XiaoMi-AI文件搜索系统
World File Search System点估计
点估计，间隔估计，人口
目标估计值的点估计值估计值的点估计属性置信量估计置信区间置信区间估计估计间隔间隔估计人口平均值（σ已知）间隔估计人口平均值（σ未知）关键字估计，点估计器，误差率，间隔估计
2023年年度无家可归评估报告（AHAR与国会）第1部分：2023年12月无家可归的时间点估计
一晚的一晚坑数量通常在一月的最后10天进行。然而，在2022年，由于围绕Covid-19（冠状病毒）卫生紧急情况的担忧，145个COC（超过三分之一）获得了豁免，以在2月下旬或3月初而不是1月的最后10天进行坑中。在2月和3月初，许多季节性紧急避难所计划仍在运行，因此这些计划仍将报告说，在2022年庇护所中服役的人们。但是，如果寒冷的天气或温暖的庇护所开放，2022年庇护的人数可能已经削弱了被计算的人数。温暖避难所通常仅在温度下降到危险水平时才开放。在2月下旬和3月初，一些地区的寒冷天气庇护所可能不需要开放。在2023年，除了七个（381）外，所有COC除了七个（占381）外，在一月份的最后10天完成了坑的数量。
使用通过进化枝概率参数的树分布进行精确的贝叶斯系统发育点估计
使用MCMC算法的贝叶斯系统发育分析产生了以系统发育树和相关参数样本形式的系统发育树的poserior分布。树空间的高维度和非欧几里得性质使总结树空间中后验分布的核心趋势和方差复杂。在这里，我们介绍了一个可从树的后部样本构建的可构造的新的树木分布和相关的点估计器。通过模拟研究，我们表明，这一点估计器的性能也至少要比产生贝叶斯后摘要树的标准方法更好。我们还表明，执行最佳的摘要方法取决于样本量和以非平凡的方式的尺寸 - 问题。
算法公平的交叉性问题
描述公平性估计的交叉性问题开发了必不可少的方法来指导搜索公平度指标以基于假设测试的指标来探讨探索基本上不同的方法：公平性作为足够的方法（不是平等），核算不确定性（非点估计）是否充分考虑了估计公平性的统计不确定性吗？
ForestFit.pdf
描述 为以下任务而开发。 1) 计算概率密度函数、累积分布函数、随机生成，并估计十一个混合模型的参数。 2) 使用十二种方法对二参数威布尔分布的参数进行点估计，使用九种方法对三参数威布尔分布的参数进行点估计。 3) 三参数威布尔分布的贝叶斯推断。 4) 使用近似最大似然、期望最大化和最大似然三种方法估计适合分组数据的三参数 Birnbaum-Saunders、广义指数和威布尔分布的参数。 5) 通过 EM 算法估计适合分组数据的伽马、对数正态和威布尔混合模型的参数， 6) 估计适合高度 - 直径观测的非线性高度曲线的参数， 7) 估计参数，计算概率密度函数、累积分布函数，并从 Venturini 等人提出的伽马形混合模型生成实现。 (2008) < doi:10.1214/07-AOAS156 >，8）贝叶斯推断，计算概率密度函数、累积分布函数，并从单变量和双变量 Johnson SB 分布生成实现，9）当误差项遵循偏斜 t 分布时进行稳健多元线性回归分析，10）使用最大似然法估计适合分组数据的给定分布的参数，11）通过贝叶斯、矩法、条件最大似然法和二百分位数法估计 Johnson SB 分布的参数。
NG23更年期证据审查I
将进行固定效应荟萃分析，如果可能的话，数据将作为风险比率或危险比（例如，如果仅在纳入的研究中以此形式出现在此形式的研究中，则是二分法结果），以及均值差异或均值差异或标准化的均值差异。在单个研究的效果估计中，将使用I2统计量进行评估。除了对点估计和置信区间的目视检查外，I2值的I2值大于50％和80％将分别视为显着且非常重要的异质性。异质性。如果无法通过亚组分析来解释异质性，则将使用随机效应模型进行荟萃分析，否则数据将无法汇总。
人工智能与数据科学研究生课程（AI＆DS）
人工智能（AI）和数据科学（DS）需要强大的数学基础，才能清楚地理解，简洁地表达，并严格地创新了上世纪在AI/DS广阔领域发展的算法和框架的大量算法和框架。本课程重新审视并重建了其中的一些数学基础，以进行严格的研究，直观的理解，对算法的正式交流以及在AI/DS中表达未来。本课程将概率和统计数据的基本概念与AI和计算机科学的应用有关。主题包括概率理论的基础，离散和连续的随机变量，抽样分布，大数量定律，中心极限定理，点估计，置信区间，假设检验和回归分析。2。编程简介
一种简化疫苗功效的贝叶斯分析方法
疫苗针对传染病的关键参数是保护性疫苗的效应，通常表示为VE。此参数旨在表示由于疾病的机会的疫苗而导致的减少，通常使用受控的双盲临床试验估算[1]。VE S的简单点估计值可能是通过人类时间暴露对疫苗组的发病率与安慰剂组发病率产生的。已知这种估计是由可更正偏差影响的[2]。从统计的角度来看，间隔估计值比点估计值更有价值，因为它们产生了有关估计值的不确定性的信息。已提出了用于估计置信区域的常见方法[例如3，4]，并比较其覆盖范围的相对保守性和准确性[5，6]。
关于保形预测集的预期大小
虽然共形预测因子在其频率上获得了严格的统计保证的好处，但其相应的预测集的大小对其实际利用而言至关重要。不幸的是，目前缺乏有限样本分析，并保证了其预测设置尺寸。为了解决这一短缺，我们从理论上量化了在分裂的共形预测框架下的预测集的预期大小。由于通常无法直接计算此精确的形式，我们进一步得出了可以在经验上计算的点估计和高概率间隔边界，从而提供了一种表征预期设置大小的实用方法。我们通过在现实世界数据集上实验回归和分类问题来证实结果的功效。
