«pdf» etiketlenmiş sorular

olduğunu varsayalım . Köşegen elemanların marjinal dağılımı ile ilgileniyorum . alt maddelerinin dağılımı konusunda birkaç basit sonuç vardır (en azından bazıları Wikipedia'da listelenmiştir). Bundan, köşegen üzerindeki herhangi bir elemanın marjinal dağılımının ters Gamma olduğunu anlayabilirim. Ancak ortak dağılımı tespit edemedim.diag ( X ) = ( x 11 , … , …

21 distributions  probability  pdf 

Temel bileşen analizi (PCA) yaptıktan sonra, PCA alanına yeni bir vektör yansıtmak istiyorum (yani PCA koordinat sistemindeki koordinatlarını bulmak). PCA'yı R dilinde kullanarak hesapladım prcomp. Şimdi vektörümü PCA dönme matrisi ile çarpabilmeliyim. Bu matristeki temel bileşenler satır veya sütunlar halinde mi düzenlenmelidir?

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 

Bir kişinin yoğunluğu olan bir dağılımdan dağıtıldığı bir , Hellinger mesafesinin yoğunluğu olan başka bir dağılıma yani tarafsız bir tahmincisi ( ' dayalı) olup olmadığını merak ediyorum. f X i f 0 H ( f , f 0 ) = { 1 - ∫ X √X1,…,XnX1,…,XnX_1,\ldots,X_nfffXiXiX_if0f0f_0H(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 …

20 pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger 

Kavramsal olarak "PDF'nin altındaki toplam alan 1'dir" ifadesinin anlamını kavrarım. Sonuçların toplam olasılık aralığında olma şansının% 100 olduğu anlamına gelmelidir. Ama bunu "geometrik" bir bakış açısından gerçekten anlayamıyorum. Örneğin, bir PDF'de x ekseni uzunluğu temsil ediyorsa, x km yerine mm cinsinden ölçülürse eğrinin altındaki toplam alan daha büyük olmaz mı? …

20 probability  pdf  integral 

Rasgele bir noktanın Kartezyen x,yx,yx,y koordinatları seçilsin mi st (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) . Böylece, yarıçap, ρ=x2+y2−−−−−−√ρ=x2+y2\rho = \sqrt{x^2 + y^2} ,ρtarafından ima edildiği gibi düzgünρρ\rho sitesindeki PDF . Yine de θ=arctanyxθ=arctan⁡yx\theta = \arctan{\frac{y}{x}} , kenarlardaki 4 artakalan nedeniyle oluşan artefaktlar hariç, neredeyse eşit olacak şekilde: Aşağıdaki grafiksel gösterim …

19 normal-distribution  matlab  pdf  uniform 

Sürekli bir veri dağılımını gözle görülür bir şekilde görmek istiyorsak, histogram ve pdf arasında hangisi kullanılmalıdır? Histogram ve pdf arasındaki formül değil, farklar nelerdir?

18 distributions  pdf  histogram 

Okumayı burada bir örnek verilmiş olduğu X1,X2,...,XnX1,X2,...,Xn X_1,X_2,...,X_n ED ile sürekli bir dağılımdan FXFX F_X , örnek tekabül eden Ui=FX(Xi)Ui=FX(Xi) U_i = F_X(X_i) , standart bir düzgün dağılımını izler. Bunu Python'daki nitel simülasyonları kullanarak doğruladım ve ilişkiyi kolayca doğrulayabildim. import matplotlib.pyplot as plt import scipy.stats xs = scipy.stats.norm.rvs(5, 2, 10000) …

17 pdf  uniform  cdf  intuition 

Her biri [ 0 , 1 ] ' de dört bağımsız düzgün dağılmış değişkenim var . ( A - d ) 2 + 4 b c'nin dağılımını hesaplamak istiyorum . I dağılımı hesaplanabilir u 2 = 4 b C olması f 2 ( u 2 ) = - 1a,b,c,da,b,c,da,b,c,d[0,1][0,1][0,1](a−d)2+4bc(a−d)2+4bc(a-d)^2+4bcu2=4bcu2=4bcu_2=4bcf2(u2)=−14lnu24f2(u2)=−14ln⁡u24f_2(u_2)=-\frac{1}{4}\ln\frac{u_2}{4} (dolayısıylau2∈(0,4]u2∈(0,4]u_2\in(0,4]) …

17 distributions  random-variable  pdf  uniform  mathematica 

Pdf ve pmf ve cdf aynı bilgileri içeriyor mu? Benim için pdf tüm olasılığı belirli bir noktaya verir (temel olarak olasılık altındaki alan). Pmf belirli bir noktanın olasılığını verir. Cdf belirli bir noktadaki olasılığı verir. Bana göre pdf ve cdf aynı bilgiye sahip, ancak pmf xdağıtımda bir noktaya olasılık vermediği …

17 probability  distributions  pdf  inference  cdf 

Sadece tek değişkenli rastgele değişkenin kantil fonksiyonunu (ters cdf) p = 0'dan p = 1'e entegre etmenin değişkenin ortalamasını oluşturduğunu fark ettim. Bu ilişkiyi daha önce duymadım, bu yüzden merak ediyorum: Bu her zaman böyle mi? Eğer öyleyse, bu ilişki yaygın olarak biliniyor mu? İşte python'da bir örnek: from math …

17 mean  pdf  quantile-function 

Ben her zaman bir CDF benzersiz söylendi ancak bir PDF / PMF benzersiz değil, neden bu? PDF / PMF'nin benzersiz olmadığı bir örnek verebilir misiniz?

17 probability  distributions  pdf  cdf 

XBilinmeyen bir dağılımda olduğu gibi bir değişkenim var . Mathematica'nın olarak, kullanarak SmoothKernelDensityişlev biz tahmini yoğunluk çalışmaz.Bu tahmini yoğunluk fonksiyonu ile birlikte kullanılabilir olabilir PDFgibi bir değer hesaplamak olasılık yoğunluk fonksiyonu fonksiyonu Xşeklinde PDF[density,X]"yoğunluk" bir sonucu olduğunu varsayarak SmoothKernelDensity. R'de böyle bir özellik varsa iyi olurdu. Mathematica'da böyle çalışır http://reference.wolfram.com/mathematica/ref/SmoothKernelDistribution.html …

17 r  pdf  cdf 

Sürekli veri veri kümemin şekil 1.7 ve oran 0.000063 parametreleriyle bir gama dağılımını takip edip etmediğini belirlemeye çalışıyorum .======= Sorun, teorik dağıtım gama (1.7, 0.000063) karşı veri kümem bir QQ grafiği oluşturmak için R kullandığımda , ampirik verilerin kabaca gama dağılımı ile aynı olduğunu gösteren bir çizim olsun. Aynı şey …

16 pdf  kolmogorov-smirnov  cdf  qq-plot 

Permütasyon testleri (randomizasyon testi, yeniden randomizasyon testi veya kesin test olarak da adlandırılır) çok faydalıdır ve örneğin normal dağıtım varsayımı t-testkarşılanmadığında ve değerlerin parametrik olmayan test Mann-Whitney-U-test, daha fazla bilginin kaybolmasına neden olur. Bununla birlikte, bu tür bir test kullanılırken bir ve sadece bir varsayım göz ardı edilmemelidir, örneklerin sıfır …

16 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 

Çekirdek yoğunluk tahminleri yapmak için R'de ' yoğunluk ' işlevini kullanmaya çalışıyorum . Sonuçları yorumlamakta ve çeşitli veri kümelerini eğri altındaki alanın mutlaka olması gerekmediği gibi karşılaştırmakta zorluk çekiyorum. Herhangi bir olasılık yoğunluk fonksiyonu (pdf) , ∫ ∞ - ∞ ϕ ( x ) d x = 1 . Çekirdek …

15 r  estimation  pdf  kernel-smoothing  auc