«moments» etiketlenmiş sorular

Momentler rastgele değişkenlerin özelliklerinin özetidir (örn. Yer, ölçek). Kesirli anlar için de kullanın.

4
Olasılık dağılımının “momentleri” ile ilgili “an” nedir?
Momentlerin ne olduğunu ve nasıl hesaplanacağını ve moment oluşturma fonksiyonunu daha yüksek dereceli momentler elde etmek için nasıl kullanacağımı biliyorum. Evet, matematiği biliyorum. Şimdi istatistik bilgilerimi iş için yağlamam gerektiğine göre, bu soruyu sorabilirim diye düşündüm - birkaç yıldan beri beni rahatsız ediyordu ve üniversiteye geri döndüğümde hiçbir profesör cevabı …


2
Lognormal dağılımın moment tahmincisi yanlılığı
Bir lognormal dağılımın örneklemesini ve örneklemesini ve anları anlarını iki yöntemle tahmin etmeye çalışan bazı sayısal deneyler yapıyorum :X∼LN(μ,σ)X∼LN(μ,σ)X\sim\mathcal{LN}(\mu, \sigma)E[Xn]E[Xn]\mathbb{E}[X^n] örnek ortalamasına bakmakXnXnX^n Tahmin ve için örnek bir yöntem kullanarak , ve daha sonra bir lognormal dağılım için, var olduğu gerçeğini kullanarak .μμ\muσ2σ2\sigma^2log(X),log2(X)log⁡(X),log2⁡(X)\log(X), \log^2(X)E[Xn]=exp(nμ+(nσ)2/2)E[Xn]=exp⁡(nμ+(nσ)2/2)\mathbb{E}[X^n]=\exp(n \mu + (n \sigma)^2/2) Soru şudur …


2
Momentleri kullanarak bir tamsayı akışı için yaklaşık miktarları hesapla?
göç math.stackexchange . Uzun bir tamsayı akışı işliyorum ve çok fazla veri saklamadan akış için çeşitli yüzdelikleri yaklaşık olarak hesaplayabilmek için birkaç dakikayı izlemeyi düşünüyorum. Birkaç andan itibaren persentilleri hesaplamanın en basit yolu nedir? Yalnızca az miktarda veri depolamayı içeren daha iyi bir yaklaşım var mı?



4
Anlar tam olarak nedir? Nasıl türetilirler?
Tipik olarak, tüm popülasyon parametrelerini tahmin edene kadar "nüfus anlarını örnek karşılıklarına eşitleyerek" moment tahmin yöntemine giriyoruz; böylece, normal dağılım durumunda, sadece birinci ve ikinci anlara ihtiyacımız olur çünkü bu dağılımı tam olarak tanımlarlar. E(X)=μ⟹∑ni=1Xi/n=X¯E(X)=μ⟹∑i=1nXi/n=X¯E(X) = \mu \implies \sum_{i=1}^n X_i/n = \bar{X} E(X2)=μ2+σ2⟹∑ni=1X2i/nE(X2)=μ2+σ2⟹∑i=1nXi2/nE(X^2) = \mu^2 + \sigma^2 \implies \sum_{i=1}^n X_i^2/n …

3
Moment üreten fonksiyonların olasılık dağılımlarını benzersiz olarak belirlediğinin kanıtı
Wackerly ark metin ve bildiren teoremi "olsun ve sırası ile, rastgele değişkenlerin, X ve Y momenti üreten fonksiyonlarını belirtir. Her iki moment üreten fonksiyonlar bulunur ve varsa tüm t değerleri için, X ve Y aynı olasılık dağılımına sahiptir. " metnin kapsamı dışında olduğunu söyleyen bir kanıt olmadan. Scheaffer Young'ın da …

1
İkinci moment yöntemi, Brown hareketi?
Let BtBtB_t standart Brownian hareketi. Let Ej,nEj,nE_{j, n} ifade etkinlik {Bt=0 for some j−12n≤t≤j2n},{Bt=0 for some j−12n≤t≤j2n},\left\{B_t = 0 \text{ for some }{{j-1}\over{2^n}} \le t \le {j\over{2^n}}\right\},ve izin1O anlamına gelir göstergesi işlevi. Orada var mıρ>0öyle ki içinP{Kn≥ρ2n}≥ρherkes içinnKn=∑j=2n+122n1Ej,n,Kn=∑j=2n+122n1Ej,n,K_n = \sum_{j = 2^n + 1}^{2^{2n}} 1_{E_{j,n}},111ρ>0ρ>0\rho > 0P{Kn≥ρ2n}≥ρP{Kn≥ρ2n}≥ρ\mathbb{P}\{K_n \ge \rho2^{n}\} \ge …


1
Moment üreten fonksiyon ile karakteristik fonksiyon arasındaki bağlantı
Moment üreten fonksiyon ile karakteristik fonksiyon arasındaki bağlantıyı anlamaya çalışıyorum. Moment üreten fonksiyon şu şekilde tanımlanır: MX( t ) = E( exp( t X) ) = 1 + t E( X)1+ t2E( X2)2 !+ ⋯ + tnE( Xn)n !MX(t)=E(tecrübe⁡(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n! M_X(t) = E(\exp(tX)) = 1 + \frac{t E(X)}{1} + \frac{t^2 E(X^2)}{2!} …

1
Aynı anlara sahip dağılımların aynı olup olmadığı
Aşağıda, buradaki ve buradaki önceki yayınlara benzer ancak farklı Tüm siparişlerin momentlerini kabul eden iki dağılım göz önüne alındığında, iki dağılımın tüm momentleri aynı ise, aynı dağıtımlar ae mıdır? Moment üreten fonksiyonları kabul eden iki dağılım göz önüne alındığında, eğer aynı momentlere sahiplerse, moment üreten fonksiyonları aynı mıdır?

2
Üstel ağırlıklı hareketli çarpıklık / basıklık
Üstel ağırlıklı hareketli ortalamaları ve bir işlemin standart sapmalarını hesaplamak için iyi bilinen çevrimiçi formüller vardır (xn)n=0,1,2,…(xn)n=0,1,2,…(x_n)_{n=0,1,2,\dots} . Ortalama olarak, μn=(1−α)μn−1+αxnμn=(1−α)μn−1+αxn\mu_n = (1-\alpha) \mu_{n-1} + \alpha x_n ve varyans için σ2n=(1−α)σ2n−1+α(xn−μn−1)(xn−μn)σn2=(1−α)σn−12+α(xn−μn−1)(xn−μn)\sigma_n^2 = (1-\alpha) \sigma_{n-1}^2 + \alpha(x_n - \mu_{n-1})(x_n - \mu_n) standart sapmayı hesaplayabilirsiniz. Üstel ağırlıklı üçüncü ve dördüncü merkezi anların …


Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.