## 统计代写|非参数统计代写Nonparametric Statistics代考|STA104

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等概率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Binomial Distribution

A simple Bernoulli random variable $Y$ is dichotomous with $P(Y=1)=p$ and $P(Y=0)=1-p$ for some $0 \leq p \leq 1$. It is denoted as $Y \sim \operatorname{Ber}(p)$. Suppose an experiment consists of $n$ independent trials $\left(Y_1, \ldots, Y_n\right)$ in which two outcomes are possible (e.g. success or failure), with $P$ (success) $=P(Y=1)=p$ for each trial. If $X=x$ is defined as the number of successes (out of $n$ ), then $X=Y_1+Y_2+\cdots+Y_n$, and there are $\left(\begin{array}{l}n \ x\end{array}\right)$ arrangements of $x$ successes and $n-x$ failures, each having the same probability $p^x(1-p)^{n-x} . X$ is a binomial random variable with PMF:
$$p_X(x)=\left(\begin{array}{l} n \ x \end{array}\right) p^x(1-p)^{n-x}, \quad x=0,1, \ldots, n .$$
This is denoted by $X \sim \operatorname{Bin}(n, p)$. From the moment generating function $m_X(t)=$ $\left(p e^t+(1-p)\right)^n$, we obtain $\mu=\mathbb{E} X=n p$ and $\sigma^2=\mathbb{V a r} X=n p(1-p)$.

The cumulative distribution for a binomial random variable is not simplified beyond the sum; i.e. $F(x)=\sum_{i \leq x} p_X(i)$. However, interval probabilities can be computed in $\mathrm{R}$ using pbinom $(\mathrm{x}, \mathrm{n}, \mathrm{p})$, which computes the CDF at value $x$. The PMF is also computed in $R$ using dbinom $(x, n, p)$.

Random events characterized by counting the number of independent trials until a specific event occurs will have a geometric distribution. As such, the geometric is a special case of negative binomial for $k=1$ called the geometric distribution. Random variable $X$ has geometric $\mathcal{G}(p)$ distribution if its PMF is
$$p_X(x)=p(1-p)^x, \quad x=0,1,2, \ldots$$
If $X$ has geometric $\mathcal{G}(p)$ distribution, its expected value is $\mathbb{E} X=(1-p) / p$ and variance $\operatorname{Var} X=(1-p) / p^2$.
The geometric random variable can be considered as the discrete analog to the (continuous) exponential random variable because it possesses a “memoryless” property. That is, if we condition on $X \geq m$ for some nonnegative integer $m$, then for $n \geq m, P(X \geq n \mid X \geq m)=P(X \geq n-m)$.

R commands for geometric CDF, PDF, quantile, and a random number are pgeom, dgeom, qgeom, and rgeom.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Hypergeometric Distribution

The hypergeometric distribution is a natural byproduct of counting principles. Suppose a box contains $m$ balls, $k$ of which are white and $m-k$ of which are gold. Suppose we randomly select and remove $n$ balls from the box without replacement, so that when we finish, there are only $m-n$ balls left. If $X$ is the number of white balls chosen (without replacement) from $n$, then
$$p_X(x)=\frac{\left(\begin{array}{l} k \ x \end{array}\right)\left(\begin{array}{c} m-k \ n-x \end{array}\right)}{\left(\begin{array}{l} m \ n \end{array}\right)}, \quad x \in{0,1, \ldots, \min {n, k}} .$$
This PMF can be deduced with counting rules. There are $\left(\begin{array}{c}m \ n\end{array}\right)$ different ways of selecting the $n$ balls from a box of $m$. From these (each equally likely), there are $\left(\begin{array}{l}k \ x\end{array}\right)$ ways of selecting $x$ white balls from the $k$ white balls in the box and similarly $\left(\begin{array}{c}m-k \ n-x\end{array}\right)$ ways of choosing the gold balls.

It can be shown that the mean and variance for the hypergeometric distribution are, respectively,
$$\mathbb{E}(X)-\mu-\frac{n k}{m} \quad \text { and } \quad \operatorname{Var}(X)-\sigma^2-\left(\frac{n k}{m}\right)\left(\frac{m-k}{m}\right)\left(\frac{m-n}{m-1}\right) .$$
$\mathrm{R}$ commands for hypergeometric $\mathrm{CDF}, \mathrm{PDF}$, quantile, and a random number are phyper, dhyper, qhyper, and rhyper.

Example 2.1 Games such as poker based on a deal of $x$ cards from a deck of $m$ cards resemble the hypergeometric distribution. With the hypergeometric PMF
$$p_X(x)=\frac{\left(\begin{array}{l} k \ x \end{array}\right)\left(\begin{array}{l} m-k \ n-x \end{array}\right)}{\left(\begin{array}{l} m \ n \end{array}\right)}$$
if $k \rightarrow \infty$ and $m \rightarrow \infty$ in such a way that $k / m \rightarrow p$ for some $0<p<1$, then (2.2) converges to the binomial probability
$$\left(\begin{array}{l} n \ x \end{array}\right) p^x(1-p)^{n-x} .$$
To a gambler, this results makes card-counting a futile effort if the casino uses multiple card packs in a game of 21 or blackjack. The player’s advantage in such games relies on the hypergeometric distribution’s without replacement properties of the card deal, which slowly disappear with multiple decks. The game eventually resembles a with replacement counting problem, which is characterized by the binomial distribution.

# 非参数统计代考

## 统计代写|非参数统计代写Nonparametric Statistics代考|Binomial Distribution

$$p_X(x)=(n x) p^x(1-p)^{n-x}, \quad x=0,1, \ldots, n .$$

$$p_X(x)=p(1-p)^x, \quad x=0,1,2, \ldots$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Hypergeometric Distribution

$$p_X(x)=\frac{(k x)(m-k n-x)}{(m n)}, \quad x \in 0,1, \ldots, \min n, k .$$

$$\mathbb{E}(X)-\mu-\frac{n k}{m} \quad \text { and } \quad \operatorname{Var}(X)-\sigma^2-\left(\frac{n k}{m}\right)\left(\frac{m-k}{m}\right)\left(\frac{m-n}{m-1}\right) .$$
R超几何命令CDF,PDF、分位数和随机数是 phyper、dhyper、qhyper 和 rhyper。

$$p_X(x)=\frac{(k x)(m-k n-x)}{(m n)}$$

$$(n x) p^x(1-p)^{n-x} \text {. }$$

## 有限元方法代写

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|STAT425

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等概率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Helpful Functions

• Permutations: The number of arrangements of $n$ distinct objects is $n !=$ $n(n-1) \cdots(2)(1)$. In R: factorial (n) .
• Combinations: The number of distinct ways of choosing $k$ items from a set of $n$ is
$$\left(\begin{array}{l} n \ k \end{array}\right)=\frac{n !}{k !(n-k) !} .$$
In R: choose $(\mathrm{n}, \mathrm{k})$. Note that all possible ways of choosing $k$ items from a set of $n$ can be obtained by combn $(\mathrm{n}, \mathrm{k})$.
• $\Gamma(t)=\int_0^{\infty} x^{t-1} e^{-x} d x, t>0$ is called the gamma function. If $t$ is a positive integer, $\Gamma(t)=(t-1)$ !. In R: gamma (t) .
• Incomplete gamma is defined as $\gamma(t, z)=\int_0^z x^{t-1} e^{-x} d x$. In R: pgamma $(t, z, 1)$. The upper tail incomplete gamma is defined as $\Gamma(t, z)=\int_z^{\infty} x^{t-1} e^{-x} d x$, in R: 1 -pgamma ( $t, z, 1)$. If $t$ is an integer,
$$\Gamma(t, z)=(t-1) ! e^{-z} \sum_{i=0}^{t-1} z^i / i ! \text {. }$$
Note that pgamma is a cumulative distribution function (CDF) of the gamma distribution. By letting the scale parameter $\lambda$ set to 1 , pgamma reduced to the incomplete gamma.
• Beta function: $B(a, b)=\int_0^1 t^{a-1}(1-t)^{b-1} d t=\Gamma(a) \Gamma(b) / \Gamma(a+b) . \quad$ In $\quad \mathrm{R}$ : beta $(a, b)$.
• Incomplete beta: $B(x, a, b)=\int_0^x t^{a-1}(1-t)^{b-1} d t, 0 \leq x \leq 1$. In R:pbeta $(\mathrm{x}, \mathrm{a}, \mathrm{b})$ represents normalized incomplete beta defined as $I_x(a, b)=B(x, a, b) / B(a, b)$.
• Summations of powers of integers:
$$\sum_{i=1}^n i=\frac{n(n+1)}{2}, \quad \sum_{i=1}^n i^2=\frac{n(n+1)(2 n+1)}{6}, \quad \sum_{i=1}^n i^3=\left(\frac{n(n+1)}{2}\right)^2$$
• Floor function: $\lfloor a\rfloor$ denotes the greatest integer $\leq a$. In R: $f \operatorname{loor}(a)$.
• Geometric series:
$$\sum_{j=0}^n p^j=\frac{1-p^{n+1}}{1-p}, \text { so that for }|p|<1, \sum_{j=0}^{\infty} p^j=\frac{1}{1-p}$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Events, Probabilities, and Random Variables

• The conditional probability of event $A$ occurring given that event $B$ occurs is $P(A \mid B)=P(A B) / P(B)$, where $A B$ represents the intersection of events $A$ and $B$, and $P(B)>0$.
• Events $A$ and $B$ are stochastically independent if and only if $P(A \mid B)=P(A)$ or equivalently, $P(A B)=P(A) P(B)$.
• Law of total probability: Let $A_1, \ldots, A_k$ be a partition of the sample space $\Omega$, i.e. $A_1 \cup A_2 \cup \cdots \cup A_k=\Omega$ and $A_i A_j=\emptyset$ for $i \neq j$. For event $B, P(B)=$ $\sum_i P\left(B \mid A_i\right) P\left(A_i\right)$
• Bayes formula: For an event $B$ where $P(B) \neq 0$ and partition $\left(A_1, \ldots, A_k\right)$ of $\Omega$, $P\left(A_j \mid B\right)=\frac{P\left(B \mid A_j\right) P\left(A_j\right)}{\sum_i P\left(B \mid A_i\right) P\left(A_i\right)}$.
• A function that assigns real numbers to points in the sample space of events is called a random variable. ${ }^1$
• For a random variable $X, F_X(x)=P(X \leq x)$ represents its (cumulative) distribution function, which is nondecreasing with $F(-\infty)=0$ and $F(\infty)=1$. In this book, it will often be denoted simply as CDF. The survivor function is defined as $S(x)=1-F(x)$.
• If the CDF’s derivative exists, $f(x)=\partial F(x) / \partial x$ represents the probability density function, or PDF.
• A discrete random variable is one that can take on a countable set of values $X \in$ $\left{x_1, x_2, x_3, \ldots\right}$ so that $F_X(x)=\sum_{t \leq x} P(X=t)$. Over the support $X$, the probability $P\left(X=x_i\right)$ is called the probability mass function, or PMF.
• A continuous random variable is one that takes on any real value in an interval, so $P(X \in A)=\int_A f(x) d x$, where $f(x)$ is the density function of $X$.
• For two random variables $X$ and $Y$, their joint distribution function is $F_{X, Y}(x, y)=$ $P(X \leq x, Y \leq y)$. If the variables are continuous, one can define joint density function $f_{X, Y}(x, y)$ as $\frac{\partial^2}{\partial x \partial y} F_{X, Y}(x, y)$. The conditional density of $X$, given $Y=y$ is $f(x \mid y)=f_{X, Y}(x, y) / f_Y(y)$, where $f_Y(y)$ is the density of $Y$.
• Two random variables $X$ and $Y$, with distributions $F_X$ and $F_Y$, are independent if the joint distribution $F_{X, Y}$ of $(X, Y)$ is such that $F_{X, Y}(x, y)=F_X(x) F_Y(y)$. For any sequence of random variables $X_1, \ldots, X_n$ that are independent with the same (identical) marginal distribution, we will denote this using i.i.d.

# 非参数统计代考

## 统计代写|非参数统计代写Nonparametric Statistics代考|Helpful Functions

• Permutations: 排列的次数 $n$ 不同的对象是 $n !=n(n-1) \cdots(2)(1)$. 在 R 中: 阶乘 $(\mathrm{n})$ 。
• 组合：不同选择方式的数量 $k$ 一组中的项目 $n$ 是
$$(n k)=\frac{n !}{k !(n-k) !} .$$
在 $\mathrm{R}$ 中: 选择 $(\mathrm{n}, \mathrm{k})$. 请注意，所有可能的选择方式 $k$ 一组中的项目 $n$ 可以通过combn得到( $\mathrm{n}, \mathrm{k})$.
• $\Gamma(t)=\int_0^{\infty} x^{t-1} e^{-x} d x, t>0$ 称为伽马函数。如果 $t$ 是正整数， $\Gamma(t)=(t-1) !$ 。在 $\mathrm{R}$ 中: 伽 玛 $(\mathrm{t})$ 。
• 不完全侣玛定义为 $\gamma(t, z)=\int_0^z x^{t-1} e^{-x} d x$. 在 $\mathrm{R}$ 中: $\operatorname{pgamma}(t, z, 1)$. 上尾不完全侣玛定义为 $\Gamma(t, z)=\int_z^{\infty} x^{t-1} e^{-x} d x$, 在 R: 1 -pgamma $(t, z, 1)$. 如果 $t$ 是一个整数，
$$\Gamma(t, z)=(t-1) ! e^{-z} \sum_{i=0}^{t-1} z^i / i !$$
请注意，pgamma 是伽马分布的累积分布函数 (CDF)。通过让尺度参数 $\lambda$ 设置为 $1 ，$ pgamma 减少 为不完全伽马。
• 贝塔功能: $B(a, b)=\int_0^1 t^{a-1}(1-t)^{b-1} d t=\Gamma(a) \Gamma(b) / \Gamma(a+b)$. 在 $\mathrm{R}$ : 测试版 $(a, b)$.
• 不完整的测试版: $B(x, a, b)=\int_0^x t^{a-1}(1-t)^{b-1} d t, 0 \leq x \leq 1$. 在 R:pbeta 中 $(\mathrm{x}, \mathrm{a}, \mathrm{b})$ 表示 标准化的不完全 beta 定义为 $I_x(a, b)=B(x, a, b) / B(a, b)$.
• 整数的幂求和:
$$\sum_{i=1}^n i=\frac{n(n+1)}{2}, \quad \sum_{i=1}^n i^2=\frac{n(n+1)(2 n+1)}{6}, \quad \sum_{i=1}^n i^3=\left(\frac{n(n+1)}{2}\right)^2$$
• 楼层功能: $\lfloor a\rfloor$ 表示最大整数 $\leq a$. 在 $\mathrm{R}$ 中: $f \operatorname{loor}(a)$.
• 几何系列:
$$\sum_{j=0}^n p^j=\frac{1-p^{n+1}}{1-p}, \text { so that for }|p|<1, \sum_{j=0}^{\infty} p^j=\frac{1}{1-p}$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Events, Probabilities, and Random Variables

• 事件的条件概率 $A$ 鉴于该事件发生 $B$ 发生是 $P(A \mid B)=P(A B) / P(B)$ ， 在哪里 $A B$ 表示事件的 交集 $A$ 和 $B$ ， 和 $P(B)>0$.
• 事件 $A$ 和 $B$ 是随机独立的当且仅当 $P(A \mid B)=P(A)$ 或者等价地， $P(A B)=P(A) P(B)$.
• 全概率法则: 令 $A_1, \ldots, A_k$ 是样本空间的一个分区 $\Omega$, IE $A_1 \cup A_2 \cup \cdots \cup A_k=\Omega$ 和 $A_i A_j=\emptyset$ 为了 $i \neq j$. 对于事件 $B, P(B)=\sum_i P\left(B \mid A_i\right) P\left(A_i\right)$
• 贝叶斯公式：对于一个事件 $B$ 在哪里 $P(B) \neq 0$ 和分区 $\left(A_1, \ldots, A_k\right)$ 的 $\Omega$ ， $P\left(A_j \mid B\right)=\frac{P\left(B \mid A_j\right) P\left(A_j\right)}{\sum_i P\left(B \mid A_i\right) P\left(A_i\right)}$.
• 将实数分配给事件样本空间中的点的函数称为随机变量。 1
• 对于随机变量 $X, F_X(x)=P(X \leq x)$ 表示其 (侽积) 分布函数，它与 $F(-\infty)=0$ 和
• 如果 CDF 的导数存在， $f(x)=\partial F(x) / \partial x$ 表示概率密度函数，或 PDF。 $F_X(x)=\sum_{t \leq x} P(X=t)$. 过度支持 $X$ ，概率 $P\left(X=x_i\right)$ 称为概率质量函数，或 PMF。
• 连续随机变量是在一个区间内取任意实数值的随机变量，因此 $P(X \in A)=\int_A f(x) d x$ ，在哪里 $f(x)$ 是密度函数 $X$.
• 对于两个随机变量 $X$ 和 $Y$ ， 它们的联合分布函数是 $F_{X, Y}(x, y)=P(X \leq x, Y \leq y)$. 如果变量是 连续的，可以定义联合密度函数 $f_{X, Y}(x, y)$ 作为 $\frac{\partial^2}{\partial x \partial y} F_{X, Y}(x, y)$. 的条件密度 $X$, 给定 $Y=y$ 是 $f(x \mid y)=f_{X, Y}(x, y) / f_Y(y)$ ，在哪里 $f_Y(y)$ 是密度 $Y$.
• 两个随机变量 $X$ 和 $Y$, 有分布 $F_X$ 和 $F_Y$ ，如果联合分布是独立的 $F_{X, Y}$ 的 $(X, Y)$ 是这样的 $F_{X, Y}(x, y)=F_X(x) F_Y(y)$. 对于任何随机变量序列 $X_1, \ldots, X_n$ 独立于相同 (相同) 的边际分 布，我们将使用 iid 表示

## 有限元方法代写

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|STATS205

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等概率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Efficiency of Nonparametric Methods

Doubt is not a pleasant condition, but certainty is absurd.
Francois Marie Voltaire (1694-1778)
It would be a mistake to think that nonparametric procedures are simpler than their parametric counterparts. On the contrary, a primary criticism of using parametric methods in statistical analysis is that they oversimplify the population or process we are observing. Indeed, parametric families are not more useful because they are perfectly appropriate, rather because they are perfectly convenient.

Nonparametric methods are inherently less powerful than parametric methods. This must be true because the parametric methods are assuming more information to construct inferences about the data. In these cases the estimators are inefficient, where the efficiencies of two estimators are assessed by comparing their variances for the same sample size. This inefficiency of one method relative to another is measured in power in hypothesis testing, for example.

However, even when the parametric assumptions hold perfectly true, we will see that nonparametric methods are only slightly less powerful than the more presumptuous statistical methods. Furthermore, if the parametric assumptions about the data fail to hold, only the nonparametric method is valid. A $t$-test between the means of two normal populations can be dangerously misleading if the underlying data are not actually normally distributed. Some examples of the relative efficiency of nonparametric tests are listed in Table 1.1, where asymptotic relative efficiency (ARE) is used to compare parametric procedures (second column) with their nonparametric counterparts (third column). ARE describes the relative efficiency of two estimators of a parameter as the sample size approaches infinity and is listed for the normal distribution, where parametric assumptions are justified, and the double-exponential distribution. For example, if the underlying data are normally distributed, the $t$-test requires 955 observations to have the same power of the Wilcoxon signed-rank test based on 1000 observations.

Parametric assumptions allow us to extrapolate away from the data. For example, it is hardly uncommon for an experimenter to make inferences about a population’s extreme upper percentile (say, 99th percentile) with a sample so small that none of the observations would be expected to exceed that percentile. If the assumptions are not justified, this is grossly unscientific.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Overconfidence Bias

Confirmation Bias or Overconfidence Bias describes our tendency to search for or interpret information in a way that confirms our preconceptions. Business and finance has shown interest in this psychological phenomenon (Tversky and Kahneman, 1974) because it has proven to have a significant effect on personal and corporate financial decisions where the decision maker will actively seek out and give extra weight to evidence that confirms a hypothesis they already favor. At the same time, the decision maker tends to ignore evidence that contradicts or disconfirms their hypothesis.

Overconfidence bias has a natural tendency to affect an experimenter’s data analysis for the same reasons. While the dictates of the experiment and the data sampling should reduce the possibility of this problem, one of the clear pathways open to such hias is the infusion of parametric assumptions into the data analysis. After all, if the assumptions seem plausible, the researcher has much to gain from the extra certainty that comes from the assumptions in terms of narrower confidence intervals and more powerful statistical tests.

Nonparametric procedures serve as a buffer against this human tendency of looking for the evidence that best supports the researcher’s underlying hypothesis. Given the subjective interests behind many corporate research findings, nonparametric methods can help alleviate doubt to their validity in cases when these procedures give statistical significance to the corporation’s claims.

# 非参数统计代考

## 统计代写|非参数统计代写Nonparametric Statistics代考|Efficiency of Nonparametric Methods

Francois Marie Voltaire (1694-1778)

## 有限元方法代写

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Comparisons and Scoring

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等楖率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据 分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Comparisons and Scoring

One might adjust for multiple comparisons in the presence of blocking in the same way as was done without blocking, as discussed in $\S 4.5$. That is, one might use the variances and covariances to show that under the null hypothesis, $\left(\bar{R}{i .}-\bar{R}{j .}\right) / \sqrt{K(L K+1) / 6}$ is approximately Gaussian, and employ the method of Bonferroni, Fisher’s LSD, or Tukey’s HSD.

One might also use scoring methods, including normal and Savage scores, as before. Recall also that treating ranks as general scores, with tied observations given average ranks, makes tie handling automatic.

One might also use scores that are data values. In this case, the test statistic is similar to that of the Gaussian-theory $F$ test, but the reference distribution is generated from all possible permutations of the data within blocks and among treatments.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Tests for a Putative Ordering in Two-Way Layouts

This test was proposed by Page (1963) in the balanced case with one replicate per block-treatment pair, and is called Page’s test.

For more general replication patterns, the null expectation and variance for the statistic may be calculated, using $(5.6),(5.7)$, and $(5.8)$, and
$\mathrm{E} 0\left[T_{L}\right]=\sum_{k=1}^{K} k \mathrm{E} 0\left[R_{k .}\right]$
$\operatorname{Var}{0}\left[T{L}\right]=\sum_{k=1}^{K} k^{2} \operatorname{Var}{0}\left[R{k . .}\right]+\sum_{i=1}^{K} \sum_{k=1, k \neq i}^{K} i k \operatorname{Cov}{0}\left[R{i_{.} .}, R_{k . .}\right]$
In the balanced case, with $M_{k l}=M \forall k, l$, moments simplify to
\begin{aligned} \mathrm{E} 0\left[T_{L}\right] &=(K+1) K L M(K M+1) / 4 \ \operatorname{Var}{0}\left[T{L}\right] &=L M^{2}(K M+1)\left(\sum_{k=1}^{K} k^{2}(K-1)-\sum_{i=1}^{K} \sum_{k=1, k \neq i}^{K} i k\right) \ &=L M^{2}(K M+1)\left(K \sum_{k=1}^{K} k^{2}-\left(\sum_{i=1}^{K} i\right)^{2}\right) \ &=K^{2}(K+1) L M^{2}(K M+1)(K-1) / 12 \ \text { using }(3.20) . \end{aligned}

## 统计代写|非参数统计代写Nonparametric Statistics代考|Exercises

Page (1963) presents only the case with $M_{k l}$ all 1, and provides a table of the distribution of $T_{L}$ for small values of $K$ and $L$. For larger values of $K$ and $L$ than appear in the table, Page (1963) suggests a Gaussian approximation.
The scores in $(5.10)$ are equally spaced. This is often a reasonable choice in practice. When the $M_{k l}$ are not all the same, imbalance among numbers of ranks summed may change the interpretation of these scores, and a preferred statistic definition to replace $(5.10)$ is
$$T_{L}^{*}=\sum_{k=1}^{K} k \bar{R}{k \ldots}$$ with moments given by \begin{aligned} \mathrm{E}\left[\bar{R}{k . .}\right] &=\sum_{l=1}^{L}\left[M_{k l}\left(\sum_{j=1}^{K} M_{j l}+1\right) / 2\right] / \sum_{l=1}^{L} M_{k l l} \ \operatorname{Var}\left[\bar{R}{k . .}\right] &=\frac{\sum{l=1}^{L}\left{M_{k l}\left(\sum_{j \neq k} M_{j l}\right)\left(\sum_{j=1}^{K} M_{j l}+1\right)\right}}{12\left(\sum_{l=1}^{L} M_{k l}\right)^{2}}, \end{aligned}
and
$$\operatorname{Cov}\left[\bar{R}{k . .}, \bar{R}{m . .}\right]=-\sum_{l=1}^{L}\left[M_{k l} M_{m l}\right]\left(\sum_{j=1}^{K} M_{j l}+1\right) /\left(12 \sum_{l=1}^{L} M_{k l} \sum_{l=1}^{L} M_{m l}\right)$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Exercises

Page (1963) 只提出了这种情况米到一世所有 1，并提供了一个分布表吨一世对于小值到和一世. 对于较大的值到和一世Page (1963) 建议使用高斯近似。

## 广义线性模型代考

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Comparisons and Scoring

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等楖率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据 分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Comparisons and Scoring

One might adjust for multiple comparisons in the presence of blocking in the same way as was done without blocking, as discussed in $\S 4.5$. That is, one might use the variances and covariances to show that under the null hypothesis, $\left(\bar{R}{i .}-\bar{R}{j .}\right) / \sqrt{K(L K+1) / 6}$ is approximately Gaussian, and employ the method of Bonferroni, Fisher’s LSD, or Tukey’s HSD.

One might also use scoring methods, including normal and Savage scores, as before. Recall also that treating ranks as general scores, with tied observations given average ranks, makes tie handling automatic.

One might also use scores that are data values. In this case, the test statistic is similar to that of the Gaussian-theory $F$ test, but the reference distribution is generated from all possible permutations of the data within blocks and among treatments.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Tests for a Putative Ordering in Two-Way Layouts

This test was proposed by Page (1963) in the balanced case with one replicate per block-treatment pair, and is called Page’s test.

For more general replication patterns, the null expectation and variance for the statistic may be calculated, using $(5.6),(5.7)$, and $(5.8)$, and
$\mathrm{E} 0\left[T_{L}\right]=\sum_{k=1}^{K} k \mathrm{E} 0\left[R_{k .}\right]$
$\operatorname{Var}{0}\left[T{L}\right]=\sum_{k=1}^{K} k^{2} \operatorname{Var}{0}\left[R{k . .}\right]+\sum_{i=1}^{K} \sum_{k=1, k \neq i}^{K} i k \operatorname{Cov}{0}\left[R{i_{.} .}, R_{k . .}\right]$
In the balanced case, with $M_{k l}=M \forall k, l$, moments simplify to
\begin{aligned} \mathrm{E} 0\left[T_{L}\right] &=(K+1) K L M(K M+1) / 4 \ \operatorname{Var}{0}\left[T{L}\right] &=L M^{2}(K M+1)\left(\sum_{k=1}^{K} k^{2}(K-1)-\sum_{i=1}^{K} \sum_{k=1, k \neq i}^{K} i k\right) \ &=L M^{2}(K M+1)\left(K \sum_{k=1}^{K} k^{2}-\left(\sum_{i=1}^{K} i\right)^{2}\right) \ &=K^{2}(K+1) L M^{2}(K M+1)(K-1) / 12 \ \text { using }(3.20) . \end{aligned}

## 统计代写|非参数统计代写Nonparametric Statistics代考|Exercises

Page (1963) presents only the case with $M_{k l}$ all 1, and provides a table of the distribution of $T_{L}$ for small values of $K$ and $L$. For larger values of $K$ and $L$ than appear in the table, Page (1963) suggests a Gaussian approximation.
The scores in $(5.10)$ are equally spaced. This is often a reasonable choice in practice. When the $M_{k l}$ are not all the same, imbalance among numbers of ranks summed may change the interpretation of these scores, and a preferred statistic definition to replace $(5.10)$ is
$$T_{L}^{*}=\sum_{k=1}^{K} k \bar{R}{k \ldots}$$ with moments given by \begin{aligned} \mathrm{E}\left[\bar{R}{k . .}\right] &=\sum_{l=1}^{L}\left[M_{k l}\left(\sum_{j=1}^{K} M_{j l}+1\right) / 2\right] / \sum_{l=1}^{L} M_{k l l} \ \operatorname{Var}\left[\bar{R}{k . .}\right] &=\frac{\sum{l=1}^{L}\left{M_{k l}\left(\sum_{j \neq k} M_{j l}\right)\left(\sum_{j=1}^{K} M_{j l}+1\right)\right}}{12\left(\sum_{l=1}^{L} M_{k l}\right)^{2}}, \end{aligned}
and
$$\operatorname{Cov}\left[\bar{R}{k . .}, \bar{R}{m . .}\right]=-\sum_{l=1}^{L}\left[M_{k l} M_{m l}\right]\left(\sum_{j=1}^{K} M_{j l}+1\right) /\left(12 \sum_{l=1}^{L} M_{k l} \sum_{l=1}^{L} M_{m l}\right)$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Exercises

Page (1963) 只提出了这种情况米到一世所有 1，并提供了一个分布表吨一世对于小值到和一世. 对于较大的值到和一世Page (1963) 建议使用高斯近似。

## 广义线性模型代考

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|A Generalization of the Test of Friedman

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等楖率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据 分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|A Generalization of the Test of Friedman

From these rank sums one might calculate separate Kruskal-Wallis statistics for each block, and, since statistics from separate blocks are independent, one might add these Kruskal-Wallis statistics to get $\chi_{L(K-1)}^{2}$ degree of freedom statistic under the null hypothesis. Such a statistic, however, is equally sensitive to deviations from the null hypothesis in opposite directions in different blocks, and so has low power against all alternatives. Interesting alternative hypotheses involve treatment distributions in different blocks ordered in the same way.

As with the Kruskal-Wallis test, a statistic is constructed by setting $\boldsymbol{Y}=$ $\left(R_{1 . .}-\mathrm{E}{0}\left[R{1 . .}\right], \ldots, R_{K-1 . .}-\mathrm{E}{0}\left[R{K-1 . .}\right]\right)^{\top}$, using $(5.6)$, calculating $\operatorname{Var}{0}[\boldsymbol{Y}]$ from (5.7) and (5.8), and using $$W{F}=\boldsymbol{Y}^{\top} \operatorname{Var}_{0}[\boldsymbol{Y}]^{-1} \boldsymbol{Y}$$
as the test statistic.

## 统计代写|非参数统计代写Nonparametric Statistics代考|The Balanced Case

The inverse $\operatorname{Var}_{0}[\boldsymbol{Y}]^{-1}$ is tractable in closed form under (5.1), including the special case with balanced replicates.

Friedman (1937) addresses the case in which $M_{k l}=1 \forall k, l$. The generalization to the balanced case with replicates is trivial, and this section assumes $M_{k l}=M$ for all $k, l$. Here $\mathrm{E}\left[\bar{R}{k . .}\right]=(K M+1) / 2$, and $$\operatorname{Var}\left[\bar{R}{k . .}\right]=(K-1)(K M+1) /[12 L] .$$
Covariances between sets of rank means are
$$\operatorname{Cov}\left[\bar{R}{k{.-}}, \bar{R}{m . .}\right]=-(K M+1) /[12 L]$$ for $k \neq m$. In this balanced case, the test statistic (5.9) can be shown to equal the sum of squares of ranks away from their average value per treatment group: $$W{F}=12 L \sum_{k=1}^{K}\left[\bar{R}_{k . .}-(M K+1) / 2\right]^{2} /[K(K M+1)]$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|The Unbalanced Case

This analysis fails in the unbalanced case, because no expression for the variance as simple as (4.12) holds, and so the variance matrix cannot be inverted in closed form. Benard and Elteren (1953) present a numerical method that uses the rule of Cramer to produce the matrix product involved in $T$. Pren-
106
Group Differences with Blocking
TABLE 5.2: Expense variability by income group, from Friedman (1937)

## 统计代写|非参数统计代写Nonparametric Statistics代考|The Balanced Case

$$\operatorname{Cov}\left[\bar{R} {k {.-}}, \bar{R} {m 。.}\right]=-(K M+1) /[12 L]$$ 为到≠米. 在这种平衡的情况下，检验统计量 (5.9) 可以显示为等于远离每个治疗组平均值的秩平方和：在F=12一世∑到=1到[R¯到..−(米到+1)/2]2/[到(到米+1)]

106

## 广义线性模型代考

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|Signed-Rank Statistic Alternative Distribution

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等楖率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据 分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Signed-Rank Statistic Alternative Distribution

Consider alternative hypotheses $H_{A}$, specifying that the median of the distribution of differences is $\theta$. Hence
\begin{aligned} \mathrm{E}{\theta}[T] &=\sum{i=1}^{n} \sum_{j=1}^{i} \mathrm{P}{\theta}\left[\left(Z{i}+Z_{j}-2 \theta\right) \leq 0\right] \ &=n(n-1) \mathrm{P}\left[Z_{1}+Z_{2} \leq 2 \theta\right] / 2+n \mathrm{P}\left[Z_{1} \leq \theta\right] \end{aligned}
To apply asymptotic relative efficiency calculations, scale the test statistic to have an expectation that varies with the parameter value specifying the null hypothesis, and approximately independent of sample size, as in (2.15), by switching to $S=2 T_{S R} /(n(n-1))$. In this case, $\mu(\theta) \approx \mathrm{P}{0}\left[Z{1}+Z_{2} \geq 2 \theta\right]$, and the statistic variance times the sample size is
$$\sigma^{2}(0)=4 \times n \times n(n+1)(2 n+1) /\left(n^{2}(n+1)^{2} 24\right) \approx 1 / 6$$
102
Group Differences with Blocking
to match the notation of $(2.15)$ and $(2.19)$. Note that $\mu^{\prime}(0)$ is now twice the value from the Mann-Whitney-Wilcoxon statistic, for distributions symmetric about 0. This will be used for asymptotic relative efficiency calculations in the exercises.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Two-Way Non-Parametric Analysis of Variance

Consider the same data description as in $\S 5.1 .2$ : one observes random variable $X_{k l i}$, with $k \in{1, \cdots, K}, l \in{1, \cdots, L}$, and $i \in\left{1, \cdots, M_{k l}\right}$. Suppose the distribution of $X_{k l i}$ are independent, with a distribution that is allowed to depend on $k$ and $l$; that is, $X_{k l i} \sim F_{k l}$. We wish to test the null hypothesis that treatment has no effect, while allowing different blocks to behave differently, versus the alternative that the distribution depends on treatment as well. That is, the null hypothesis is that $F_{k l}$ does not depend on $k$, although it may depend on $l$, and the alternative hypothesis is that for some $l$, some $j$ and $k$, and some $x, F_{k l}(x) \neq F_{j l}(x)$. However, the test to be constructed will not have reasonable power unless this difference is more systematic; that is, consider alternatives for which for each pair of treatments $j$ and $k$, either $F_{j l}(x) \leq F_{j l}(x)$ for all $x$ and all $l$, or $F_{j l}(x) \geq F_{j l}(x)$ for all $x$ and all $l$. The direction of the effect must be constant across blocks. Heuristically, treat $k$ as indexing treatment and $l$ as indexing a blocking factor.

In order to build a statistic respecting treatment order across blocks, rank the observations within blocks; that is, let $R_{k l i}$ represent the rank of $X_{k l i}$ within $X_{1 l 1}, \ldots, X_{K l M_{K l}}$, and sum them separately by block and treatment.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Distribution of Rank Sums

Variances of rank sums depend on the covariance structure of the ranks. Ranks that make up each sum within a block are independent, but sums of ranks across blocks are dependent. Within a treatment-block cell, Var $\left[R_{k l}\right]$ is the same as for the Mann-Whitney-Wilcoxon statistic:
$$\operatorname{Var}\left[R_{k l}\right]=M_{k l}\left(\sum_{j \neq k} M_{j l}\right)\left(\sum_{j=1}^{K} M_{j l}+1\right) / 12$$
By independence across blocks,
$$\operatorname{Var}\left[R_{k . .}\right]=\sum_{l=1}^{L}\left{M_{k l}\left(\sum_{j \neq k} M_{j l}\right)\left(\sum_{j=1}^{K} M_{j l}+1\right) / 12\right} .$$
Covariances may be calculated by comparing the variance of the sum to the sum of the variances, as in (4.12), to obtain
$$\operatorname{Cov}\left[R_{k l .}, R_{m l}\right]=-\left[M_{k l} M_{m l}\right]\left(\sum_{j=1}^{K} M_{j l}+1\right) / 12$$
Since blocks are ranked independently, variances and covariances for rank sums add across blocks:
$$\operatorname{Cov}\left[R_{k . .}, R_{m \ldots .}\right]=-\sum_{l=1}^{L}\left[M_{k l} M_{m l}\right]\left(\sum_{j=1}^{K} M_{j l}+1\right) / 12$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Signed-Rank Statistic Alternative Distribution

σ2(0)=4×n×n(n+1)(2n+1)/(n2(n+1)224)≈1/6
102

## 统计代写|非参数统计代写Nonparametric Statistics代考|Distribution of Rank Sums

\operatorname{Var}\left[R_{k . .}\right]=\sum_{l=1}^{L}\left{M_{kl}\left(\sum_{j \neq k} M_{jl}\right)\left(\sum_{j= 1}^{K} M_{jl}+1\right) / 12\right} 。\operatorname{Var}\left[R_{k . .}\right]=\sum_{l=1}^{L}\left{M_{kl}\left(\sum_{j \neq k} M_{jl}\right)\left(\sum_{j= 1}^{K} M_{jl}+1\right) / 12\right} 。

## 广义线性模型代考

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

## 统计代写|非参数统计代写Nonparametric Statistics代考|Nonparametric Paired Comparisons

statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等楖率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据 分析
• Foundations of Data Science 数据科学基础

## 统计代写|非参数统计代写Nonparametric Statistics代考|Nonparametric Paired Comparisons

Suppose pairs of values $\left(X_{i 1}, X_{i 2}\right)$ are observed on $n$ subjects, indexed by $i$, and suppose further that $\left(X_{i 1}, X_{i 2}\right)$ is independent of $\left(X_{j 1}, X_{j 2}\right)$ for $i, j \in$ ${1, \ldots, n}, i \neq j$, and that all of the vectors $\left(X_{i 1}, X_{i 2}\right)$ have the same distribution. Consider the null hypothesis that the marginal distribution of $\left{X_{i}\right}$ is the same as that of $\left{Y_{i}\right}$, versus the alternative hypothesis that the distributions are different. This null hypothesis often, but not always, implies that the differences $Z_{i}=X_{i 1}-X_{i 2}$ have zero location. One might test these hypotheses by calculating the difference $Z_{i}$ between values, and apply the onesample technique of Chapter 2, the sign test; this reduces the problem to one already solved.

After applying the differencing operation, one might expect the differences to be more symmetric than either of the two original variables, and one might exploit this symmetry. To derive a test under the assumption of symmetry, Let $R_{j}$ be the rank of $\left|Z_{j}\right|$ among all absolute values. Let
$$S_{j}= \begin{cases}1 & \text { if item } j \text { is positive } \ 0 & \text { if item } j \text { is negative }\end{cases}$$
Define the Wilcoxon signed-rank test in terms of the statistic
$$T_{S R}=\sum R_{j} S_{j}$$

## 统计代写|非参数统计代写Nonparametric Statistics代考|Estimating the Population Median Difference

Estimation of the median of the observations, which is their point of symmetry, based on inversion of the Wilcoxon signed-rank statistic mirrors that based
Nonparametric Paired Comparisons
99
on inversion of the Mann-Whitney-Wilcoxon statistic of $\S 33.10$. Let $T_{S R}(\theta)$ be the Wilcoxon signed-rank statistic calculated from the data set $Z_{j}(\theta)=$ $Z_{j}-\theta=Y_{j}-X_{j}-\theta$, after ranking the $Z_{j}(\theta)$ by their absolute values, and summing the ranks with positive values of $Z_{j}(\theta)$. Estimate $\theta$ as the quantity $\hat{\theta}$ equating $T_{S R}$ to the median of its sampling distribution; that is, $\hat{\theta}$ satisfies $T_{S R}(\hat{\theta})=n(n+1) / 4$.

After sorting the values $Z_{j}$, denote value at position $j$ in the ordered list by the order statistic $Z_{(j)}$. One can express $\hat{\theta}$ in terms of $Z_{(j)}$, by considering the behavior of $T_{S R}(\theta)$ as $\theta$ varies. For $\theta>Z_{(n)}, T_{S R}(\theta)=0$. When $\theta$ decreases past $Z_{(n)}$, the $Z_{i}-\theta$ with the lowest absolute value switches from negative to positive, and $T_{S R}(\theta)$ moves up to 1 . When $\theta$ decreases past $\left(Z_{(n)}+Z_{(n-1)}\right) / 2$, then $Z_{(n)}-\theta$ goes from having the smallest absolute value to having the second lowest absolute value, and $T_{S R}$ goes to 2 . The next jump in $T_{S R}$ occurs if one more observation becomes positive (at $Z_{(n-1)}$ ) or if the absolute value of the lowest shifted observation passes the absolute value of the next observation (at $\left.Z_{(n)}+Z_{(n-2)} / 2\right)$.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Confidence Intervals

Confidence intervals may also be constructed using the device of $(1.16)$, similarly as with the one-sample location interval construction of $\S 2.3 .3$ and the two-sample location shift interval construction of $\S 3.10$. Let $\tilde{W}{j}$ be the ordered Walsh averages. Find the largest $t{l}$ such that $\mathrm{P}\left[T_{S R}<t_{l}\right]<\alpha / 2$; then $t_{l}$ is the $\alpha / 2$ quantile of the distribution of the Signed Rank statistic. Using (5.3) and (5.4), one might approximate the critical value using a Gaussian approximation $t_{l} \approx n(n+1) / 2-z_{\alpha / 2} \sqrt{n(2 n+1)(n+1) / 24}$; note that this approximation uses the distribution of the signed-rank statistic, which does not depend on the distribution of the underlying data as long as symmetry holds. Recall that $z_{\beta}$ is the $1-\beta$ quantile of the standard Gaussian distribution, for any $\beta \in(0,1)$; in particular, $z_{\alpha / 2}$ is positive for any $\alpha \in(0,1)$, and $z_{0.05 / 2}=1.96$. By symmetry, $\mathrm{P}\left[T_{S R} \geq t_{u}\right] \leq \alpha / 2$ for $t_{u}=n(n-1) / 2-t_{l}+1$.

As noted above, $T_{S R}(\theta)$ jumps by one each time $\theta$ passes a Walsh average. Hence the confidence interval is
$$\left(\tilde{W}{n(n-1) / 2+1-t{l}}, \tilde{W}{n(n-1) / 2+1-t{u}}\right)$$
By symmetry, this interval is $\left(\bar{W}{t{l}}, \bar{W}{t{u}}\right)$. See Figure $5.1$.

## 统计代写|非参数统计代写Nonparametric Statistics代考|Nonparametric Paired Comparisons

$$S_{j}={1 if item j is positive 0 if item j isnegative 根据统计量定义 Wilcoxon 符号秩检验$$
T_{SR}=\sum R_{j} S_{j}
$$## 统计代写|非参数统计代写Nonparametric Statistics代考|Estimating the Population Median Difference 基于非参数配对比较 99 基于 §§33.10 的 Mann-Whitney-Wilcoxon 统计量的反演的 Wilcoxon 符号秩统计镜像的反演，估计观察的中位数，这是它们的对称点。令 TSR(θ) 为根据数据集 Zj(θ)= 计算的符号秩统计量Zj−θ=Yj−X计算的Wilcoxon符号秩统计量j−θ，在对 Zj(θ) 进行绝对值排序后，将排名与 Zj(θ) 的正值相加。将 θ 估计为数量 θ^ 使 TSR 等于其抽样分布的中位数；也就是说，θ^ 满足 TSR(θ^)=n(n+1)/4。 在对值 Z_{j} 进行排序后，用排序统计量 Z_{(j)} 表示有序列表中位置 j 处的值。通过考虑 T_{SR}(\theta) 随着 \theta 的变化，我们可以用 Z_{(j)} 来表达 \hat{\theta}。对于 \theta>Z_{(n)}，T_{SR}(\theta)=0。当\theta 下降超过Z_{(n)} 时，绝对值最小的Z_{i}-\theta 由负转正，T_{SR}(\theta) 向上移动为 1。当 \theta 减少超过 \left(Z_{(n)}+Z_{(n-1)}\right) / 2 时，Z_{(n)}-\theta 从具有最小绝对值具有第二低的绝对值，并且 T_{SR} 变为 2 。Zj表示有序列表中位置处的值。随着变化的行为，可以用来表达对于。当减小超过时，具有最低绝对值向上移动到 1 。当减小超过时，则jZ(j)θ^Z(j)TSR(θ)θθ>Z(n),TSR(θ)=0θZ(n)Zi−θTSR(θ)θ(Z(n)+Z(n−1))/2Z(n)−θ从具有最小绝对值变为具有第二低绝对值，并且变为 2 。如果另一个观测值变为正值（在处）或如果最低偏移观测值的绝对值超过下一个观测值的绝对值（ left.Z_。TSRTSRZ(n−1)Z(n)+Z(n−2)/2) ## 统计代写|非参数统计代写Nonparametric Statistics代考|Confidence Intervals 置信区间也可以使用(1.16) 的设备来构建，类似于\S 2.3 .3 的单样本位置区间构造和\S 3.10 的两样本位置移位区间构造。令 \tilde{W}{j} 为有序沃尔什平均值。找到最大的 t{l} 使得 \mathrm{P}\left[T_{SR}<t_{l}\right]<\alpha / 2; 那么 t_{l} 是 Signed Rank 统计量分布的 \alpha / 2 分位数。使用 (5.3) 和 (5.4)，可以使用高斯近似值来近似临界值 t_{l} \approx n(n+1) / 2-z_{\alpha / 2} \sqrt{n(2 n+ 1)(n+1) / 24}; 请注意，此近似值使用有符号秩统计量的分布，只要对称性成立，它不依赖于基础数据的分布。回想一下，对于任何 \beta \in(0,1)，z_{\beta} 是标准高斯分布的 1-\beta 分位数；特别是，对于任何 \alpha \in(0,1)，z_{\alpha / 2} 都是正数，并且 z_{0.05 / 2}=1.96。通过对称性，\mathrm{P}\left[T_{SR} \geq t_{u}\right] \leq \alpha / 2 for t_{u}=n(n-1) / 2-t_{ l}+1 美元。(1.16)，类似于的两样本位置移位区间构造。令为有序沃尔什平均值。找到最大的使得 ; 那么是 Signed Rank 统计量分布的分位数。使用 (5.3) 和 (5.4)，可以使用高斯近似值来近似临界值§§2.3.3§§3.10W~jtlP[TSR<tl]<α/2tlα/2tl≈n(n+1)/2−zα/2n(2n+1)(n+1)/24; 请注意，此近似值使用有符号秩统计量的分布，只要对称性成立，它不依赖于基础数据的分布。回想一下是标准高斯分布的分位数，对于任何；特别是，对于任何都是正的，并且。根据对称性， for .zβ1−ββ∈(0,1)zα/2α∈(0,1)z0.05/2=1.96P[TSR≥tu]≤α/2tu=n(n−1)/2−tl+1 如上所述，T_{SR}(\theta) 每次 \theta 超过 Walsh 平均值时跳变一。因此置信区间为通过对称性，这个区间是 \left(\bar{W}{t{l}}, \bar{W}{t{u}}\right)。参见图 5.1。TSR(θ)每次超过 Walsh 平均值时跳跃 1。因此置信区间为。请参见图。θ (W~n(n−1)/2+1−tl,W~n(n−1)/2+1−tu) (W¯tl,W¯tu)5.1 统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。 ## 随机过程代考 在概率论概念中，随机过程随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。 ## 贝叶斯方法代考 贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。 ## 广义线性模型代考 广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。 statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。 ## 机器学习代写 随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。 ## 多元统计分析代考 基础数据: N 个样本， P 个变量数的单样本，组成的横列的数据表 变量定性: 分类和顺序；变量定量：数值 数学公式的角度分为: 因变量与自变量 ## 时间序列分析代写 随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。 ## 回归分析代写 多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。 ## MATLAB代写 MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Group Differences with Blocking 如果你也在 怎样代写非参数统计Nonparametric Statistics这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。 非参数统计Nonparametric Statistics指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。 statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。 我们提供的多元非参数统计Nonparametric Statistics及其相关学科的代写，服务范围广, 其中包括但不限于: • Statistical Inference 统计推断 • Statistical Computing 统计计算 • Advanced Probability Theory 高等楖率论 • Advanced Mathematical Statistics 高等数理统计学 • (Generalized) Linear Models 广义线性模型 • Statistical Machine Learning 统计机器学习 • Longitudinal Data Analysis 纵向数据 分析 • Foundations of Data Science 数据科学基础 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Gaussian Theory Approaches Techniques appropriate when observations are well-approximated by a Gaussian distribution are well-established. These are first reviewed to give a point of departure for nonparametric techniques, which are the focus of this volume. ## 统计代写|非参数统计代写Nonparametric Statistics代考|Paired Comparisons Suppose pairs of values \left(X_{i 1}, X_{i 2}\right) are observed on n subjects, indexed by i, and suppose further that \left(X_{i 1}, X_{i 2}\right) is independent of \left(X_{j 1}, X_{j 2}\right) for i, j \in {1, \ldots, n}, i \neq j, and that all of the vectors \left(X_{i 1}, X_{i 2}\right) have the same distribution. Under the assumption that the observations have a Gaussian distribution, one often calculates differences Z_{i}=X_{i 1}-X_{i 2}, and applies either the testing procedure of \S 2.1 .2, or the associated confidence interval procedure. Such a test is called a paired t-test. ## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Group Comparisons Suppose one observes independent random variable X_{k l i}, with k \in{1, \cdots, K}, l \in{1, \cdots, L}, and i \in\left{1, \cdots, M_{k l}\right}. Here index k represents treatment, and index l represents block. A test of equality of treatment means is desired, without an assumption about the effect of block. When these variables are Gaussian, and have equal variance, one can construct a statistic analogous to the F test (4.3), in which the numerator is a quadratic form in differences between the means specific to group, \bar{X}{k . .}=\sum{l=1}^{L} \sum_{i=1}^{M_{k l}} X_{k l i} / \sum_{l=1}^{L} n_{k l}, and the overall mean. Formulas are available for the statistic in closed form only 95 96 Group Differences with Blocking when the replicate numbers satisfy$$
M_{k l}=M_{k \cdot} M_{. l} / M_{. .}
$$for M_{k .}=\sum_{l=1}^{L} M_{k l}, M_{. l}=\sum_{k=1}^{K} M_{k l}, and M_{. .}=\sum_{k=1}^{K} \sum_{l=1}^{L} M_{k l}. ## 多元统计分析代写 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Gaussian Theory Approaches 当观测值被高斯分布很好地逼近时，适用的技术已经成熟。首先回顾这些，为非参数技术提供一个出发点，这是本卷的重点。 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Paired Comparisons 假设成对的值(X一世1,X一世2)观察到n主题，索引为一世，并进一步假设(X一世1,X一世2)独立于(Xj1,Xj2)为了一世,j∈ 1,…,n,一世≠j，并且所有的向量(X一世1,X一世2)具有相同的分布。在观测值具有高斯分布的假设下，人们经常计算差异和一世=X一世1−X一世2, 并应用以下任一测试程序§§2.1.2，或相关的置信区间过程。这样的测试称为配对吨-测试。 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Multiple Group Comparisons 假设观察独立随机变量X到一世一世， 和到∈1,⋯,到,一世∈1,⋯,一世， 和i \in\left{1, \cdots, M_{k l}\right}i \in\left{1, \cdots, M_{k l}\right}. 这里索引到代表治疗和指数一世代表块。需要对治疗手段的平等性进行测试，而不假设阻塞的影响。当这些变量是高斯的，并且具有相等的方差时，可以构造一个类似于F检验 (4.3)，其中分子是组特定均值之间差异的二次形式，X¯到..=∑一世=1一世∑一世=1米到一世X到一世一世/∑一世=1一世n到一世, 和总体均值。公式仅可用于封闭形式的统计量 95 96当重复数满足时， 组差与分块米到一世=米到⋅米.一世/米.. 为了米到.=∑一世=1一世米到一世,米.一世=∑到=1到米到一世， 和米..=∑到=1到∑一世=1一世米到一世. 统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。 ## 随机过程代考 在概率论概念中，随机过程随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。 ## 贝叶斯方法代考 贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。 ## 广义线性模型代考 广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。 statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。 ## 机器学习代写 随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。 ## 多元统计分析代考 基础数据: N 个样本， P 个变量数的单样本，组成的横列的数据表 变量定性: 分类和顺序；变量定量：数值 数学公式的角度分为: 因变量与自变量 ## 时间序列分析代写 随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。 ## 回归分析代写 多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。 ## MATLAB代写 MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Power of Tests for Unordered Alternatives 如果你也在 怎样代写非参数统计Nonparametric Statistics这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。 非参数统计Nonparametric Statistics指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。 statistics-lab™ 为您的留学生涯保驾护航 在代写非参数统计Nonparametric Statistics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写非参数统计Nonparametric Statistics代写方面经验极为丰富，各种代写非参数统计Nonparametric Statistics相关的作业也就用不着 说。 我们提供的多元非参数统计Nonparametric Statistics及其相关学科的代写，服务范围广, 其中包括但不限于: • Statistical Inference 统计推断 • Statistical Computing 统计计算 • Advanced Probability Theory 高等楖率论 • Advanced Mathematical Statistics 高等数理统计学 • (Generalized) Linear Models 广义线性模型 • Statistical Machine Learning 统计机器学习 • Longitudinal Data Analysis 纵向数据 分析 • Foundations of Data Science 数据科学基础 ## 统计代写|非参数统计代写Nonparametric Statistics代考|Power of Tests for Unordered Alternatives A much easier path to power involves analogy with (2.22): Approximate the alternative distribution using the null variance structure. This results in the non-central chi-square approximation using (1.4). Because the Mann-Whitney and Wilcoxon statistics differ only by an additive constant, the Kruskal-Wallis test may be re-expressed as$$
\left{\sum_{k=1}^{K}\left(T_{k}-M_{k}\left(N-M_{k}\right) \kappa^{\circ}\right)^{2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right] .
$$Here \kappa^{\circ}=1 / 2; this is the null value of \kappa_{k l}, and the null hypothesis specifies that this does not depend on k or l, and \psi=1 / \sqrt{12}, a multiplicative constant arising in the variance of the Mann-Whitney-Wilcoxon statistic. Many of the following equations follow from (4.25); furthermore, (4.25) also approximately describes other statistics to be considered later, and analogous consequences may be drawn for these statistics as well, with a different value for \psi. Hence the additional complication of leaving a variable in (4.25) whose value is known will be justified by using consequences of (4.25) later without deriving them again. Here,$$
T_{k}=\sum_{j=1}^{M_{k}} \sum_{l=1, l \neq k}^{K} \sum_{i=1}^{M_{1}} I\left(X_{k j}>X_{l i}\right),
$$the Mann-Whitney statistic for testing whether group k differs from all of the other groups, with all of the other groups collapsed. The variance matrix for rank sums comprising W_{H} is singular (that is, it does not have an inverse), and the argument justifying (1.4) relied on the presence of an inverse. The argument of \S 4.2 .2 calculated the appropriate quadratic form, dropping one of the categories to obtain an invertible variance matrix, and then showed that this quadratic form is the same as that generating t. The same argument shows that the appropriate non-centrality parameter is$$
\xi=\left{\sum_{k=1}^{K}\left(\mathrm{E}{A}\left[T{k}\right]-M_{k}\left(N-M_{k}\right)(1 / 2)\right)^{2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right],
$$## 统计代写|非参数统计代写Nonparametric Statistics代考|Ordered Alternatives where U_{i j} is the Mann-Whitney-Wilcoxon statistic for testing groups i vs. j. Reject the null hypothesis when J is large. This statistic may be expressed as \sum_{k=1}^{K} c_{k} \bar{R}{k}. plus a constant, for some c{k} satisfying (4.5); that is, J may be defined as a contrast of the rank means, and the approach of this subsection may be viewed as the analog of the parametric approach of \S 4.1 .1. Critical values for J can be calibrated using a Gaussian approximation. Under the null hypothesis, the expectation of J is$$
\mathrm{E}{0}[J]=\sum{i<j} M_{i} M_{j} / 2=N^{2} / 4-\sum_{i} M_{i}^{2} / 4
$$and the variance is$$
\operatorname{Var}{0}[J]=\frac{1}{12} \sum{i=2}^{K} \operatorname{Var}{0}\left[U{i}\right]=\frac{1}{12} \sum_{i=2}^{K} M_{i} m_{i-1}\left(m_{i}+1\right)
$$here U_{i} is the Mann-Whitney statistic for testing group i vs. all preceding groups combined, and m_{i}=\sum_{j=1}^{i} M_{j}. The second equality in (4.20) follows from independence of the values U_{i} (Terpstra, 1952). A simpler expression for this variance is$$
\operatorname{Var}{0}[J]=\frac{1}{72}\left[N(N+1)(2 N+1)-\sum{i=1}^{K} M_{i}\left(M_{i}+1\right)\left(2 M_{i}+1\right)\right] \text {. }
$$This test might be corrected for ties, and has certain other desirable properties (Terpstra, 1952). Jonckheere (1954), apparently independently, suggested a statistic that is twice J, centered to have zero expectation, and calculated the variance, skewness, and kurtosis. The resulting test is generally called the Jonckheere-Terpstra test. ## 统计代写|非参数统计代写Nonparametric Statistics代考|Ordered Alternatives Consider first the one-sided Jonckheere-Terpstra test of level \alpha. Let T_{J}= J / N^{2}. In this case, the subscript J represents a label, and not an index. Denote the critical value by t_{J}^{\circ}, satisfying \mathrm{P}{\theta^{\circ}}\left[T{J} \geq t_{J}^{\circ}\right]=1-\alpha. As in (4.23), reduce the alternative hypothesis to a single dimension by letting the alternative parameter vector be a fixed vector times a multiplier \Delta. The power function \varpi_{J, n}(\Delta)=\mathrm{P}{\theta^{A}}\left[T{J} \geq t_{J}^{0}\right] satisfies (2.15),(2.19), and (2.21), and hence the efficiency tools for one-dimensional hypotheses developed in \S 2.4 .2 may be used. Expressing \mu_{J}(\Delta) as a Taylor series with constant and linear terms,$$
\mu_{J}(\Delta) \approx \sum_{i=1}^{K-1} \sum_{j=i+1}^{K} \lambda_{i} \lambda_{j}\left(\kappa^{\circ}+\kappa^{\prime}\left[\theta_{j}^{A}-\theta_{i}^{A}\right]\right)
$$for \lambda_{i}=M_{i} / N, where again \kappa^{\circ} is the common value of \kappa_{j k} under the null hypothesis, and \kappa^{\prime} is the derivative of the probability in (3.25), as a function of the location shift between two groups, evaluated at the null hypothesis, and calculated for various examples in \S 3.8.2. Hence$$
\mu_{J}^{\prime}(0)=\sum_{i=1}^{K-1} \sum_{j=i+1}^{K} \lambda_{i} \lambda_{j} \kappa^{\prime}\left[\theta_{j}^{\dagger}-\theta_{i}^{\dagger}\right]
$$Recall that \kappa_{i j} depended on two group indices i and j only because the locations were potentially shifted relative to one another; the value \kappa^{\circ} and its derivative \kappa^{\prime} are evaluated at the null hypothesis of equality of distributions, and hence do not depend on the indices. Furthermore, from (4.21), \operatorname{Var}\left[T_{J}\right] \approx \frac{1}{36}\left[1-\sum_{k=1}^{K} \lambda_{k}^{3}\right] / N. Consider the simple case in which \lambda_{k}=1 / K for all k, and in which \theta_{j}^{\dagger}-\theta_{i}^{\dagger}=(j-i). Then \mu_{J}^{\prime}(0)=\kappa^{\prime}\left(K^{2}-1\right) / 6 K, \operatorname{Var}\left[T_{J}\right] \approx \frac{1}{36}\left[1-1 / K^{2}\right] / N, and$$
e_{J}=\kappa^{\prime} \frac{\left(K^{2}-1\right) / 6 K}{\sqrt{\frac{1}{36}\left[1-1 / K^{2}\right]}}=\frac{\kappa^{\prime}\left(K^{2}-1\right)}{\sqrt{K^{2}-1}}=\kappa^{\prime} \sqrt{K^{2}-1}


## 统计代写|非参数统计代写Nonparametric Statistics代考|Power of Tests for Unordered Alternatives

\left{\sum_{k=1}^{K}\left(T_{k}-M_{k}\left(N-M_{k}\right) \kappa^{\circ}\right)^{ 2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right] 。\left{\sum_{k=1}^{K}\left(T_{k}-M_{k}\left(N-M_{k}\right) \kappa^{\circ}\right)^{ 2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right] 。

\xi=\left{\sum_{k=1}^{K}\left(\mathrm{E}{A}\left[T{k}\right]-M_{k}\left(N-M_{ k}\right)(1 / 2)\right)^{2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right],\xi=\left{\sum_{k=1}^{K}\left(\mathrm{E}{A}\left[T{k}\right]-M_{k}\left(N-M_{ k}\right)(1 / 2)\right)^{2} / M_{k}\right} /\left[\psi^{2}(N+1) N\right],

## 统计代写|非参数统计代写Nonparametric Statistics代考|Ordered Alternatives

Jonckheere (1954) 显然独立地提出了一个统计量是两倍Ĵ，以零期望为中心，并计算方差、偏度和峰度。结果测试通常称为 Jonckheere-Terpstra 测试。

## 统计代写|非参数统计代写Nonparametric Statistics代考|Ordered Alternatives

μĴ(Δ)≈∑一世=1到−1∑j=一世+1到λ一世λj(ķ∘+ķ′[θj一种−θ一世一种])

μĴ′(0)=∑一世=1到−1∑j=一世+1到λ一世λjķ′[θj†−θ一世†]

## 广义线性模型代考

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

## MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。