Nehmen wir an, wir haben einen Zufallsvektor , der aus einer Verteilung mit der Wahrscheinlichkeitsdichtefunktion f → X ( → x ) gezogen wird . Wenn wir es linear durch eine n × n- Matrix A mit vollem Rang transformieren , um → Y = A → X zu erhalten …
Sei XXX ~ U(0,2)U(0,2)U(0,2) und YYY ~ U(−10,10)U(−10,10)U(-10,10) zwei unabhängige Zufallsvariablen mit den gegebenen Verteilungen. Wie ist die Verteilung von V=XYV=XYV=XY ? Ich habe versucht, mich zu falten, weil ich das wusste h(v)=∫y=+∞y=−∞1yfY(y)fX(vy)dyh(v)=∫y=−∞y=+∞1yfY(y)fX(vy)dyh(v) = \int_{y=-\infty}^{y=+\infty}\frac{1}{y}f_Y(y) f_X\left (\frac{v}{y} \right ) dy Wir wissen auch, dass fY(y)=120fY(y)=120f_Y(y) = \frac{1}{20} , h(v)=120∫y=10y=−101y⋅12dyh(v)=120∫y=−10y=101y⋅12dyh(v)= \frac{1}{20} …
Kann jemand wie Greg veranschaulichen, aber detaillierter, wie Zufallsvariablen abhängig sein können, aber keine Kovarianz haben? Greg, ein Poster hier, gibt ein Beispiel einen Kreis mit hier . Kann jemand diesen Prozess anhand einer Abfolge von Schritten näher erläutern, die den Prozess in mehreren Phasen veranschaulichen? Wenn Sie ein Beispiel …
Mein Statistikkurs hat mir nur beigebracht, dass eine diskrete Zufallsvariable eine endliche Anzahl von Optionen hat ... das hatte ich nicht bemerkt. Ich hätte gedacht, wie eine Reihe von ganzen Zahlen könnte es unendlich sein. Das Googeln und Überprüfen mehrerer Webseiten, darunter einige aus Universitätskursen, hat dies nicht ausdrücklich bestätigt. …
Ich versuche die Aussage zu beweisen: Wenn und unabhängige Zufallsvariablen sind,X ∼ N ( 0 , σ 2 1 ) X∼N(0,σ21)X\sim\mathcal{N}(0,\sigma_1^2)Y ∼ N ( 0 , σ 2 2 )Y∼N(0,σ22)Y\sim\mathcal{N}(0,\sigma_2^2) dann ist X Y.√X 2 + Y 2XYX2+Y2√\frac{XY}{\sqrt{X^2+Y^2}} auch eine normale Zufallsvariable. Für den Sonderfall σ 1 = σ 2 …
Ich bin in einer einführenden Statistikklasse, in der die Wahrscheinlichkeitsdichtefunktion für kontinuierliche Zufallsvariablen definiert wurde als P{X∈B}=∫Bf(x)dxP{X∈B}=∫Bf(x)dxP\left\{X\in B\right\}=\int_B f\left(x\right)dx . Ich verstehe, dass das Integral von ∫aaf(x)dx=0∫aaf(x)dx=0\int\limits_a^af(x)dx=0aber ich kann dies nicht mit meiner Intuition einer kontinuierlichen Zufallsvariablen korrigieren. Angenommen, X ist die Zufallsvariable, die der Anzahl der Minuten ab dem …
Ich bin gespannt, ob es eine Transformation gibt, die den Versatz einer Zufallsvariablen verändert, ohne die Kurtosis zu beeinflussen. Dies wäre analog dazu, wie eine affine Transformation eines RV den Mittelwert und die Varianz beeinflusst, nicht jedoch den Versatz und die Kurtosis (teilweise, weil der Versatz und die Kurtosis als …
Wie definiere ich die Verteilung einer Zufallsvariablen so, dass eine Ziehung aus eine Korrelation mit , wobei eine einzelne Ziehung aus einer Verteilung mit der kumulativen Verteilungsfunktion ? YYYYYYρρ\rhox1x1x_1x1x1x_1FX(x)FX(x)F_{X}(x)
Lassen: Standardabweichung der ZufallsvariablenA=σ1=5A=σ1=5A =\sigma_{1}=5 Standardabweichung der ZufallsvariablenB=σ2=4B=σ2=4B=\sigma_{2}=4 Dann ist die Varianz von A + B: Var(w1A+w2B)=w21σ21+w22σ22+2w1w2p1,2σ1σ2Var(w1A+w2B)=w12σ12+w22σ22+2w1w2p1,2σ1σ2Var(w_{1}A+w_{2}B)= w_{1}^{2}\sigma_{1}^{2}+w_{2}^{2}\sigma_{2}^{2} +2w_{1}w_{2}p_{1,2}\sigma_{1}\sigma_{2} Wo: p1,2p1,2p_{1,2} ist die Korrelation zwischen den beiden Zufallsvariablen. w1w1w_{1} ist das Gewicht der Zufallsvariablen A. w2w2w_{2} ist das Gewicht der Zufallsvariablen B. w1+w2=1w1+w2=1w_{1}+w_{2}=1 Die folgende Abbildung zeigt die Varianz von …
Wir versuchen, automatisch korrelierte Zufallswerte zu erstellen, die als Zeitreihen verwendet werden. Wir haben keine vorhandenen Daten, auf die wir verweisen, und möchten den Vektor nur von Grund auf neu erstellen. Einerseits brauchen wir natürlich einen zufälligen Prozess mit Distribution und deren SD. Andererseits muss die den Zufallsprozess beeinflussende Autokorrelation …
Mein Verständnis davon, was ein Schätzer und eine Schätzung ist: Schätzer: Eine Regel zur Berechnung einer Schätzung Schätzung: Der Wert, der aus einem Datensatz berechnet wird, der auf dem Schätzer basiert Wenn ich zwischen diesen beiden Begriffen aufgefordert werde, auf die Zufallsvariable hinzuweisen, würde ich sagen, dass die Schätzung die …
Eine häufige Vereinfachung bei der Modellierung und Simulation besteht darin, eine Zufallsvariable durch ihren Mittelwert zu ersetzen. Wann würde diese Vereinfachung zu einer falschen Schlussfolgerung führen?
Die Zufallsvariable wird als messbare Funktion von einer Algebra mit dem zugrunde liegenden Maß zu einer anderen Algebra .XXXσσ\sigma(Ω1,F1)(Ω1,F1)(\Omega_1, \mathcal F_1)PPPσσ\sigma(Ω2,F2)(Ω2,F2)(\Omega_2, \mathcal F_2) Wie sprechen wir über eine Stichprobe dieser Zufallsvariablen? Behandeln wir es als ein Element aus ? Oder als die gleiche messbare Funktion wie ?XnXnX^nΩ2Ω2\Omega_2XXX Wo kann ich …
Angenommen, ist gleichmäßig auf . Lassen und . Zeigen Sie, dass die Korrelation zwischen und Null ist.XXX[0,2π][0,2π][0, 2\pi]Y=sinXY=sinXY = \sin XZ=cosXZ=cosXZ = \cos XYYYZZZ Es scheint, ich müsste die Standardabweichung von Sinus und Cosinus und ihre Kovarianz kennen. Wie kann ich diese berechnen? Ich denke, ich muss annehmen, dass eine …
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.