Als «distributions» getaggte Fragen

Wenn wir stochastische Regressoren haben, zeichnen wir zufällige Paare für eine Gruppe von , der sogenannten Zufallsstichprobe, aus einer festen, aber unbekannten Wahrscheinlichkeitsverteilung . Theoretisch erlaubt uns die Zufallsstichprobe, einige Parameter der Verteilung kennenzulernen oder abzuschätzen .(yich,x⃗ ich)(yi,x→i)(y_i,\vec{x}_i)ichii( y,x⃗ )(y,x→)(y,\vec{x})( y,x⃗ )(y,x→)(y,\vec{x}) Wenn wir feste Regressoren haben, können wir theoretisch …

7 regression  distributions  conditional-probability  stochastic-processes  likelihood 

Sei und zwei normale Zufallsvariablen. Schreiben Sie und , um Ideen zu .X.1X1X_1X.2X2X_2X.1∼ N.(μ1,σ21)X1∼N(μ1,σ12)X_1\sim N(\mu_1, \sigma^2_1)X.2∼ N.(μ2,σ22)X2∼N(μ2,σ22)X_2\sim N(\mu_2, \sigma^2_2) Betrachten Sie die entsprechenden logarithmischen Normal-Zufallsvariablen: , .Z.1= exp(X.1)Z1=exp⁡(X1)Z_1 = \exp(X_1)Z.2= exp(X.2)Z2=exp⁡(X2)Z_2 = \exp(X_2) Frage: Wie ist die Verteilung des Produkts der beiden Zufallsvariablen, dh die Verteilung von ?Z.1Z.2Z1Z2Z_1Z_2 Wenn die …

7 distributions  normal-distribution  lognormal 

Heute habe ich eine ziemlich bekannte Tatsache erkannt. Die logTransformation einer Zufallsvariablen, die aus einer Fettschwanzverteilung gezogen wird, wird in eine exponentielle Schwanzverteilung abgebildet . Meine Frage ist sehr einfach: Reicht der Logarithmus aus, um jede Verteilung zu zähmen? Ich kenne keine Distributionen, die extremer sind als die Pareto-Distribution, dann …

7 probability  distributions  data-transformation  extreme-value  fat-tails 

Ich überprüfe regelmäßig endliche Populationen auf Fehler (wir stellen kundenspezifische Produkte in Chargen von ~ 500-800 her). Derzeit prüfen wir jedes Produkt auf Fehler, was ein ziemlicher Arbeitsaufwand ist. Ich möchte die Anzahl der von uns inspizierten Proben reduzieren, indem ich eine gewünschte Fehlerrate angeben und die Anzahl der zu …

7 r  distributions  sampling  hypergeometric  quality-control 

Lassen Sie eine Student-t-Verteilung haben, so dass XXXfX(x|ν,μ,β)=Γ(ν+12)Γ(ν2)πν−−√β(1+1ν(x−μβ)2)−1+ν2fX(x|ν,μ,β)=Γ(ν+12)Γ(ν2)πνβ(1+1ν(x−μβ)2)−1+ν2\begin{align*} f_X(x|\nu ,\mu ,\beta) = \frac{\Gamma (\frac{\nu+1}{2})}{\Gamma (\frac{\nu}{2}) \sqrt{\pi \nu} \beta} \left(1+\frac{1}{\nu}\left(\frac{x - \mu}{\beta}\right)^2 \right)^{\text{$-\frac{1+\nu}{2}$}} \end{align*} Ich weiß, dass Student-t-Verteilungen ein Potenzgesetz im Schwanz zeigen. Ich weiß auch, dass Lévy stabile Verteilungen (zB mit folgender charakteristischer Funktion: ϕ(t|α,β,c,μ)=exp[itμ−|ct|α(1−iβsgn(t)Φ)]ϕ(t|α,β,c,μ)=exp[itμ−|ct|α(1−iβsgn(t)Φ)]\begin{align*} \phi(t|\alpha ,\beta, c ,\mu) = …

7 distributions  t-distribution  kurtosis  fat-tails  stable-distribution 

Was ist die beste Vorgehensweise zum Trainieren und Bewerten eines Vorhersagealgorithmus für eine Zeitreihe? Zum Lernen von Algorithmen, die im Batch-Modus trainiert werden, kann ein naiver Programmierer den Rohdatensatz [(sample, expected prediction),...]direkt an die train()Methode des Algorithmus weitergeben . Dies zeigt normalerweise eine künstlich hohe Erfolgsrate, da der Algorithmus effektiv …

7 machine-learning  predictive-models  prediction  time-series  forecasting  exponential-smoothing  survival  censoring  probability  distributions  references  multinomial  combinatorics  k-nearest-neighbour  regression  logistic  r  regression  logistic  predictive-models  bayesian  p-value  frequentist  consistency  distributions  censoring  machine-learning  mean  missing-data  data-imputation  multiple-imputation 

Ich möchte testen, ob xund yhabe die gleichen Häufigkeitsverteilungen mit Chi-Quadrat. In meinem Code unten bin ich zu dem Schluss gekommen, dass ich, da der P-Wert des Chi-Quadrats> 0,05 ist, keine Beweise dafür gefunden habe xund yunterschiedliche Häufigkeitsverteilungen habe. Ist meine Schlussfolgerung richtig? set.seed(1) x <- rnorm(100, 3, 2) y …

7 r  distributions  normal-distribution  chi-squared  frequency 

Könnte jemand bitte die Antwort und die Schritte zur Lösung dieses Ausdrucks geben? E[(eXY+k)∣∣(eXY+k)&gt;0]E[(eXY+k)|(eXY+k)&gt;0]\begin{eqnarray*} E\left[\left.\left(e^{X}Y+k\right)\right|\left.\left(e^{X}Y+k\right)>0\right]\right. \end{eqnarray*} EEE ist der Erwartungsoperator. X∼N(μX,σ2X);Y∼N(μY,σ2Y);Xand Y are independent. Also, k&lt;0X∼N(μX,σX2);Y∼N(μY,σY2);Xand Y are independent. Also, k&lt;0\begin{eqnarray*} X\sim N\left(\mu_{X},\sigma_{X}^{2}\right);Y\sim N\left(\mu_{Y},\sigma_{Y}^{2}\right);X\;\text{and }Y\text{ are independent. Also, }k<0 \end{eqnarray*} KEY MISSING LINK Der obige Ausdruck hängt davon ab, ob …

7 probability  self-study  conditional-probability  distributions 

Ich muss aus der folgenden Mischung von zwei Verteilungen probieren: hβ⃗ (r)=c(β⃗ )[(1−wm,τ(r))fβ0→(r)+wm,τ(r)gϵ,σ(r)]hβ→(r)=c(β→)[(1−wm,τ(r))fβ0→(r)+wm,τ(r)gϵ,σ(r)]h_{\vec{\beta}}(r)=c(\vec{\beta})[(1-w_{m,\tau}(r))f_{\vec{\beta_{0}}}(r)+w_{m,\tau}(r)g_{\epsilon,\sigma}(r)] Dabei ist eine Normalisierungskonstante, die Gamma-Verteilung , die verallgemeinerte Pareto-Verteilung und ist die CDF der Cauchy-Verteilung : , die hier als Gewichts- / Mischfunktion fungiert und einen reibungslosen Übergang zwischen Gamma und Pareto ermöglicht (daher das Adjektiv …

7 distributions  sampling  simulation  monte-carlo  mixture