«random-variable» etiketlenmiş sorular

Rastgele bir değişken için ( ) Sezgisel olarak eşit olmalıdır belleksizlik özelliği tarafından yana dağılımını ile aynı olan ancak sağa kaydırılır x .X∼ Uzm ( λ )X~Tecrübe(λ)X\sim \text{Exp}(\lambda)E [X] = 1λE[X]=1λ\mathbb{E}[X] = \frac{1}{\lambda}E [X| X> x ]E[X|X>x]\mathbb{E}[X|X > x]x + E [ X]x+E[X]x + \mathbb{E}[X]X| X> xX|X>xX|X > xXXXxxx Ancak, …

13 random-variable  exponential  conditional-expectation 

İstatistikleri öğrenirken bu iki ifade beni çok karıştırdı. Bana öyle geliyor ki tamamen farklı şeyler. Bir rasgele örneklem bir oysa rastgele bir nüfustan bir örnek almaktır rastgele değişken gerçek sayıya bir deneyin tüm olası sonuçların kümesini eşleştiren bir işlevi gibidir. Bazı numuneler çekmek Ancak, ki , , ve , ve …

13 mathematical-statistics  random-variable  terminology  sample 

Valentin V. Petrov'un "Olasılık Teorisinin Sınır Teoremleri" kitabında, bir dağılımın "sürekli" ve "kesinlikle sürekli" tanımları arasında bir ayrım gördüm. (∗)(∗)(*) "... Gerçek çizginin sonlu veya sayılabilir kümesi için ise rastgele değişken dağılımının sürekli olduğu söylenir. olursa , Lebesgue'in tüm Borel setleri için sıfır ölçülür ... "XXXP(X∈B)=0P(X∈B)=0P\left(X \in B\right)=0BBBP(X∈B)=0P(X∈B)=0P\left(X \in B\right)=0BBB …

13 probability  distributions  random-variable 

Rastgele değişken üretim algoritmalarını test etmek için hangi yöntemler kullanılır?

12 algorithms  hypothesis-testing  random-variable  random-generation 

Ne olan bir olasılık dağılımının bir örneğini oluşturmak için varsayarak tutar ?E(1X)=1E(X)E(1X)=1E(X)\mathbb{E}\left(\frac{1}{X}\right)=\frac{1}{\mathbb{E}(X)}P(X≠0)=1P(X≠0)=1\mathbb{P}(X\ne0)=1 Bir pozitif değerli RV için Jensen eşitsizliğinin izler eşitsizlik gibidir ( ise ters eşitsizlik ). Bunun nedeni, eşlemesinin için dışbükey ve için içbükey olmasıdır . Jensen eşitsizliğindeki eşitlik koşulundan sonra, gerekli eşitliğin sağlanması için dağılımın dejenere olması gerektiğini …

12 probability  distributions  random-variable  expected-value 

Y X ∼ χ 2 ( n - 1 ) Y ∼ Beta ( nXXX ve bağımsız olarak dağıtılmış rastgele değişkenlerdir; burada ve . dağılımı nedir ?YYYX∼χ2(n−1)X∼χ(n−1)2X\sim\chi^2_{(n-1)}Y∼Beta(n2−1,n2−1)Y∼Beta(n2−1,n2−1)Y\sim\text{Beta}\left(\frac{n}{2}-1,\frac{n}{2}-1\right)Z=(2Y−1)X−−√Z=(2Y−1)XZ=(2Y-1)\sqrt X nin ortak yoğunluğu(X,Y)(X,Y)(X,Y) fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}f_{X,Y}(x,y)=f_X(x)f_Y(y)=\frac{e^{-\frac{x}{2}}x^{\frac{n-1}{2}-1}}{2^{\frac{n-1}{2}}\Gamma\left(\frac{n-1}{2}\right)}\cdot\frac{y^{\frac{n}{2}-2}(1-y)^{\frac{n}{2}-2}}{B\left(\frac{n}{2}-1,\frac{n}{2}-1\right)}\mathbf1_{\{x>0\,,\,00\,,\,|z|<w\}} marjinal , .f Z ( z ) = ∫ ∞ | z | f Z , W ( …

12 self-study  distributions  mathematical-statistics  random-variable 

Diyelim ki ve sınırlanmış bir dizi değer içeren rastgele bir değişkenimiz var , burada minimum değer ve maksimum değerdir.aaabbbaaabbb Ben söylendi , nerede örneklem büyüklüğü, bizim örnek araçlarının örnekleme dağılımı olan bir normal dağılım. Biz arttıkça Yani, daha yakın ve daha yakın bir normal dağılım almak, ancak gerçek sınır olan …

12 normal-distribution  sampling  random-variable  central-limit-theorem 

Eğer bir ayrık ve sürekli rasgele değişken biz dağılımı hakkında ne diyebilirim daha sonra ? Sürekli mü yoksa karışık mı?Y X + YXXXYYYX+ YX+YX+Y ürünü ne olacak ?XYXYXY

12 self-study  distributions  random-variable 

Slutsky'nin teoremi hakkında bazı ayrıntılar hakkında kafam karıştı : Let , skaler / vektör / matris rastgele elemanlarının iki sekansları olabilir.{Xn}{Xn}\{X_n\}{Yn}{Yn}\{Y_n\} Eğer rastgele elemanı dağıtım yakınsak ve sabit bir olasılık olarak yakınsak , o ters çevrilebilir olması koşuluyla , burada dağıtımda yakınsama anlamına gelir.XnXnX_nXXXYnYnY_ncccXn+Yn XnYn Xn/Yn →d X+c→d cX→d X/c,Xn+Yn …

12 probability  random-variable  convergence  slutsky-theorem 

Let rastgele değişkenler st bir dizisi olasılık, içinde sabit bir sabittir. Aşağıdakileri göstermeye çalışıyorum: ve olasılıkla. Mantığımın sağlam olup olmadığını görmek için buradayım. İşte benim işim{ Xn}n ≥ 1{Xn}n≥1\{X_n\}_{n\geq 1}Xn→ birXn→aX_n \to aa &gt; 0a&gt;0a>0Xn---√→ bir--√Xn→a\sqrt{X_n} \to \sqrt{a}birXn→ 1aXn→1\frac{a}{X_n}\to 1 GİRİŞİM İlk bölüm için Bildirimi o Bundan sonra | Xn---√- …

12 random-variable  convergence  asymptotics  probability-inequalities  coverage-probability 

ilişkili rasgele değişkenlerin çarpımı nedir?kkk

12 variance  random-variable 

İki rastgele değişkenim var ve Y &gt; 0 .X&gt;0X&gt;0X > 0Y&gt;0Y&gt;0Y > 0 Ben tahmin edebilir düşünülürse ben tahmin edebilir nasıl Cov ( log ( X ) , log ( Y ) ) ?Cov(X,Y),Cov(X,Y),\text{Cov}(X, Y),Cov(log(X),log(Y))?Cov(log⁡(X),log⁡(Y))?\text{Cov}(\log(X), \log(Y))?

12 data-transformation  covariance  random-variable 

Sorun: Bayes meta-analizinde öncelikler ve veriler olarak kullanılacak dağılımları parametrelendiriyorum. Veriler literatürde neredeyse sadece normal olarak dağıtıldığı varsayılan özet istatistikler olarak verilmektedir (değişkenlerin hiçbiri &lt;0 olmamasına rağmen, bazıları oranlardır, bazıları kütle vb.). Çözümü olmayan iki davaya rastladım. Bazen ilgili parametre, verilerin tersi veya iki değişkenin oranıdır. Örnekler: normal olarak dağılmış …

12 distributions  bayesian  variance  random-variable  meta-analysis 

Konum ölçeğinde ailenin anlamını düşünüyordum. Benim anlayış her için olmasıdır XXX parametrelerle bir konum ölçek ailesinin üyesi yer ve ölçek, daha sonra dağıtım herhangi parametrelerin bağlı değildir ve her için aynı o ailesine ait.biraabbbZ= ( X- a ) / bZ=(X−a)/bZ =(X-a)/bXXX Öyleyse sorum şu, aynı dağıtım ailesinden iki rasgele standartlaştırılan …

12 probability  distributions  mathematical-statistics  random-variable  moments 

Diyelim ki , olasılık yoğunluk fonksiyonuna sahip bir dağılımdan alınan rastgele bir . Biz doğrusal bir tam-sıraya göre dönüştürmek ise matris almak , daha sonra yoğunluğu verilirX⃗ ∈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}). Şimdi dönüştürmek ki …

12 references  random-variable  pdf  linear