Pytania otagowane jako pdf

Funkcja gęstości prawdopodobieństwa (PDF) ciągłej zmiennej losowej daje względne prawdopodobieństwo dla każdej z jej możliwych wartości. Tego znacznika należy używać także w przypadku funkcji dyskretnej masy prawdopodobieństwa (PMF).

1
Rozkład krańcowy przekątnej odwróconej macierzy rozproszonej Wishart
Załóżmy, że . Interesuje mnie rozkład krańcowy elementów ukośnych . Istnieje kilka prostych wyników dotyczących dystrybucji submatrices of (przynajmniej niektóre wymienione na Wikipedii). Z tego mogę wywnioskować, że krańcowy rozkład dowolnego pojedynczego elementu na przekątnej jest odwrotną gamma. Ale nie byłem w stanie wydedukować wspólnej dystrybucji.diag ( X ) = …
4
Jak rzutować nowy wektor na przestrzeń PCA?
Po przeprowadzeniu analizy głównego składnika (PCA) chcę rzutować nowy wektor na przestrzeń PCA (tzn. Znaleźć jego współrzędne w układzie współrzędnych PCA). Mam obliczony PCA w języku R użyciu prcomp. Teraz powinienem być w stanie pomnożyć mój wektor przez macierz obrotu PCA. Czy główne elementy tej macierzy powinny być ułożone w …
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 
2
Czy istnieje obiektywny estymator odległości Hellingera między dwiema dystrybucjami?
W otoczeniu, w którym obserwujemy X1,…,XnX1,…,XnX_1,\ldots,X_n rozproszone z rozkładu o gęstości fff , zastanawiam się, czy istnieje obiektywny estymator (oparty na XiXiX_i ) odległości Hellingera do innego rozkładu o gęstości f0f0f_0 , mianowicie H(f,f0)={1−∫Xf(x)f0(x)−−−−−−−−√dx}1/2.H(f,f0)={1−∫Xf(x)f0(x)dx}1/2. \mathfrak{H}(f,f_0) = \left\{ 1 - \int_\mathcal{X} \sqrt{f(x)f_0(x)} \text{d}x \right\}^{1/2}\,.
4
„Całkowity obszar pod funkcją gęstości prawdopodobieństwa wynosi 1” - w stosunku do czego?
Koncepcyjnie rozumiem znaczenie wyrażenia „całkowity obszar pod plikiem PDF wynosi 1”. Powinno to oznaczać, że prawdopodobieństwo, że wynik znajdzie się w całkowitym przedziale możliwości, wynosi 100%. Ale tak naprawdę nie mogę tego zrozumieć z „geometrycznego” punktu widzenia. Jeśli na przykład w pliku PDF oś x reprezentuje długość, to czy całkowity …
3
Jak jest , współrzędna biegunowa, rozkładana, gdy i kiedy ?
Niech wybrane zostaną współrzędne kartezjańskie losowego punktu st .x,yx,yx,y(x,y)∼U(−10,10)×U(−10,10)(x,y)∼U(−10,10)×U(−10,10)(x,y) \sim U(-10,10) \times U(-10,10) Tak więc, promień , a nie jest rozmieszczone równomiernie jak sugeruje \ Rho jest PDF . ρρ=x2+y2−−−−−−√ρ=x2+y2\rho = \sqrt{x^2 + y^2}ρρ\rho Niemniej jednak oczekiwałbym, że θ=arctanyxθ=arctan⁡yx\theta = \arctan{\frac{y}{x}} będzie prawie jednolity, z wyłączeniem artefaktów z powodu 4 …
2
Dlaczego CDF próbki jest równomiernie rozmieszczony
Czytałem tutaj , że biorąc próbkę z ciągłego rozkładu z ED M X próbkę odpowiadającą U I = C X ( X I ) następujące standardowe rozkładu równomiernego.X1,X2,...,XnX1,X2,...,Xn X_1,X_2,...,X_n FXFX F_X Ui=FX(Xi)Ui=FX(Xi) U_i = F_X(X_i) Zweryfikowałem to za pomocą symulacji jakościowych w Pythonie i łatwo mogłem zweryfikować związek. import matplotlib.pyplot …
17 pdf  uniform  cdf  intuition 
1
Jak znaleźć / oszacować funkcję gęstości prawdopodobieństwa na podstawie funkcji gęstości w R.
Załóżmy, że mam zmienną Xo nieznanym rozkładzie. W Mathematica, używając SmoothKernelDensityfunkcji, możemy mieć funkcję szacowanej gęstości. Ta szacowana funkcja gęstości może być używana wraz z PDFfunkcją do obliczania funkcji gęstości prawdopodobieństwa wartości takiej jak Xw postaci PDF[density,X]założenia, że ​​„gęstość” jest wynikiem SmoothKernelDensity. Byłoby dobrze, gdyby w R. była taka funkcja. …
17 r  pdf  cdf 
4
W co wierzyć: test Kołmogorowa-Smirnowa czy wykres QQ?
Próbuję ustalić, czy mój zestaw danych ciągłych danych jest zgodny z rozkładem gamma o parametrach kształt 1,7 i szybkość ======= 0,000063. Problem polega na tym, gdy używam R do utworzenia wykresu QQ mojego zestawu danych xxx względem teoretycznego rozkładu gamma (1,7, 0,000063), otrzymuję wykres, który pokazuje, że dane empiryczne w …
1
Jaka intuicja kryje się za wymiennymi próbkami pod hipotezą zerową?
Testy permutacyjne (zwane również testem randomizacji, testem ponownej randomizacji lub testem dokładnym) są bardzo przydatne i przydają się, gdy t-testnie jest spełnione założenie o rozkładzie normalnym wymagane na przykład i gdy transformacja wartości przez ranking test nieparametryczny, Mann-Whitney-U-testktóry prowadziłby do utraty większej ilości informacji. Jednak nie należy zapominać o jednym …
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 
2
Obszar pod „pdf” w szacowaniu gęstości jądra w R
Próbuję użyć funkcji „ gęstości ” w R do oszacowania gęstości jądra. Mam pewne trudności z interpretacją wyników i porównywaniem różnych zestawów danych, ponieważ wydaje się, że obszar pod krzywą niekoniecznie jest 1. Dla każdej funkcji gęstości prawdopodobieństwa (pdf) musimy mieć obszar ∫ ∞ - ∞ ϕ ( x ) …
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.