Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Siempre buen Turing: estimación de probabilidad asintóticamente óptima.

Alon Orlitsky1, Narayana P Santhanam, Junan Zhang

  • 1Department of Electrical and Computer Engineering, University of California, San Diego, La Jolla, CA 92093, USA. alon@ucsd.edu

Science (New York, N.Y.)
|October 18, 2003
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

3d Transition metal and nitrogen co-doped graphene: first-principles study of electronic structure and optical properties.

Physical chemistry chemical physics : PCCP·2026
Same author

Artificial Intelligence Enhanced Electrocardiogram Analysis for Age and Sex Classification in Youth.

Pediatric cardiology·2026
Same author

Artificial Intelligence Enhanced Electrocardiogram Analysis for Age and Sex Classification in Youth.

Research square·2025
Same author

Inflammasomes: potential therapeutic targets in hematopoietic stem cell transplantation.

Cell communication and signaling : CCS·2024
Same author

A review of lactate-lactylation in malignancy: its potential in immunotherapy.

Frontiers in immunology·2024
Same author

Work Function Prediction by Graph Neural Networks for Configurationally Hybridized Boron-Doped Graphene.

Langmuir : the ACS journal of surfaces and colloids·2024
Same journal

Erratum for the Research Article "Detecting supramolecular organic nanoparticles during heat wave".

Science (New York, N.Y.)·2026
Same journal

Local signals, systemic decline.

Science (New York, N.Y.)·2026
Same journal

The mechanics of liver regeneration.

Science (New York, N.Y.)·2026
Same journal

Computing in a memory with physics.

Science (New York, N.Y.)·2026
Same journal

Retraction.

Science (New York, N.Y.)·2026
Same journal

Making time.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Los investigadores analizaron los estimadores de probabilidad, encontrando que el estimador de Good-Turing tiene baja atenuación. Se desarrolló un nuevo estimador con una atenuación de 1, asegurando que no subestime las probabilidades de secuencia.

Área de la Ciencia:

  • Estadísticas Estadísticas Las estadísticas.
  • Teoría de la información La teoría de la información es la teoría de la información.
  • Ciencias de la computación Ciencias de la computación

Sus antecedentes:

  • El estimador de Good-Turing, desarrollado durante el descifrado del código Enigma, es un método clave para la estimación de probabilidades a partir de muestras de datos.
  • Comprender las limitaciones de los estimadores de probabilidad es crucial para un análisis preciso de los datos y las asignaciones de probabilidad de secuencia.

Objetivo del estudio:

  • Para definir y analizar la atenuación de los estimadores de probabilidad.
  • Para comparar la atenuación de estimadores comunes, incluido el estimador de Good-Turing.
  • Desarrollar un nuevo estimador con una atenuación mínima.

Principales métodos:

  • Definir la atenuación como la relación máxima de probabilidades asignadas por cualquier distribución frente al estimador.

Videos de Experimentos Relacionados

  • Evaluar la atenuación de los estimadores comunes existentes.
  • Derivar un nuevo estimador de probabilidad con una propiedad de atenuación específica.

    • Principales resultados:

    • Algunos estimadores de probabilidad comunes exhiben una atenuación infinita.
    • El estimador de Good-Turing demuestra una atenuación baja, pero mayor que 1.
    • Se derivó con éxito un nuevo estimador con una atenuación de 1.

    Conclusiones:

    • El estimador recién derivado evita asintóticamente subestimar las probabilidades de secuencia.
    • Este nuevo estimador ofrece mejores garantías teóricas en comparación con los métodos existentes.
    • El concepto de atenuación proporciona una métrica valiosa para evaluar los estimadores de probabilidad.