Pertanyaan yang diberi tag «lognormal»

Distribusi lognormal adalah distribusi variabel acak yang logaritma-nya memiliki distribusi normal.

3
Model linier dengan respons log-transformasi vs. model linier umum dengan tautan log
Dalam tulisan ini berjudul "MEMILIH ANTARA MODEL LINEAR UMUM YANG DITERAPKAN UNTUK DATA MEDIS" para penulis menulis: Dalam model linier umum, rata-rata ditransformasikan, oleh fungsi tautan, alih-alih mengubah respons itu sendiri. Dua metode transformasi dapat menghasilkan hasil yang sangat berbeda; misalnya, rata-rata respons yang ditransformasi-log tidak sama dengan logaritma dari …


2
Distribusi gamma vs. lognormal
Saya memiliki distribusi yang diamati secara eksperimental yang terlihat sangat mirip dengan gamma atau distribusi lognormal. Saya telah membaca bahwa distribusi lognormal adalah distribusi probabilitas entropi maksimum untuk varian acak yang rerata dan varians dari tetap. Apakah distribusi gamma memiliki sifat serupa?ln ( X )XXXln(X)ln⁡(X)\ln(X)

2
Bias penaksir momen dari distribusi lognormal
Saya melakukan beberapa percobaan numerik yang terdiri dari pengambilan sampel distribusi lognormal X∼LN(μ,σ)X∼LN(μ,σ)X\sim\mathcal{LN}(\mu, \sigma) , dan mencoba memperkirakan momen dengan dua metode:E[Xn]E[Xn]\mathbb{E}[X^n] Melihat rata-rata sampelXnXnX^n Memperkirakan dan dengan menggunakan mean sampel untuk , dan kemudian menggunakan fakta bahwa untuk distribusi lognormal, kita memiliki .σ 2μμ\muσ2σ2\sigma^2E [ X n ] = …


4
Menafsirkan perbedaan antara distribusi hukum lognormal dan kekuasaan (distribusi tingkat jaringan)
Pertama, saya bukan ahli statistik. Namun, saya telah melakukan analisis jaringan statistik untuk PhD saya. Sebagai bagian dari analisis jaringan, saya merencanakan Fungsi Distribusi Kumulatif Pelengkap (CCDF) dari derajat jaringan. Apa yang saya temukan adalah bahwa, tidak seperti distribusi jaringan konvensional (mis. WWW), distribusi paling baik dipasang oleh distribusi lognormal. …



4
Apa sebenarnya momen itu? Bagaimana mereka diturunkan?
Kami biasanya diperkenalkan dengan metode penduga momen dengan "menyamakan momen populasi dengan sampel pendampingnya" hingga kami memperkirakan semua parameter populasi; sehingga, dalam kasus distribusi normal, kita hanya perlu momen pertama dan kedua karena mereka sepenuhnya menggambarkan distribusi ini. E(X)=μ⟹∑ni=1Xi/n=X¯E(X)=μ⟹∑i=1nXi/n=X¯E(X) = \mu \implies \sum_{i=1}^n X_i/n = \bar{X} E( X2) = μ2+ …

3
Bagaimana cara menghitung interval kepercayaan untuk rata-rata kumpulan data log-normal?
Saya pernah mendengar / melihat di beberapa tempat bahwa Anda dapat mengubah set data menjadi sesuatu yang terdistribusi normal dengan mengambil logaritma masing-masing sampel, menghitung interval kepercayaan untuk data yang diubah, dan mengubah interval kepercayaan kembali menggunakan operasi terbalik (mis. naikkan 10 pangkat masing-masing untuk batas bawah dan atas, untuk …

2
Apakah transformasi log merupakan teknik yang valid untuk menguji-t data yang tidak normal?
Dalam meninjau sebuah makalah, penulis menyatakan, "Variabel hasil kontinyu yang menunjukkan distribusi miring diubah, menggunakan logaritma alami, sebelum uji t dilakukan untuk memenuhi asumsi prasyarat normalitas." Apakah ini cara yang dapat diterima untuk menganalisis data yang tidak normal, terutama jika distribusi yang mendasarinya tidak selalu lognormal? Ini mungkin pertanyaan yang …

5
Bagaimana menentukan distribusi lognormal dalam argumen keluarga GLM di R?
Pertanyaan sederhana: Bagaimana cara menentukan distribusi lognormal dalam argumen keluarga GLM di R? Saya tidak dapat menemukan bagaimana ini dapat dicapai. Mengapa lognormal (atau eksponensial) bukan opsi dalam argumen keluarga? Di suatu tempat di R-Archives saya membaca bahwa seseorang hanya harus menggunakan log-link untuk keluarga yang diatur ke gaussian di …


1
Korelasi variabel acak log-normal
Diberikan X1X1X_1 dan X2X2X_2 variabel acak normal dengan koefisien korelasi ρρ\rho , bagaimana cara menemukan korelasi antara mengikuti variabel acak lognormal berikut Y1Y1Y_1 dan Y2Y2Y_2 ? Y1=a1exp(μ1T+T−−√X1)Y1=a1exp⁡(μ1T+TX1)Y_1 = a_1 \exp(\mu_1 T + \sqrt{T}X_1) Y2=a2exp(μ2T+T−−√X2)Y2=a2exp⁡(μ2T+TX2)Y_2 = a_2 \exp(\mu_2 T + \sqrt{T}X_2) Sekarang, jika dan X 2 = σ 1 Z 2 …


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.