Pertanyaan yang diberi tag «joint-distribution»

Distribusi probabilitas gabungan dari beberapa variabel acak memberikan probabilitas bahwa semuanya secara bersamaan berada di wilayah tertentu.


1
Batas atas untuk kepadatan kopula?
The Fréchet-Hoeffding atas terikat berlaku untuk fungsi distribusi kerja penghubung dan diberikan oleh C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. Apakah ada kesamaan (dalam arti bahwa itu tergantung pada kepadatan marginal) batas atas untuk kepadatan kopula daripada CDF?c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) Referensi apa pun akan sangat dihargai.


3
Estimator kemungkinan maksimum dari distribusi gabungan yang diberikan hanya jumlah marginal
Biarkan menjadi distribusi gabungan dari dua variabel kategori , dengan . Katakanlah sampel diambil dari distribusi ini, tetapi kami hanya diberi jumlah marginal, yaitu untuk : X , Y x , y ∈ { 1 , ... , K } n j = 1 , ... , Kpx,ypx,yp_{x,y}X,YX,YX,Yx,y∈{1,…,K}x,y∈{1,…,K}x,y\in\{1,\ldots,K\}nnnj=1,…,Kj=1,…,Kj=1,\ldots,K Sj=∑i=1nδ(Xi=l),Tj=∑i=1nδ(Yi=j),Sj=∑i=1nδ(Xi=l),Tj=∑i=1nδ(Yi=j), S_j …



2
Apakah Multivariate Central Limit Theorem (CLT) berlaku ketika variabel menunjukkan ketergantungan kontemporer sempurna?
Xi∽iidN(0,1)Xi∽iidN(0,1)X_i \overset{iid}{\backsim} \mathcal{N}(0, 1)i=1,...,ni=1,...,ni = 1, ..., nSn=1n∑i=1nXiSn=1n∑i=1nXi\begin{equation} S_n = \frac{1}{n} \sum_{i=1}^n X_i \end{equation}Tn=1n∑i=1n(X2i−1)Tn=1n∑i=1n(Xi2−1)\begin{equation} T_n = \frac{1}{n} \sum_{i=1}^n (X_i^2 - 1) \end{equation} SnSnS_nTnTnT_nn=1n=1n = 1n−−√SnnSn\sqrt{n} S_nn−−√TnnTn\sqrt{n} T_nn→∞n→∞n \rightarrow \infty Motivasi: Motivasi saya untuk pertanyaan ini berasal dari kenyataan bahwa rasanya aneh (tapi luar biasa) bahwa dan sangat tergantung ketika , …

1
Bagaimana cara membandingkan acara yang diamati dengan yang diharapkan?
Misalkan saya punya satu sampel frekuensi dari 4 peristiwa yang mungkin: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 dan saya memiliki probabilitas yang diharapkan dari peristiwa saya terjadi: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Dengan jumlah frekuensi yang diamati …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

1
Jarak antar variabel acak diskrit seragam
Misalkan menjadi iid diskrit variabel seragam seragam pada (0,1) dan statistik pesanannya adalah .U1, ... ,UnU1,...,UnU_1, \ldots, U_nnnnU( 1 ), ... ,U( n )U(1),...,U(n)U_{(1)}, \ldots, U_{(n)} Tentukan untuk dengan .Dsaya=U( i )-U( saya - 1 )Dsaya=U(saya)-U(saya-1)D_i=U_{(i)}-U_{(i-1)}i = 1 , … , nsaya=1,...,ni=1, \ldots, nU0= 0U0=0U_0=0 Saya mencoba mencari tahu distribusi …

1
Apakah distribusi entropi maksimum konsisten dengan distribusi marjinal yang diberikan distribusi produk dari marjinal?
Umumnya ada banyak distribusi gabungan konsisten dengan set distribusi marginal yang diketahui .P(X1=x1,X2=x2,...,Xn=xn)P(X1=x1,X2=x2,...,Xn=xn)P(X_1 = x_1, X_2 = x_2, ..., X_n = x_n)fi(xi)=P(Xi=xi)fi(xi)=P(Xi=xi)f_i(x_i) = P(X_i = x_i) Dari distribusi gabungan ini, apakah produk dibentuk dengan mengambil produk dari marginal yang dengan entropi tertinggi?∏ifi(xi)∏ifi(xi)\prod_i f_i(x_i) Saya yakin ini benar, tetapi saya sangat …

1
Pemecahan sampel secara analitik dengan atau tanpa penggantian setelah Poisson / Binomial negatif
Versi pendek Saya mencoba untuk secara analitis menyelesaikan / memperkirakan kemungkinan gabungan yang dihasilkan dari Poisson independen menarik dan pengambilan sampel lebih lanjut dengan atau tanpa penggantian (saya tidak benar-benar peduli yang mana). Saya ingin menggunakan kemungkinan dengan MCMC (Stan), jadi saya perlu solusinya hanya sampai jangka waktu yang konstan. …

2
Statistik Kemandirian dan Ketertiban
Saya memiliki masalah, yang tidak dapat saya lanjutkan. Bisakah seseorang membantu saya memulai? Y1&lt;Y2&lt;Y3Y1&lt;Y2&lt;Y3Y_1<Y_2<Y_3 : Statistik pesanan ukuran 3 dari distribusi yang memiliki pdf Juga, tentukan Tugasnya adalah untuk menghitung pdf gabungan dari .f(x)=2x 0&lt;x&lt;1f(x)=2x 0&lt;x&lt;1 f(x)=2x\ \ \ 0<x<1U1=Y1Y2 and U2=Y2Y3U1=Y1Y2 and U2=Y2Y3U_1={Y_1\over Y_2} \ \ \text{and }\ \ …


1
X, Y variabel acak univariat dengan
Membiarkan X:Ω→RX:Ω→RX:\Omega\to\mathbb{R} dan Y:Ω→RY:Ω→RY:\Omega\to\mathbb{R} menjadi variabel acak univariat dengan CDF FX,Y(x,y)FX,Y(x,y)F_{X,Y}(x,y) seperti yang: FX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×RFX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×R F_{X,Y}(x,y)=G_1(x)G_2(y),\forall (x,y)\in\mathbb{R}\times\mathbb{R} dimana G1:R→RG1:R→RG_1:\mathbb{R}\to\mathbb{R}, G2:R→RG2:R→RG_2:\mathbb{R}\to\mathbb{R} dikenal fungsinya. Pertanyaan : Benarkah ituXXX dan YYY Apakah RV independen? Adakah yang bisa memberi saya beberapa petunjuk? Saya mencoba untuk: FX(x)=limy→∞FX,Y(x,y)=limy→∞G1(x)G2(y)=G1(x)⋅limy→∞G2(y)FX(x)=limy→∞FX,Y(x,y)=limy→∞G1(x)G2(y)=G1(x)⋅limy→∞G2(y) F_X(x)=\lim_{y\to\infty}F_{X,Y}(x,y)=\lim_{y\to\infty}G_1(x)G_2(y)=G_1(x)\cdot\lim_{y\to\infty}G_2(y) tapi saya tidak tahu mengapa (atau jika) .limy→∞G2(y)=1limy→∞G2(y)=1\lim_{y\to\infty}G_2(y)=1

1
Jarak mahalanobis pada data tidak normal
Jarak mahalanobis, ketika digunakan untuk tujuan klasifikasi, biasanya mengasumsikan distribusi normal multivariat, dan jarak dari centroid kemudian harus mengikuti (dengan derajat kebebasan sama dengan jumlah dimensi / fitur). Kita dapat menghitung probabilitas bahwa titik data baru milik set menggunakan jarak Mahalanobis-nya.χ2χ2\chi^2ddd Saya memiliki kumpulan data yang tidak mengikuti distribusi normal …

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.