเต็มการนัดหมายให้มากที่สุดเท่าที่จะทำได้ การตัดผมเฉลี่ยนั้นใช้เวลา 30 นาทีโดยมี std dev จาก 10 นาที (สมมติว่าการตัดชายและการตัดผู้หญิงเป็นเหมือนกัน!) แก้ไข - …

2
การหาจำนวนของ gaussians ในส่วนผสม จำกัด กับทฤษฎีบทของ Wilks?
สมมติว่าผมมีชุดของอิสระสังเกต univariate กันกระจายและสองสมมติฐานเกี่ยวกับวิธีการถูกสร้าง:xxxxxx H0H0H_0 : มาจากการแจกแจงแบบเกาส์เดียวโดยไม่ทราบค่าเฉลี่ยและความแปรปรวนxxx HAHAH_A : มาจากการผสมผสานของสอง Gaussians ที่ไม่ทราบค่าเฉลี่ยความแปรปรวนและสัมประสิทธิ์การผสมxxx หากฉันเข้าใจอย่างถูกต้องนี่เป็นแบบจำลองที่ซ้อนกันเนื่องจากแบบจำลองที่หมายถึงสามารถอธิบายได้ในแง่ของหากคุณ จำกัด พารามิเตอร์ของ Gaussians ทั้งสองให้เหมือนกันหรือ จำกัด สัมประสิทธิ์การผสมให้เป็นศูนย์สำหรับหนึ่งในสอง Gaussians H0H0H_0HAHAH_A ดังนั้นดูเหมือนว่าคุณจะสามารถใช้อัลกอริทึม EM เพื่อประเมินพารามิเตอร์ของแล้วใช้ทฤษฎีบทของวิลก์สเพื่อพิจารณาว่าโอกาสของข้อมูลภายใต้นั้นสูงกว่าของอย่างมีนัยสำคัญไม่ มีความเชื่อเล็กน้อยในข้อสันนิษฐานว่าอัลกอริทึม EM จะมาบรรจบกันกับความเป็นไปได้สูงสุดที่นี่ แต่เป็นสิ่งที่ฉันยินดีทำHAHAH_AHAHAH_AH0H0H_0 ฉันลองสิ่งนี้ในการจำลอง monte carlo โดยสมมติว่ามีอิสระมากกว่า 3 องศา H 0 (ค่าเฉลี่ยและความแปรปรวนสำหรับ Gaussian ที่สองและพารามิเตอร์การผสม) เมื่อฉันจำลองข้อมูลจาก H 0ฉันได้รับการแจกแจงแบบ P-value ที่ไม่สม่ำเสมอและได้รับการเสริมคุณค่าสำหรับค่า P ขนาดเล็ก (หาก EM ไม่ได้มาบรรจบกันกับความเป็นไปได้สูงสุดที่แท้จริงจะมีสิ่งตรงกันข้ามเกิดขึ้นแน่นอน) เกิดอะไรขึ้นกับการประยุกต์ใช้ทฤษฎีบทของวิลก์สที่สร้างอคตินี้HAHAH_AH0H0H_0H0H0H_0

2
Gaussian แบบหลายตัวแปรที่ทนทานใน R
ฉันต้องพอดีกับการแจกแจงแบบเกาส์ทั่วไปกับคลาวด์ 7-point ที่บรรจุค่าผิดปกติจำนวนมากและมีเลเวอเรจสูง คุณรู้จักแพ็คเกจ R ที่ดีสำหรับงานนี้หรือไม่?

4
วิธีการสร้างเมทริกซ์สหสัมพันธ์แบบสุ่มที่มีการแจกแจงแบบเส้นทแยงมุมประมาณปกติโดยมีค่าเบี่ยงเบนมาตรฐานที่กำหนด
ฉันต้องการสร้างเมทริกซ์สหสัมพันธ์แบบสุ่มเพื่อให้การกระจายตัวขององค์ประกอบนอกแนวทแยงดูเหมือนประมาณปกติ ฉันจะทำมันได้อย่างไร แรงจูงใจคือสิ่งนี้ สำหรับชุดข้อมูลอนุกรมเวลาการแจกแจงความสัมพันธ์มักจะใกล้เคียงกับปกติ ฉันต้องการสร้างเมทริกซ์สหสัมพันธ์ "ปกติ" จำนวนมากเพื่อเป็นตัวแทนของสถานการณ์ทั่วไปและใช้เพื่อคำนวณจำนวนความเสี่ยงnnn ฉันรู้วิธีการหนึ่ง แต่ส่วนเบี่ยงเบนมาตรฐานที่เกิดขึ้น (จากการกระจายตัวขององค์ประกอบนอกแนวทแยงมุม) มีขนาดเล็กเกินไปสำหรับจุดประสงค์ของฉัน: สร้างแถวสม่ำเสมอหรือแบบสุ่มปกติของเมทริกซ์มาตรฐานแถว (ลบค่าเฉลี่ย หารด้วยค่าเบี่ยงเบนมาตรฐาน) จากนั้นเมทริกซ์สหสัมพันธ์ตัวอย่างมีการแจกแจงรายการแบบทแยงมุมตามปกติ [ อัปเดตหลังจากความคิดเห็น: ส่วนเบี่ยงเบนมาตรฐานจะเป็น ]X 1nnnXX\mathbf X1n - 1X X⊤1n−1XX⊤\frac{1}{n-1}\mathbf X \mathbf X^\top∼ n- 1 / 2∼n−1/2\sim n^{-1/2} ทุกคนสามารถแนะนำวิธีที่ดีกว่าที่ฉันสามารถควบคุมค่าเบี่ยงเบนมาตรฐานได้หรือไม่?

2
ทำไมการทดสอบของ McNemar จึงใช้ไคสแควร์ไม่ใช่การแจกแจงแบบปกติ?
ฉันเพิ่งสังเกตเห็นว่าการทดสอบที่ไม่แม่นยำของ McNemar ใช้การแจกแจงแบบ asymptotic ของไคสแควร์อย่างไร แต่เนื่องจากการทดสอบที่แน่นอน (สำหรับตารางกรณีสองกรณี) นั้นขึ้นอยู่กับการแจกแจงทวินามทำไมจึงไม่เป็นเรื่องปกติที่จะแนะนำการประมาณแบบปกติในการแจกแจงทวินาม ขอบคุณ

1
ทฤษฎีขีด จำกัด กลางสำหรับรากที่สองของผลรวมของตัวแปรสุ่ม iid
ทึ่งกับคำถามที่ math.stackexchangeและตรวจสอบมันสังเกตุฉันสงสัยเกี่ยวกับคำสั่งต่อไปนี้ในรากที่สองของจำนวนสุ่มตัวแปร iid สมมติว่าX1,X2,…,XnX1,X2,…,XnX_1, X_2, \ldots, X_nเป็นตัวแปรสุ่ม IID ด้วยแน่นอนไม่ใช่ศูนย์หมายถึงและความแปรปรวนและx_i ทฤษฎีขีด จำกัด กลางบอกว่าเมื่อเพิ่มขึ้นσ 2 Y = n Σฉัน= 1 X ฉันY - n μμμ\muσ2σ2\sigma^2Y=∑i=1nXiY=∑i=1nXผม\displaystyle Y=\sum_{i=1}^n X_inY-nμnσ2−−-√ →d N( 0 , 1 )Y−nμnσ2 →d ยังไม่มีข้อความ(0,1)\displaystyle \dfrac{Y - n\mu}{\sqrt{n\sigma^2}} \ \xrightarrow{d}\ N(0,1)nnn ถ้าฉันสามารถพูดได้เช่นเมื่อเพิ่มขึ้น?Z - √Z= | Y|---√Z=|Y|Z=\sqrt{|Y|}nZ−n|μ|−σ24|μ|−−−−−−−−√σ24|μ|−−−√ →d N(0,1)Z−n|μ|−σ24|μ|σ24|μ| →d N(0,1)\displaystyle \dfrac{Z - …

1
R / mgcv: เพราะเหตุใดผลิตภัณฑ์ te () และ ti () เทนเซอร์จึงให้พื้นผิวที่แตกต่างกัน
mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f …
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 

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.