«normal-distribution» etiketlenmiş sorular

Normal veya Gauss dağılımı, simetrik çan şeklindeki bir eğri olan bir yoğunluk fonksiyonuna sahiptir. İstatistiklerdeki en önemli dağılımlardan biridir. Normallik testi hakkında soru sormak için [normality] etiketini kullanın.


1
Bir istatistiğin dağılımını bulma
Bir test için çalışıyorum. Buna cevap veremedim. İzin Vermek X1,i,X2,i,X3,i,i=1,…,nX1,i,X2,i,X3,i,i=1,…,nX_{1,i},X_{2,i},X_{3,i}, i=1,\ldots,n ol N(0,1)N(0,1)\mathcal{N}(0,1)rastgele değişkenler. Tanımlamak Wi=(X1,i+X2,iX3,i)/1+X23,i−−−−−−−√,i=1,…,nWi=(X1,i+X2,iX3,i)/1+X3,i2,i=1,…,nW_i = (X_{1,i} + X_{2,i}X_{3,i})/\sqrt{1 + X_{3,i}^2}, i = 1, \ldots, n, ve W¯¯¯¯¯n=n−1∑ni=1WiW¯n=n−1∑i=1nWi\overline{W}_n = n^{-1}\sum_{i=1}^nW_i, S2n=(n−1)−1∑ni=1(Wi−W¯¯¯¯¯n)2,n≥2.Sn2=(n−1)−1∑i=1n(Wi−W¯n)2,n≥2.S_n^2 = (n-1)^{-1}\sum_{i=1}^n(W_i - \overline{W}_n)^2, n \ge 2. Dağılımı nedir W¯¯¯¯¯nW¯n\overline{W}_n, S2nSn2S_n^2? Böyle bir soruna başlarken kullanılacak en iyi …

1
Gözlenen ve beklenen olayları nasıl karşılaştırırım?
Diyelim ki 4 olası olayın sıklık örneğine sahibim: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 ve olaylarımın gerçekleşmesi için beklenen olasılıklarım var: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Dört olayın gözlemlenen frekanslarının toplamı ile (18) Olayların beklenen frekanslarını hesaplayabilir …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

1
"Dan beri
Kısa soru: Bu neden doğrudur ?? Uzun soru: Çok basit bir şekilde, bu ilk denklemi neyin haklı kıldığını anlamaya çalışıyorum. Okuduğum kitabın yazarı ( eğer istiyorsan, ama gerekli değilse burada bağlam) şunları iddia ediyor: Yakın gaussianity varsayımı nedeniyle şunları yazabiliriz: p0(ξ)=Aϕ(ξ)exp(an+1ξ+(an+2+12)ξ2+∑i=1naiGi(ξ))p0(ξ)=Aϕ(ξ)exp(an+1ξ+(an+2+12)ξ2+∑i=1naiGi(ξ)) p_0(\xi) = A \; \phi(\xi) \; exp( a_{n+1}\xi + …

1
ID (tekdüze veya normal) veriler için özdeğerlerin tahmini dağılımı
İle bir veri setim olduğunu varsayarsak ddd boyutlar (ör. d=20d=20d=20) böylece her boyut Xi∼U[0;1]Xi∼U[0;1]X_i \sim U[0;1] (alternatif olarak, her boyut Xi∼N[0;1]Xi∼N[0;1]X_i \sim \mathcal N[0;1]) ve birbirinden bağımsız. Şimdi bu veri kümesinden rastgele bir nesne çiziyorum ve k=3⋅dk=3⋅dk=3\cdot den yakın komşuları ve PCA'yı bu sette hesaplayın. Beklenenin aksine, özdeğerlerin hepsi aynı …


1
RMSE'ye dayalı bir doğruluk ölçüsü nasıl hesaplanır? Büyük veri kümem normal olarak dağıtılıyor mu?
Binlerce puanlık sırada birkaç veri setim var. Her veri kümesindeki değerler, uzayda bir koordinat anlamına gelen X, Y, Z'dir. Z değeri, koordinat çiftindeki (x, y) yükseklik farkını temsil eder. Tipik olarak CBS alanımda, yer-doğruluk noktası bir ölçüm noktasına (LiDAR veri noktası) çıkarılarak RMSE'de yükseklik hatasına referans verilir. Genellikle en az …

2
Katlanmış normal dağılımdan örnekleme, normal dağılımdan örneklemeye eşdeğer mi 0'da kesilir?
Normal bir yoğunluktan benzetmek istiyorum (ortalama = 1, sd = 1 diyelim) ama sadece pozitif değerler istiyorum. Bir yol normalden simüle etmek ve mutlak değeri almaktır. Bunu katlanmış bir normal olarak düşünüyorum. R'de, kesik rastgele değişken üretimi için fonksiyonlar olduğunu görüyorum. Kesik bir normalden (0'da kesme) simüle edersem, bu katlanmış …

4
2 X 3 masasında çoklu post-hoc ki-kare testleri nasıl yapılır?
Veri setim, toplam organizma ölümünü veya bir organizmanın kıyı, orta kanal ve açık deniz olmak üzere üç yer tipinde hayatta kalmasını içeriyor. Aşağıdaki tablodaki sayılar site sayısını temsil eder. 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 % 100 mortalitenin meydana geldiği site sayısının site …


2
Bir sayı kümesini bir gauss çan eğrisine zorlama
( Bu, Stack Overflow : Bell Curve Gaussian Algorithm (Python ve / veya C #) ile ilgili programlama sorumla ilgilidir .) Answers.com'da şu basit örneği buldum: Kümedeki tüm değerlerin toplamının, kümedeki öğelerin sayısına bölünmesiyle aritmetik ortalama (ortalama) => Kümedeki tüm değerlerin karelerinin toplamını bulun (2) 'nin çıktısını kümedeki elemanların sayısına …

2
Veriler için ROC eğrisini hesapla
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 

5
Normal dağılım yüzdesinin hesaplanması
Bu Wikipedia sayfasına bakın: http://en.wikipedia.org/wiki/Binomial_proportion_confidence_interval#Agresti-Coull_Interval Agresti-Coull Aralığı almak için, bir ihtiyacı normal dağılımın bir yüzdelik denilen hesaplamak . Yüzdelik dilimi nasıl hesaplayabilirim? Wolfram Mathematica ve / veya Python / NumPy / SciPy'de bunu yapan hazır bir işlev var mı?zzz

3
Normal dağılım
Maalesef nereden başlayacağımı bilmediğim bir istatistik problemi var (kendi başıma çalışıyorum, bu yüzden bir şey anlamıyorsam soramayacağım kimse yok. Soru X,YX,YX,Y iid N(a,b2);a=0;b2=6;var(X2+Y2)=?N(a,b2);a=0;b2=6;var(X2+Y2)=?N(a,b^2); a=0; b^2=6; var(X^2+Y^2)=?
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.