估計
含有「估計」共 28 篇內容
全部內容
發佈日期由新至舊
共變數
當兩個變項之間非獨立時，叉積(cross product)並非等於0，且相同趨勢資料個數越多叉積越大，因此我們取平均讓其更能夠代表兩變項關聯的強弱，我們稱之為共變數(covariance)。
共變數無固定範圍，難以判斷兩個變相間的關係強度，所以將共變數標準化—皮爾森積差相關係數(Pear
卡方檢定
使用於「名義變項」，計算實際與期望之間的差距，而每個變項觀察值都是獨立的。樣本數需足夠大（期望次數≧5），卡方值才會準確，若無法達到此樣本數，則可使用Yate correction for continuity或Fisher's exact test進行校正。
Yate correct
t檢定使用時機：不知道母群的標準差。
(備註：二項分配只適用z檢定，因其標準差是數學理論推導出來的)
不知道母群標準差，該怎麼解決？
用s^取代σ(因s^是σ的不偏估計數)。雖然s^會趨近於σ，但因為s^的抽樣分配是一個正偏態，若用z檢定的方式，我們會高估z值。因此，我們使用t檢定來解決這個問題
z檢定使用時機：已知母群標準差、若母群為非常態，需要抽取樣本數N>30。
(備註：常態分配時，才能夠使用。也是唯一能使用CLT的檢定方式)
區間估計：從x̄ 猜測μ範圍
連續變項
設x̄ 是一個N(61,1)的常態分配，信賴水準95%的情況下，μ的信賴區間為？
先確認是否可以使用z檢定：常態
我們將要試著從樣本回推到母群，在開始之前，我們必須先對量數的寫法有所了解：
母群參數：μ、σ
樣本統計數：M、SD
而樣本統計數可不可以當成推論母群參數的估計值呢？答案是不一定！統計數需要滿足下面3種特性(尤其是不偏性)，才能是好的估計數。
不偏性：帶入期望值計算
一致性：樣本數增加，估計數
付費限定
本文介紹瞭如何使用pwrSEM進行功效分析，以確定SEM分析所需的樣本量。pwrSEM是一個專為SEM分析設計的免費網站。作者提供了指定模型、模型視覺化、設置參數值和估計功效的具體操作步驟。讀者可以根據本文提供的教學快速上手。
現代地圖往往會把國家的邊界畫得涇渭分明，連帶地繪製前近代國家地圖時，也如此套用。實際上前近代國家的邊界控制往往都很薄弱。即使真有定約劃界，邊境也是「多孔的」，根本不能真的完全控制人員進出。於是，哪裡是敵境？哪裡是友境？就是個使第二次十字軍吃了大苦頭的嚴重麻煩。
康拉德三世率領的神羅軍（黃色路線
光流估計 (Optical Flow Estimation) 是一種電腦視覺技術，用來估算影像序列中每個像素點在連續幀之間的運動情況。想像你正在看一段影片，光流估計就是分析影片中每個小點如何從一幀移動到下一幀。
更具體地說：
* 目的： 計算影像序列中像素點隨著時間推移的運動向量。這個向量包含
推論統計 (Inferential Statistics) 是統計學的一個分支，它使用從樣本數據中獲得的信息來對更大的群體（或總體）做出推斷、預測或結論。與描述統計不同，推論統計的目標不僅僅是總結和描述數據，而是利用樣本來推斷總體的特性。
推論統計的核心思想：
由於在許多實際情況下，無法收集到整
「人臉關鍵點偵測 (Facial Landmark Detection)」，也稱為「臉部特徵點偵測」或「臉部對齊 (Facial Alignment)」，是電腦視覺領域中一個重要的任務。它是姿態估計 (Pose Estimation) 的一個特定應用，專門針對人臉。其目標是在人臉圖像或影片中自動定位