Angenommen, wir haben . Was bedeutet die Stichprobenverteilung der Stichprobe?X.∼ Beta ( α , β)X.∼Beta(α,β)X \sim \text{Beta}(\alpha, \beta) Mit anderen Worten, welcher Verteilung folgt die Stichprobe einer Beta?X.¯X.¯\bar{X}
Die Beta-Verteilung hängt damit zusammen, dass Binomial auch die Verteilung für Auftragsstatistiken ist . Wahrscheinlichkeitsmassenfunktion der Binomialverteilung ist f(k)=(nk)pk(1−p)n−k(1)(1)f(k)=(nk)pk(1−p)n−k f(k) = {n \choose k} p^k (1-p) ^{n-k} \tag{1} Die Wahrscheinlichkeitsdichtefunktion der Beta-Verteilung ist g(p)=1B(α,β)pα−1(1−p)β−1(2)(2)g(p)=1B(α,β)pα−1(1−p)β−1 g(p) = \frac{1}{\mathrm{B}(\alpha, \beta)} p^{\alpha-1} (1-p)^{\beta-1} \tag{2} wir können (nk)(nk)n \choose k in (1) umschreiben als …
Lassen X1,X2,…,XnX1,X2,…,XnX_1,X_2,\ldots,X_n Zufällige Variablen mit Dichte sein f(x)=2(1−x)10<x<1f(x)=2(1−x)10<x<1f(x)=2(1-x)\mathbf1_{0<x<1} Ich versuche, die Verteilung des Stichprobenbereichs abzuleiten .R=X(n)−X(1)R=X(n)−X(1)R=X_{(n)}-X_{(1)} Die übliche Art, wie ich diese Probleme mache, besteht darin, zuerst die Verbindungsdichte von unter Verwendung von und dann die Verteilung von als Grenzdichte zu ermitteln. Dies ist im Allgemeinen recht einfach, da wir …
Ich versuche die Beziehung zwischen dem Beta-Binomial und der Binomialverteilung zu verstehen. Insbesondere versuche ich zu zeigen, dass die Grenze der Beta-Binomialverteilung mit binomial ist, wenn gegen unendlich geht. Ich habe Probleme, es zu zeigen. Alle nützlichen Hinweise wären sehr hilfreich.p=a/(a+b)p=a/(a+b)p=a/(a+b)a+ba+ba+b Aus diesem Grund glaube ich, dass ich die Grenze …
Bei einer Beta-Verteilung mit a = 2, b = 3 können wir einen erwarteten Wert (Mittelwert) für das Intervall [0, 1] = a / (a + b) = 2/5 = 0,4 und den Median = (a - finden) 1/3) / (a + b-2/3) = 0,39, die nahe beieinander liegen. Ich …
Durch Inspektion wird mir klar, dass sich die Beta-Verteilung einem Bernoulli ( nähert , wenn wir (wodurch der Mittelwert festgelegt wird) und ) Verteilung.β=1−μμαβ=1−μμα\beta = \frac{1-\mu}{\mu} \alphaα→0α→0\alpha \rightarrow 0μμ\mu Zum Beispiel: par(mfrow = c(1, 2), oma = c(0, 0, 1.5, 0)) xx = seq(0, 1, length.out = 1000) mus = …
Welche Verteilungsannahme minimiert angesichts eines Anteils und seines Standardfehlers die Annahmen / maximiert die Entropie? Ist es die Beta (und kann ich die Methode der Momente verwenden, um ihre Parameter abzuschätzen)? Oder etwas anderes?
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.