What is the translation of " STATISTICAL INFERENCE " in Ukrainian?

• статистичний висновок
• статистичне висновування
• статистичному висновуванні
• статистичного висновування

Examples of using Statistical inference in English and their translations into Ukrainian

Statistical inference.
Статистичний висновок.

Different schools of statistical inference have become established.
Було засновано різні школи статистичного висновування.

In statistics, prediction is a part of statistical inference.
У статистиці передбачення є частиною статистичного висновування.

Applied statistical inference.
Прикладні статистичні висновки.

Table 2: Potential risks and remedies in ABC-based statistical inference.
Таблиця 2: Потенціальні ризики та пастки в статистичному висновуванні на основі ПБО.

Basic statistical inference and measures of uncertainty and irregular cardinality.
Базовий статистичний висновок і міри невизначеності та нерегулярності.

In sociology, it is particularly important for sampling procedures and statistical inference.
У соціології вона особливо важлива для вибіркових методів і статистичного висновку.

To do statistical inference, we would first need to assume some probability distributions for the εi.
Щоб зробити статистичний висновок, спочатку потрібно прийняти деякі імовірнісні розподілу для ε i.

Incorrect assumptions of'simple' random sampling can invalidate statistical inference.
Неправильні припущення про«простий» випадковий відбір[en] можуть зробити статистичне висновування нечинним.

Statistical inference from randomized studies is also more straightforward than many other situations.
Статистичне висновування із рандомізованих досліджень є також простішим і в багатьох інших ситуаціях.

In this way, ABC methods widen the realm of models for which statistical inference can be considered.
Таким чином, методи ПБО розширюють сферу моделей, для яких може розглядатися статистичне висновування.

Likelihood functions play a key role in statistical inference, especially methods of estimating a parameter from a set of statistics.
Функції правдоподібності відіграють ключову роль у статистичному висновуванні, особливо в методах оцінювання параметру на підставі набору статистик.

The Emergence of Probability: A Philosophical Study of Early Ideas about Probability, Induction and Statistical Inference.
Поява ймовірностей: філософське вивчення ранніх уявлень про ймовірності, індукції та статистичні висновки.

Fisher argues against inverse probability as a basis for statistical inferences, and instead proposes inferences based on likelihood functions.
Фішер виступає проти зворотної ймовірності[en] як основи для статистичних висновувань, і натомість пропонує висновування на основі функцій правдоподібності.

In this setting, the only relevant power pertains to the single quantity that will undergo formal statistical inference.
В цих умовах, тільки відповідні потужності відносяться до єдиної величини, яка буде проходити формальний статистичний висновок.

In later editions, Fisher explicitly contrasted the use of the p-value for statistical inference in science with the Neyman- Pearson method, which he terms"Acceptance Procedures".
У більш пізних виданнях Фішер явно контрастує використання р-значення для статистичних висновків науки з методом Неймана-Пірсона, який він визначає як«приймальні процедури».

Sampling distributions are important in statistics because they provide a major simplification en route to statistical inference.
Вибіркові розподіли є важливими у статистиці, оскільки вони забезпечують значне спрощення на шляху до статистичного висновування.

This is a risk, not only in hypothesis testing but in all statistical inference as it is often problematic to accurately describe the process that has been followed in searching and discarding data.
Це ризик не тільки для перевірки гіпотез, але й для всіх статистичних висновувань, оскільки часто буває проблематично точно описати процес пошуку та відкидання даних.

The general ARMA model was described in the 1951 thesis of Peter Whittle, who used mathematical analysis(Laurent series and Fourier analysis) and statistical inference.
Загальну модель АРКС було описано 1951 року в дисертації Пітера Уіттла[en], який використовував математичний аналіз(ряд Лорана та аналіз Фур'є) та статистичне висновування.

Those who promote Bayesian inference view""frequentist statistics"" as an approach to statistical inference that recognises only physical probabilities.
Ті, хто пропагує Байєсовський висновок розглядають слово«частотний», як підхід до статистичного висновок, що визнає тільки фізичні ймовірності.

In Bayesian statistical inference, a prior probability distribution, often called simply the prior, of an uncertain quantity is the probability distribution p that would express one's beliefs about this quantity before some evidence is taken into account.
У баєсовому статистичному висновуванні апріо́рний розпо́діл ймові́рності(англ. prior probability distribution), що часто називають просто апріо́рне(англ. prior), деякої невизначеної кількості- це розподіл ймовірності p, що виражатиме чиєсь переконання про цю кількість перед врахуванням якогось свідчення.

(3) take a weighted average of the first two models, with weights proportional to 1 and 0.368, respectively, and then do statistical inference based on the weighted multimodel.[6].
(3) взяти зважене середнє перших двох моделей з ваговими коефіцієнтами 1 та 0. 368 відповідно, і потім здійснювати статистичне висновування на основі зваженої мультимоделі.[4].

Statistical theory Apart from philosophical considerations about how to make statistical inferences and decisions, much of statistical theory consists of mathematical statistics, and is closely linked to probability theory, to utility theory, and to optimization.
Окрім філософських міркувань про те, як робити статистичні висновки та рішення, вагома частина відомостей із теорії статистики складається з математичної статистики, а також є тісно пов'язаною з теорією ймовірності, теорією корисності на оптимізації.

There are theoretical justifications(based on the VC dimension) as to why maximizing the margin(under some suitable constraints) may be beneficial for machine learning and statistical inferences algorithms.
Є теоретичні обґрунтування(засновані на ВЧ-розмірності) щодо того, чому максимізація розділення(за деяких відповідних обмежень) може бути корисною для алгоритмів машинного навчання та статистичних висновків.

The historical sequence: probability concepts were introduced and much of probability mathematics derived(prior to the 20th century), classical statistical inference methods were developed, the mathematical foundations of probability were solidified and current terminology was introduced(all in the 20th century).
Історична послідовність: були представлені концепції ймовірності та велика кількість була виведена математиками( до 20-го століття), були розроблені класичні методи статистичного виведення, затверджені математичні основи ймовірності і була введена поточна термінологія(вся в 20-му столітті).

In all model-based statistical inference, the likelihood function is of central importance, since it expresses the probability of the observed data under a particular statistical model, and thus quantifies the support data lend to particular values of parameters and to choices among different models.
В усіх методах статистичного висновування на основі моделей центральне значення має функція правдоподібності, оскільки вона виражає ймовірність спостережуваних даних згідно певної статистичної моделі, і таким чином кількісно оцінює дані, що підтримують певні значення параметрів та обирання серед різних моделей.

Such a task may involve(i) registration of the training examples to a common pose,(ii) probabilistic representation of the variation of the registered samples, and(iii) statistical inference between the model and the image.
Таке завдання включає в себе(i) приведення тренувальних прикладів до загального положення,(ii) ймовірнісне представлення змін наведених зразків і(iii) статистичний висновок для моделі і зображення.

We then have three options:(1) gather more data, in the hope that this will allow clearly distinguishing between the first two models;(2) simply conclude that the data is insufficient to support selecting one model from among the first two;(3) take a weighted average of the first two models, with weights proportional to 1 and 0.368, respectively, and then do statistical inference based on the weighted multimodel.
Тоді ми матимемо три варіанти:(1) зібрати більше даних у надії, що це дозволить здійснити чітке розрізнення між першими двома моделями;(2) просто зробити висновок, що дані є недостатніми для підтримки вибору моделі з-поміж цих двох;(3) взяти зважене середнє перших двох моделей з ваговими коефіцієнтами 1 та 0. 368 відповідно, і потім здійснювати статистичне висновування на основі зваженої мультимоделі.

While the idea of using simulation for hypothesis testing was not new, Diggle and Gratton seemingly introduced the first procedure using simulation to do statistical inference under a circumstance where the likelihood is intractable.
І хоча ідея використання симуляцій для перевірки гіпотез не була новою, Дігл та Греттон, очевидно, запропонували першу процедуру використання симуляції для здійснення статистичного висновування за умов, коли правдоподібність є непіддатливою.