Questions marquées «binomial»

La distribution binomiale donne les fréquences des "succès" dans un nombre fixe d '"essais" indépendants. Utilisez cette balise pour les questions sur les données qui pourraient être distribuées binomialement ou pour les questions sur la théorie de cette distribution.

2
Comment modéliser la somme des variables aléatoires de Bernoulli pour les données dépendantes?
J'ai presque les mêmes questions comme celle-ci: comment puis-je modéliser efficacement la somme des variables aléatoires de Bernoulli? Mais le cadre est assez différent: P ( X i = 1 ) = p i N p iS=∑i=1,NXiS=∑i=1,NXiS=\sum_{i=1,N}{X_i} , , ~ 20, ~ 0,1P(Xi=1)=piP(Xi=1)=piP(X_{i}=1)=p_iNNNpipip_i Nous avons les données pour les résultats …
2
Calculer la courbe ROC pour les données
Donc, j'ai 16 essais dans lesquels j'essaie d'authentifier une personne à partir d'un trait biométrique en utilisant Hamming Distance. Mon seuil est fixé à 3,5. Mes données sont ci-dessous et seul l'essai 1 est un vrai positif: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 …
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 
3
Indépendance de la moyenne de l'échantillon et de la variance de l'échantillon dans la distribution binomiale
Laisser X∼Binomial(n,p)X∼Binomial(n,p)X\sim\mathrm{Binomial}(n,p). Nous savons queE[X]=npE[X]=np\mathrm{E}[X]=np et V a r[X] = n p ( 1 - p )Var[X]=np(1-p)\mathrm{Var}[X]=np(1-p). Cela signifie-t-il que l' échantillon signifieX¯X¯\bar xet la variance de l' échantillons2s2s^2sont dépendants les uns des autres? Ou cela signifie-t-il simplement que la variance de la population peut être écrite en fonction de …
1
Estimations des effets aléatoires dans le modèle binomial (lme4)
Je simule des essais de Bernoulli avec un aléatoire entre les groupes, puis j'adapte le modèle correspondant avec le paquet:logitθ ∼ N( logitθ0,12)logitθ∼N(logitθ0,12)\text{logit}\, \theta \sim {\cal N}(\text{logit}\, \theta_0, 1^2)lme4 library(lme4) library(data.table) I <- 30 # number of groups J <- 10 # number of Bernoulli trials within each group logit …
1
Intervalles de prédiction pour le résultat d'une régression logistique avec réponse binomiale
Supposons que nous ayons un modèle de régression logistique: P(y=1|x)log(p1−p)=p=βxP(y=1|x)=plog⁡(p1−p)=βx\begin{align} P(y=1\vert\mathbf{x}) &= p \\ \log\left(\frac{p}{1-p}\right) &= \boldsymbol{\beta}\mathbf{x} \end{align} Étant donné un échantillon aléatoire D={X,y}D={X,y}D=\{\mathbf{X},\mathbf{y}\} de taille NNN , nous pouvons calculer les intervalles de confiance pour le ββ\boldsymbol{\beta} et les intervalles de prédiction correspondants pour ppp , étant donné une …
1
Quelle est la différence entre la régression bêta et la quasi glm avec variance = ?
Permettez-moi d'abord de donner quelques informations; Je résumerai mes questions à la fin. La distribution bêta, paramétrée par sa moyenne et , a , où est la fonction de variance.μμ\muϕϕ\phiVar(Y)=V(μ)/(ϕ+1)Var⁡(Y)=V⁡(μ)/(ϕ+1)\operatorname{Var}(Y) = \operatorname{V}(\mu)/(\phi+1)V(μ)=μ(1−μ)V⁡(μ)=μ(1−μ)\operatorname{V}(\mu) = \mu(1-\mu) Dans une régression bêta (par exemple, en utilisant le package betareg dans R), la régression suppose …
1
La distribution binomiale présente-t-elle la plus petite variance possible parmi toutes les distributions «raisonnables» pouvant modéliser des élections binaires?
Imaginez une élection où nnnles gens font un choix binaire: ils votent pour A ou contre. Le résultat est quemmm les gens votent pour A, et donc le résultat de A est p=m/np=m/np=m/n. Si je veux modéliser ces élections, je peux supposer que chaque personne vote pour A indépendamment avec …
1
Génération de variables aléatoires binomiales avec une corrélation donnée
Supposons que je sache comment générer des variables aléatoires binomiales indépendantes. Comment puis-je générer deux variables aléatoiresXXX et YYY tel que X∼Bin(8,23),Y∼Bin(18,23) and Corr(X,Y)=0.5X∼Bin(8,23),Y∼Bin(18,23) and Corr(X,Y)=0.5X\sim \text{Bin}(8,\dfrac{2}{3}),\quad Y\sim \text{Bin}(18,\dfrac{2}{3})\ \text{ and }\ \text{Corr}(X,Y)=0.5 J'ai pensé essayer d'utiliser le fait que XXX et Y−ρXY−ρXY-\rho X sont indépendants où ρ=Corr(X,Y)ρ=Corr(X,Y)\rho=Corr(X,Y) mais je …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.