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
Jak nazywa się metoda szacowania gęstości, w której wszystkie możliwe pary są używane do utworzenia rozkładu normalnej mieszaniny?
Właśnie pomyślałem o zgrabnym (niekoniecznie dobrym) sposobie tworzenia szacunków gęstości jednowymiarowej i moje pytanie brzmi: Czy ta metoda szacowania gęstości ma nazwę? Jeśli nie, to czy jest to szczególny przypadek innej metody w literaturze? Oto metoda: mamy wektor który, jak zakładamy, pochodzi z nieznanego rozkładu, który chcielibyśmy oszacować. Sposobem na …
5
Jak wykonać przypisanie wartości w bardzo dużej liczbie punktów danych?
Mam bardzo duży zestaw danych i brakuje około 5% wartości losowych. Te zmienne są ze sobą skorelowane. Poniższy przykładowy zestaw danych R jest tylko zabawkowym przykładem z fałszywymi skorelowanymi danymi. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …
12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 
1
Różnice między PROC Mixed i lme / lmer w R - stopnie swobody
Uwaga: to pytanie jest repost, ponieważ moje poprzednie pytanie musiało zostać usunięte ze względów prawnych. Porównując PROC MIXED z SAS z funkcją lmez nlmepakietu w R, natknąłem się na pewne dość mylące różnice. Mówiąc dokładniej, stopnie swobody w różnych testach różnią się między PROC MIXEDi lmezastanawiałem się, dlaczego. Zacznij od …
12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 
1
Transformacja liniowa zmiennej losowej przez wysoką prostokątną macierz
X⃗ ∈RnX→∈Rn\vec{X} \in \mathbb{R}^nfX⃗ (x⃗ )fX→(x→)f_\vec{X}(\vec{x})n×nn×nn \times nAAAY⃗ =AX⃗ Y→=AX→\vec{Y} = A\vec{X}Y⃗ Y→\vec{Y}fY⃗ (y⃗ )=1|detA|fX⃗ (A−1y⃗ ).fY→(y→)=1|detA|fX→(A−1y→). f_{\vec{Y}}(\vec{y}) = \frac{1}{\left|\det A\right|}f_{\vec{X}}(A^{-1}\vec{y}). Powiedzmy teraz, że przekształcamy zamiast macierzy macierzy , z , dając . Wyraźnie , ale „żyje” w wymiarowej podprzestrzeni . Jaka jest gęstość warunkowa , skoro wiemy, że leży …
1
Gęstość Y = log (X) dla X rozproszonego gamma
To pytanie jest ściśle związane z tym postem Załóżmy, że mam losową zmienną i zdefiniuję . Chciałbym znaleźć funkcję gęstości prawdopodobieństwa .X∼Gamma(k,θ)X∼Gamma(k,θ)X \sim \text{Gamma}(k, \theta)Y=log(X)Y=log⁡(X)Y = \log(X)YYY Początkowo myślałem, że po prostu zdefiniuję funkcję rozkładu skumulowanego X, dokonam zmiany zmiennej i wezmę „wnętrze” całki jako moją gęstość, podobnie jak P(X≤c)P(Y≤logc)=∫c01θk1Γ(k)xk−1e−xθdx=∫log(c)log(0)1θk1Γ(k)exp(y)k−1e−exp(y)θexp(y)dyP(X≤c)=∫0c1θk1Γ(k)xk−1e−xθdxP(Y≤log⁡c)=∫log⁡(0)log⁡(c)1θk1Γ(k)exp⁡(y)k−1e−exp⁡(y)θexp⁡(y)dy\begin{align} …
1
Jak dopasować przybliżony plik PDF (tj. Oszacowanie gęstości) przy użyciu pierwszych k (empirycznych) momentów?
Mam sytuację, w której jestem w stanie oszacować (pierwsze) momentów zbioru danych i chciałbym użyć go do oszacowania funkcji gęstości.kkk Natknąłem się już na rozkład Pearsona , ale zdałem sobie sprawę, że opiera się on tylko na pierwszych 4 momentach (z pewnymi ograniczeniami dotyczącymi możliwych kombinacji momentów). Rozumiem również, że …
5
Prawdopodobieństwo, że ciągła zmienna losowa przyjmuje stały punkt
Jestem w klasie statystyk wprowadzających, w której funkcja gęstości prawdopodobieństwa ciągłych zmiennych losowych została zdefiniowana jako . Rozumiem, że całka z ale nie mogę tego naprawić za pomocą intuicji ciągłej zmiennej losowej. Powiedz X to zmienna losowa równa liczbie minut od czasu t, kiedy pociąg przyjeżdża. Jak obliczyć prawdopodobieństwo dotarcia …
1
Szacowanie nachylenia prostej części krzywej esowatej
Dostałem to zadanie i byłem zakłopotany. Kolega poprosił mnie o oszacowanie i poniższej tabeli:xu p p e rxuppmirx_{upper}xl o w e rxlowmirx_{lower} Krzywa jest w rzeczywistości rozkładem skumulowanym, a x jest rodzajem pomiaru. Jest zainteresowany, aby wiedzieć, jakie są odpowiednie wartości na x, gdy funkcja skumulowana zaczęła być prosta i …
1
Intuicyjne rozumienie kowariancji, kowariancji krzyżowej, autokorelacji / korelacji krzyżowej i gęstości widma mocy
Obecnie studiuję do moich finałów w podstawowych statystykach dla mojego licencjata ECE. Chociaż wydaje mi się, że mam matematykę głównie słabo, brakuje mi intuicyjnego zrozumienia, co tak naprawdę oznaczają liczby (preambuła: użyję raczej niechlujnego języka). Wiem, że E [X] jest „średnią ważoną” wszystkich wyników X ważonych ich prawdopodobieństwem. Opcja Var …
3
dyskretne?
Powiedz, że jest ciągłą zmienną losową, a X jest zmienną dyskretną. \ Pr (X = x | Y = y) = \ frac {\ Pr (X = x) \ Pr (Y = y | X = x)} {\ Pr (Y = y)} YYYXXXPr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y)Pr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y) \Pr(X=x|Y=y) = \frac{\Pr(X=x)\Pr(Y=y|X=x)}{\Pr(Y=y)} Jak wiemy, Pr(Y=y)=0Pr(Y=y)=0\Pr(Y=y) = …
1
Dlaczego
W zestawie problemów udowodniłem ten „lemat”, którego wynik nie jest dla mnie intuicyjny. ZZZ jest standardowym rozkładem normalnym w modelu ocenzurowanym. Formalnie, Z∗∼Norm(0,σ2)Z∗∼Norm(0,σ2)Z^* \sim Norm(0, \sigma^2) , a Z=max(Z∗,c)Z=max(Z∗,c)Z = max(Z^*, c) . Następnie E[Z|Z>c]=∫∞cziϕ(zi)dzi=12π−−√∫∞cziexp(−12z2i)dzi=12π−−√exp(−12c2) (Integration by substitution)=ϕ(c)E[Z|Z>c]=∫c∞ziϕ(zi)dzi=12π∫c∞ziexp(−12zi2)dzi=12πexp(−12c2) (Integration by substitution)=ϕ(c)\begin{align} E[Z|Z>c] &= \int_c^\infty z_i \phi({z_i})\mathrm{d}z_i \\ &= \frac{1}{\sqrt{2\pi}}\int_c^\infty z_i …
2
Oszacowanie gęstości jądra w rozkładach asymetrycznych
Niech będą obserwacjami zaczerpniętymi z nieznanego (ale z pewnością asymetrycznego) rozkładu prawdopodobieństwa.{ x1, … , XN.}{x1,…,xN.}\{x_1,\ldots,x_N\} Ja jak znaleźć rozkład prawdopodobieństwa stosując podejście Próbowałem jednak użyć jądra Gaussa, ale działało to źle, ponieważ jest symetryczne. Widziałem więc, że niektóre prace dotyczące jąder Gamma i Beta zostały wydane, chociaż nie rozumiałem, …
1
Interpretacja wykresów gęstości warunkowej
Chciałbym wiedzieć, jak poprawnie interpretować wykresy gęstości warunkowej. Włożenia dwa poniżej utworzonego w R z cdplot. Na przykład, czy prawdopodobieństwo, że Wynik będzie równy 1, gdy Var 1 wynosi 150, wynosi około 80%? Ciemnoszary obszar to takie, które jest warunkowym prawdopodobieństwem Resultbycia równym 1, prawda? Z cdplotdokumentacji: cdplot oblicza gęstości …
1
Gęstość robotów wykonujących losowy spacer na nieskończonym losowym wykresie geometrycznym
Rozważmy nieskończony losowy wykres geometryczny, w którym położenia węzłów są zgodne z procesem punktu Poissona o gęstości a krawędzie są umieszczone między węzłami bliższymi niż d . Dlatego długość krawędzi jest zgodna z następującym plikiem PDF:ρρ\rhoredd fa( l ) = { 2 lre2)l ≤ d0l > df(l)={2ld2l≤d0l>d f(l)= \begin{cases} \frac{2 …
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.