Pertanyaan yang diberi tag «normal-distribution»

Distribusi normal, atau Gaussian, memiliki fungsi kepadatan yang merupakan kurva berbentuk lonceng simetris. Ini adalah salah satu distribusi paling penting dalam statistik. Gunakan tag [normalitas] untuk bertanya tentang pengujian normalitas.


1
R / mgcv: Mengapa produk tensor () dan ti () menghasilkan permukaan yang berbeda?
The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 



2
Varians maksimum variabel acak Gaussian
Diberikan variabel acak X1,X2,⋯,XnX1,X2,⋯,XnX_1,X_2, \cdots, X_n sampel iid dari ∼N(0,σ2)∼N(0,σ2)\sim \mathcal{N}(0, \sigma^2), tentukan Z=maxi∈{1,2,⋯,n}XiZ=maxi∈{1,2,⋯,n}XiZ = \max_{i \in \{1,2,\cdots, n \}} X_i Kami memilikinya E[Z]≤σ2logn−−−−−√E[Z]≤σ2log⁡n\mathbb{E}[Z] \le \sigma \sqrt{2 \log n} . Saya bertanya-tanya apakah ada batas atas / bawah pada Var(Z)Var(Z)\text{Var}(Z) ?

3
Mengapa kita memperkirakan rata-rata menggunakan MLE ketika kita sudah tahu bahwa rata-rata adalah data?
Saya telah menemukan masalah dalam buku teks untuk memperkirakan rata-rata. Masalah buku teks adalah sebagai berikut: Asumsikan bahwa NNNtitik data, , ,. . . , , telah dihasilkan oleh pdf Gaussian satu dimensi dengan mean yang tidak diketahui, tetapi dari varian yang diketahui. Turunkan estimasi ML rata-rata.x1x1x_1x2x2x_2xNxNx_N Pertanyaan saya adalah, …

2
Transformasi linear dari vektor gaussian normal
Saya menghadapi kesulitan dalam membuktikan pernyataan berikut. Itu diberikan dalam makalah penelitian yang ditemukan di Google. Saya butuh bantuan untuk membuktikan pernyataan ini! Misalkan , di mana adalah matriks ortogonal dan adalah gaussian. Perilaku isotop Gaussian yang memiliki distribusi yang sama dalam basis ortonormal.A S SX= A SX=ASX= ASSEBUAHAASSSSSS Bagaimana …

2
Berapa probabilitas yang diberikan ?
Misalkan XXX dan YYY adalah bivariat normal dengan rata-rata μ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2) dan kovarian Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix} . Berapa probabilitas Pr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right) ?

1
Tentang keberadaan UMVUE dan pilihan penaksir
Mari menjadi sampel acak yang diambil dari N ( θ , θ 2 ) populasi di mana θ ∈ R .(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R Saya mencari UMVUE dari .θθ\theta Densitas sambungan adalah(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1,x2,⋯,xn)=∏i=1n1θ2π−−√exp[−12θ2(xi−θ)2]=1(θ2π−−√)nexp[−12θ2∑i=1n(xi−θ)2]=1(θ2π−−√)nexp[1θ∑i=1nxi−12θ2∑i=1nx2i−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈Rfθ(x1,x2,⋯,xn)=∏saya=1n1θ2πexp⁡[-12θ2(xsaya-θ)2]=1(θ2π)nexp⁡[-12θ2∑saya=1n(xsaya-θ)2]=1(θ2π)nexp⁡[1θ∑saya=1nxsaya-12θ2∑saya=1nxsaya2-n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} , dengan danh(x)=1.g(θ,T(x))=1(θ2π√)nexp[1θ∑ni=1xi−12θ2∑ni=1x2i−n2]g(θ,T(x))=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]g(\theta, T(\mathbf x))=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right]h(x)=1h(x)=1h(\mathbf x)=1 Di …

2
Harapan
Biarkan X1X1X_1 , X2X2X_2 , ⋯⋯\cdots , Xd∼N(0,1)Xd∼N(0,1)X_d \sim \mathcal{N}(0, 1) dan menjadi independen. Apa harapan X41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} ? Mudah untuk menemukan E(X21X21+⋯+X2d)=1dE(X12X12+⋯+Xd2)=1d\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d} oleh simetri. Tapi saya tidak tahu bagaimana menemukan harapanX41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} . Bisakah Anda memberikan beberapa …

3
Haruskah fungsi delta Dirac dianggap sebagai subkelas dari distribusi Gaussian?
Dalam Wikidata adalah mungkin untuk menautkan distribusi probabilitas (seperti yang lainnya) dalam ontologi, misalnya, bahwa distribusi-t adalah subkelas dari distribusi-t noncentral, lihat, misalnya, https://angryloki.github.io/wikidata-graph-builder/?property=P279&amp;item=Q209675&amp;iterations=3&amp;limit=3 Ada berbagai kasus pembatas, misalnya, ketika derajat kebebasan dalam distribusi-t pergi hingga tak terbatas atau ketika varians mendekati nol untuk distribusi normal (distribusi Gaussian). Dalam kasus …



4
Apakah ini benar ? (Menghasilkan Gaussian Terpotong-norma-multivarian)
Jika X∈Rn, X∼N(0–,σ2I)X∈Rn, X∼N(0_,σ2I)X\in\mathbb{R}^n,~X\sim \mathcal{N}(\underline{0},\sigma^2\mathbf{I}) yaitu, fX( x)=1(2πσ2)n / 2exp( - | | x ||22σ2)fX(x)=1(2πσ2)n/2exp⁡(-||x||22σ2) f_X(x) = \frac{1}{{(2\pi\sigma^2)}^{n/2}} \exp\left(-\frac{||x||^2}{2\sigma^2}\right) Saya ingin versi analog dari distribusi terpotong-normal dalam kasus multivarian. Lebih tepatnya, saya ingin menghasilkan norma-dibatasi (untuk nilai ≥ a≥Sebuah\geq a ) multivariat Gaussian YYY st fY( y)={c.fX(y), if ||y||≥a0, otherwise …


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.