«central-limit-theorem» etiketlenmiş sorular

İddia eden bir makale okuyorum X^k= 1N---√Σj = 0N-- 1Xje- i 2 πk j / N,X^k=1N-Σj=0N--1Xje-ben2πkj/N-,\hat{X}_k=\frac{1}{\sqrt{N}}\sum_{j=0}^{N-1}X_je^{-i2\pi kj/N}, (ör. Ayrık Fourier Dönüşümü , DFT) CLT tarafından (karmaşık) bir gauss rastgele değişkene eğilim gösterir. Ancak, bunun genel olarak doğru olmadığını biliyorum. Bu (yanlış) argümanı okuduktan sonra, internette arama yaptım ve bu 2010 …

10 time-series  central-limit-theorem  fourier-transform 

\newcommand{\E}{\mathbb{E}}\newcommand{\P}{\mathbb{P}} Merkezi Limit Teoremi (CLT), X1,X2,…X1,X2,…X_1,X_2,\dots bağımsız ve aynı şekilde dağıtılmış (iid) olduğunu belirtir E[Xi]=0E[Xi]=0\E[X_i]=0 ve Var(Xi)&lt;∞Var⁡(Xi)&lt;∞\operatorname{ Var} (X_i)<\infty , toplam normal bir dağılıma n \ to \ infty olarak yakınsar n→∞n→∞n\to\infty: Σi = 1nXben→ N( 0 ,n--√) .Σben=1nXben→N-(0,n). \sum_{i=1}^n X_i \to N\left(0, \sqrt{n}\right). Bunun yerine, X1,X2, …X1,X2,...X_1,X_2,\dots sabit dağılımlı …

10 markov-process  central-limit-theorem 

Birisi lütfen Pareto dağılımları ve Merkezi Limit Teoremi arasındaki ilişkinin basit (yalın bir kişi) açıklamasını sağlayabilir mi (örn. Geçerli mi? Neden / neden olmasın?)? Aşağıdaki ifadeyi anlamaya çalışıyorum: "Merkezi Limit Teoremi her dağıtımda işe yaramıyor. Bu sinsi bir gerçeğe bağlı - örnek araçlar varsa, altta yatan dağılımın ortalaması etrafında kümeleniyor. …

10 variance  central-limit-theorem  intuition  pareto-distribution  fat-tails 

İzin Vermek X1, … ,Xn∼ U( 0 , 1 )X1,…,Xn∼U(0,1)X_1,\dots,X_n \sim U(0,1) bağımsız ve aynı şekilde dağılmış standart düzgün rasgele değişkenler olabilir. İzin Vermek Yn=ΣbennX2benAradığım: E [Yn--√]Let Yn=∑inXi2I seek: E[Yn]\text{Let }\quad Y_n=\sum_i^nX_i^2 \quad \quad \text{I seek: } \quad \mathbb{E}\big[\sqrt{Y_n } \big] beklentisi kolaydır:YnYnY_n E [X2]E [Yn]=∫10y2y√=13= E [ΣbennX2ben] =ΣbennE [X2ben] …

9 probability  expected-value  uniform  central-limit-theorem  mgf 

Wooldridge'in Giriş Ekonometrisinde bir teklif var: Hatalar normal dağılımını haklı argüman genellikle böyle bir şey yapar: çünkü etkileyen birçok farklı gözlenmeyen faktörler toplamıdır , bunu sonuçlandırmak için merkezi limit teoremini çağırabileceği yaklaşık bir normal dağılım vardır.uuuyyyuuu Bu alıntı doğrusal model varsayımlarından biriyle ilgilidir, yani: u∼N(μ,σ2)u∼N(μ,σ2)u \sim N(μ, σ^2) burada uuu …

9 self-study  linear-model  econometrics  normality-assumption  central-limit-theorem 

Merkezi Limit Teoremi ile, büyük bir bağımsız rasgele değişkenlerin toplamının olasılık yoğunluk fonksiyonu bir Normal'e eğilim gösterir. Bu nedenle çok sayıda bağımsız Cauchy rastgele değişkeninin toplamının da Normal olduğunu söyleyebilir miyiz?

9 random-variable  central-limit-theorem  cauchy 

Olasılık dağılımları hakkındaki sezgisel anlayışımı olasılık dağılımları üzerindeki neredeyse tüm topolojilerin sahip olduğu garip özelliklerle uzlaştırmakla biraz uğraşıyorum. Örneğin, rastgele bir değişken karışımı düşünün : 0 merkezli, 1 varyanslı ve olasılık olan bir Gauss seçin , sonuca ekleyin . Bu tür rastgele değişkenlerin bir sekansı, varyans 1 ile 0 merkezli …

9 mathematical-statistics  convergence  central-limit-theorem  topologies 

T-testleri için, çoğu metne göre popülasyon verilerinin normal olarak dağıtıldığı varsayımı vardır. Bunun neden olduğunu anlamıyorum. Bir t-testi, sadece numune araçlarının örnekleme dağılımının popülasyonun değil normal olarak dağıtılmasını gerektirmez mi? Eğer t-testinin sonuçta örnekleme dağılımında normallik gerektirmesi durumunda, nüfus herhangi bir dağılıma benzeyebilir, değil mi? Makul bir örnek boyutu olduğu …

9 hypothesis-testing  t-test  assumptions  normality-assumption  central-limit-theorem 

: Aşağıdaki kurmak farz edelim . Ayrıca . Ayrıca yani , ilgili desteklerin sınırlarının dışbükey bir kombinasyonudur. , tüm için ortaktır .Zi=min{ki,Xi},i=1,...,nZi=min{ki,Xi},i=1,...,nZ_i = \min\{k_i, X_i\}, i=1,...,nXi∼U[ai,bi],ai,bi&gt;0Xi∼U[ai,bi],ai,bi&gt;0X_i \sim U[a_i, b_i], \; a_i, b_i >0ki=cai+(1−c)bi,0&lt;c&lt;1ki=cai+(1−c)bi,0&lt;c&lt;1k_i = ca_i + (1-c)b_i,\;\; 0 k_i) = 1- \Pr(X_i \le k_i) =1−ki−aibi−ai=1−(1−c)(bi−ai)bi−ai=c=1−ki−aibi−ai=1−(1−c)(bi−ai)bi−ai=c= 1- \frac {k_i - a_i}{b_i-a_i} …

9 distributions  central-limit-theorem  censoring  minimum 

verildiğinde , koşullu dağıtım. ve ise \ düzeyi ^ 2 (2n) . N'nin marjinal dağılımı var. Poisson ( \ theta ), \ theta pozitif bir sabittir.N=nN=nN = nYYYχ2(2n)χ2(2n)\chi ^2(2n)NNNθθ\thetaθθ\theta Bu Şekli θ→∞θ→∞\theta \rightarrow \infty , (Y−E(Y))/Var(Y)−−−−−−√→N(0,1) (Y−E(Y))/Var⁡(Y)→N(0,1)\space \space (Y - E(Y))/ \sqrt{\operatorname{Var}(Y)} \rightarrow N(0,1) dağılımı. Herkes bunu çözmek için stratejiler …

9 self-study  poisson-distribution  conditional-probability  convergence  central-limit-theorem 

DüşününXn=⎧⎩⎨1- 12kwp ( 1 -2- n) / 2wp ( 1 -2- n) / 2wp 2- k için k &gt; nXn={1w.p. (1−2−n)/2−1w.p. (1−2−n)/22kw.p. 2−k for k&gt;nX_n = \begin{cases} 1 & \text{w.p. } (1 - 2^{-n})/2\\ -1 & \text{w.p. } (1 - 2^{-n})/2\\ 2^k & \text{w.p. } 2^{-k} \text{ for } k …

9 probability  self-study  central-limit-theorem  moments  asymptotics 

Bu makaleden aşağıdaki greftler alınmıştır . Ben bootstrap için acemi ve R bootpaket ile doğrusal karışık model için parametrik, yarı parametrik ve parametrik olmayan bootstrapping bootstrapping uygulamaya çalışıyorum . R Kodu İşte benim Rkod: library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

Bu yüzden, Hamming Distance kullanarak biyometrik özellikteki bir kişinin kimliğini doğrulamaya çalıştığım 16 denemem var. Eşik değer 3,5'e ayarlandı. Verilerim aşağıda ve yalnızca deneme 1 Gerçek Olumludur: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction