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.






3
Komposisi Cholesky versus eigend untuk menggambar sampel dari distribusi normal multivariat
Saya ingin menggambar sampel . Wikipedia menyarankan untuk menggunakan komposisi Cholesky atau Eigend , yaitu atau x∼N(0,Σ)x∼N(0,Σ)\mathbf{x} \sim N\left(\mathbf{0}, \mathbf{\Sigma} \right)Σ=D1DT1Σ=D1D1T \mathbf{\Sigma} = \mathbf{D}_1\mathbf{D}_1^T Σ = QΛQTΣ=QΛQT \mathbf{\Sigma} = \mathbf{Q}\mathbf{\Lambda}\mathbf{Q}^T Dan karenanya sampel dapat diambil melalui: atau mana x =D1vx=D1v \mathbf{x} = \mathbf{D}_1 \mathbf{v} x = Q Λ--√vx=QΛv \mathbf{x} = …

1
Bagaimana cara mensimulasikan dari Gaussian copula?
Misalkan saya memiliki dua distribusi marginal univariat, katakanlah dan G , yang dapat saya simulasikan. Sekarang, buat distribusi bersama mereka menggunakan Gaussian copula , dilambangkan C ( F , G ; Σ ) . Semua parameter diketahui.FFFGGGC(F,G;Σ)C(F,G;Σ)C(F,G;\Sigma) Apakah ada metode non-MCMC untuk mensimulasikan dari copula ini?

1
Penjelasan intuitif tentang kontribusi terhadap jumlah dari dua variabel acak yang terdistribusi normal
Jika saya memiliki dua variabel acak bebas terdistribusi normal XXX dan YYY dengan rata-rata μXμX\mu_X dan μYμY\mu_Y dan standar deviasi σXσX\sigma_X dan σYσY\sigma_Y dan saya menemukan bahwa X+Y=cX+Y=cX+Y=c , maka (dengan asumsi saya tidak membuat kesalahan) distribusi kondisional dari XXX dan YYY diberikan ccc juga terdistribusi normal dengan sarana μY| …

5
Membandingkan varian pengamatan berpasangan
Saya memiliki pengamatan berpasangan ( , ) diambil dari distribusi yang tidak diketahui umum, yang memiliki momen pertama dan kedua terbatas, dan simetris di sekitar mean.NNNXiXiX_iYiYiY_i Biarkan deviasi standar (tanpa syarat pada ), dan sama untuk Y. Saya ingin menguji hipotesis σXσX\sigma_XXXXYYYσYσY\sigma_Y H0H0H_0 :σX=σYσX=σY\sigma_X = \sigma_Y H1H1H_1 :σX≠σYσX≠σY\sigma_X \neq \sigma_Y …

5
Bagaimana distribusi sampel dari sampel berarti perkiraan populasi?
Saya mencoba mempelajari statistik karena saya menemukan itu sangat lazim sehingga melarang saya belajar beberapa hal jika saya tidak memahaminya dengan benar. Saya mengalami kesulitan memahami gagasan tentang distribusi sampling dari rata-rata sampel. Saya tidak dapat memahami cara beberapa buku dan situs menjelaskannya. Saya pikir saya memiliki pemahaman tetapi tidak …

5
Perkiraan kesalahan interval kepercayaan untuk mean ketika
Misalkan menjadi keluarga variabel acak iid yang mengambil nilai dalam [ 0 , 1 ] , memiliki mean μ dan varians σ 2 . Interval kepercayaan sederhana untuk rata-rata, menggunakan σ kapan pun diketahui, diberikan oleh P ( | ˉ X - μ | > ε ) ≤ σ 2{Xi}ni=1{Xi}i=1n\{X_i\}_{i=1}^n[0,1][0,1][0,1]μμ\muσ2σ2\sigma^2σσ\sigmaP(|X¯−μ|>ε)≤σ2nε2≤1nε2(1).P(|X¯−μ|>ε)≤σ2nε2≤1nε2(1). …

1
Keuntungan Box-Muller dibandingkan metode CDF terbalik untuk mensimulasikan distribusi Normal?
Untuk mensimulasikan distribusi normal dari satu set variabel seragam, ada beberapa teknik: Algoritma Box-Muller , di mana satu sampel dua varian seragam independen pada dan mengubahnya menjadi dua distribusi normal standar independen melalui: Z 0 = √(0,1)(0,1)(0,1)Z0=−2lnU1−−−−−−√cos(2πU0)Z1=−2lnU1−−−−−−√sin(2πU0)Z0=−2lnU1cos(2πU0)Z1=−2lnU1sin(2πU0) Z_0 = \sqrt{-2\text{ln}U_1}\text{cos}(2\pi U_0)\\ Z_1 = \sqrt{-2\text{ln}U_1}\text{sin}(2\pi U_0) metode CDF , di mana …

2
Mensimulasikan undian dari Distribusi Seragam menggunakan undian dari Distribusi Normal
Saya baru-baru ini membeli sumber data wawancara sains di mana salah satu pertanyaan probabilitas adalah sebagai berikut: Diberikan draw dari distribusi normal dengan parameter yang diketahui, bagaimana Anda bisa mensimulasikan draw dari distribusi yang seragam? Proses pemikiran asli saya adalah bahwa, untuk variabel acak diskrit, kita dapat memecah distribusi normal …


1
Apa intuisi di balik sampel yang dapat ditukar di bawah hipotesis nol?
Tes permutasi (juga disebut tes pengacakan, uji pengacakan ulang, atau tes yang tepat) sangat berguna dan berguna ketika asumsi distribusi normal yang diperlukan misalnya, t-testtidak terpenuhi dan ketika transformasi nilai dengan peringkat dari tes non-parametrik seperti Mann-Whitney-U-testakan menyebabkan lebih banyak informasi hilang. Namun, satu dan hanya satu asumsi yang tidak …
15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

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.