Есть набор экспериментальных данных Существуют ли какие-нибудь специальные методы для их аппроксимации функцией вида то есть как бы суммой гауссовских функций? Как можно найти неизвестные параметры ? МНК здесь вряд ли поможет, зависимости ведь нелинейные. Нет ли готовых научных исследований на эту тему? Если есть, скиньте пожалуйста ссылку. В...
所以它是平滑的。
)
这是一个高斯混合近似值...
)
这是一个高斯混合近似值...
通过混合的方式进行逼近是有一点不同的。
)
这是一个由高斯混合的近似值...
好吧,我感兴趣的是最后的结果,而不是个别的高斯。
那么你需要找到Kobzar的 "应用统计学",看看那里的第二章)。
看了,但连 "近似 "这样的词都没找到)
一般来说,这很奇怪。有一百万种复杂的估计方法。除了一个,最容易理解、最简单、最准确的--近似值。
也许我不明白什么?
我查了一下,但甚至没有找到 "近似 "这个词)。
这很奇怪。外面有无数种巧妙的估算方法。除了一个,这是最清晰、最简单和最准确的--近似值。
也许我不明白什么?
有可能得出数量巨大的各种估计。然后你只需确定他们的一致性和不偏不倚,至少是这样。这并不是所有 "精确、简单、直接 "的估计器都是如此,一个典型的例子是无偏方差估计器中的分母n-1。
如果现有的估计也是有效和充分的,那么发明新的估计要么根本没有意义,要么必须有一些额外的依据。通常这些都是稳健性的考虑,处理小样本、异常值、缺失值等问题。
所指的不是一个时间序列,而是一个接近正常的直方图。
人们在这里对概率论方法的研究有多深,甚至忘记了直方图只是 "用 图形 表示表格数据的一种方式"(Wiki),这对它的内容没有说明。据我猜测,你说的是某个事件x>xi的相对(相对于它们的总和)样本频率Hi的表格,推测是接近于正态概率分布。而关于用正态分布概率的值来代替它,使误差在某种意义上达到最小。对于直接计算这些参数的公式,根据它们的定义,期望值和方差,你不喜欢什么?
如果表中的xi是等距的,那么。
- 期望值被简单地拟合为所有实现的算术平均值=该表的权重等于Íi的表值的加权平均值。
- 分散性--作为标准差的平方根(权重同Hi),或者,如果你想要更准确的估计,不是标准差,而是标准差(唯一的区别是除以n还是除以n-1)。标准差的估计是无偏的。
...
在这里,在X轴上,你可以看到这个人从起点走了多少步,从-10(左边)到+10(右边),以及他们这样做的概率百分比。你如何找到每一步转身的概率是多少?
你的例子很可能是用反射器模拟古老的高尔顿板的结果。
无论如何,它是非常相似的。
是非常合理的,在10
迭代(即一个'房子'类型的板子)的马尔科夫链,其过渡概率矩阵为 -
0.75 0.25 0 0 ...0
0.25 0.5 0.25 0 ...0
...
0 ...0.25 0.5 0.25
0 ...0 0.25 0.75
初始状态0 0 0 0 0 0 1000 0 0 0 0 0 0。即从相对零开始)
你对直接计算这些参数的公式有什么问题,它们定义的期望值和方差?
例如,它们不显示肥尾。
例如,他们不显示肥尾。而基于这些数据的高斯模型,无论是在尾部还是在中心,都不可能与数据趋同。
但尽管如此,显著的差异只存在于最外层的沙坑。正如我上面所说,这是因为反射墙的缘故)。
例如,它们不显示厚尾性。
这根本不是估计正态分布参数的方法(拟合、近似)所能显示的。正是正态分布本身没有厚尾。问问Alexander_K2,他正在寻找这些尾巴。只要看看有单位参数的表格就知道了。我想,每本电视教科书和每本数学参考书中都有表格。无论你如何调整,你都必须改变变体分布以捕捉肥大的尾巴。而你究竟为什么需要一个类型的分布?确切地说,是概率分布?为什么要为 "一些数据 "盖这些章?或者说,这毕竟不是一些数据,而是像我猜测的那样,是样本相对频率?
也许问题在于,概率表示法根本没有描述你的数据?请记住,尤里-阿索连科的照片上的期望值是如何跳舞的https://www.mql5.com/ru/forum/221552/page162#comment_6399653,对外汇汇率。难道你不想用概率表示法来表示它们吗?那么,就可以清楚地知道这些沉重的尾巴来自哪里了。