Als «random-variable» getaggte Fragen

Eine Zufallsvariable oder stochastische Variable ist ein Wert, der einer zufälligen Variation unterliegt (dh Zufälligkeit im mathematischen Sinne).

1
Drittes zentrales Moment einer Summe einer Zufallszahl von iid-Zufallsvariablen
Inspiriert von dieser Frage versuchte ich, einen Ausdruck für den dritten zentralen Moment einer Summe einer Zufallszahl von iid-Zufallsvariablen zu erhalten. Meine Frage ist, ob es richtig ist und wenn nicht, was falsch ist oder welche zusätzlichen Annahmen fehlen könnten. Insbesondere lassen Sie: S=∑1NXi,S=∑1NXi,S=\sum_1^N{X_i}, wobeiNNN eine nicht negative Zufallsvariable mit …


1
Erwartung einer Funktion einer Zufallsvariablen von CDF
Ist es möglich, die Erwartung einer Funktion einer Zufallsvariablen nur mit der CDF des RV zu berechnen? Angenommen, ich habe eine Funktion mit der Eigenschaft und die einzige Information, die ich über die Zufallsvariable habe, ist die CDF.∫ ∞ - ∞ g ( x ) d x ≤ ∞g(x)g(x)g(x)∫∞−∞g(x)dx≤∞∫−∞∞g(x)dx≤∞\int_{-\infty}^{\infty}g(x)dx \leq …


3
Welche Beziehung besteht zwischen Ereignis und Zufallsvariable?
Mir wurde gesagt, dass ein Ereignis nur eine Zufallsvariable ist, die zugewiesen wurde, und dass Zufallsvariablen eine Verallgemeinerung von Ereignissen sind. Ich kann dies jedoch nicht mit der Definition eines Ereignisses als Teilmenge des Probenraums in Verbindung bringen . Darüber hinaus kann ein Ereignis entweder eintreten oder nicht, während eine …


1
X, Y univariate Zufallsvariable mit : Sind sie unabhängig?
Sei und univariate Zufallsvariablen mit CDF so dass: wobei , sind bekannte Funktionen.X:Ω→RX:Ω→RX:\Omega\to\mathbb{R}Y:Ω→RY:Ω→RY:\Omega\to\mathbb{R}FX,Y(x,y)FX,Y(x,y)F_{X,Y}(x,y)FX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×RFX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×R F_{X,Y}(x,y)=G_1(x)G_2(y),\forall (x,y)\in\mathbb{R}\times\mathbb{R} G1:R→RG1:R→RG_1:\mathbb{R}\to\mathbb{R}G2:R→RG2:R→RG_2:\mathbb{R}\to\mathbb{R} Frage : Stimmt es, dass und unabhängige Wohnmobile sind?XXXYYY Kann mir jemand ein paar Tipps geben? Ich habe versucht: aber ich weiß nicht warum (oder ob) \ lim_ {y \ to \ infty} G_2 …



3
Finden Sie die Verteilung und transformieren Sie sie in die Normalverteilung
Ich habe Daten, die beschreiben, wie oft ein Ereignis während einer Stunde stattfindet ("Anzahl pro Stunde", nph) und wie lange die Ereignisse dauern ("Dauer in Sekunden pro Stunde", dph). Dies sind die Originaldaten: nph <- c(2.50000000003638, 3.78947368414551, 1.51456310682008, 5.84686774940732, 4.58823529414907, 5.59999999993481, 5.06666666666667, 11.6470588233699, 1.99999999998209, NA, 4.46153846149851, 18, 1.05882352939726, 9.21739130425452, 27.8399999994814, …
8 normal-distribution  data-transformation  logistic  generalized-linear-model  ridge-regression  t-test  wilcoxon-signed-rank  paired-data  naive-bayes  distributions  logistic  goodness-of-fit  time-series  eviews  ecm  panel-data  reliability  psychometrics  validity  cronbachs-alpha  self-study  random-variable  expected-value  median  regression  self-study  multiple-regression  linear-model  forecasting  prediction-interval  normal-distribution  excel  bayesian  multivariate-analysis  modeling  predictive-models  canonical-correlation  rbm  time-series  machine-learning  neural-networks  fishers-exact  factorisation-theorem  svm  prediction  linear  reinforcement-learning  cdf  probability-inequalities  ecdf  time-series  kalman-filter  state-space-models  dynamic-regression  index-decomposition  sampling  stratification  cluster-sample  survey-sampling  distributions  maximum-likelihood  gamma-distribution 




1
Das ist unabhängig, wenn und wenn
Sei unabhängige Zufallsvariablen.Xi∼Gamma(α,pi),i=1,2,...,n+1Xi∼Gamma(α,pi),i=1,2,...,n+1X_i\sim\text{Gamma}(\alpha,p_i),i=1,2,...,n+1 Definiere und . Zeigen Sie dann, dass unabhängig voneinander verteilt sind.Z1=∑n+1i=1XiZ1=∑i=1n+1XiZ_1=\sum_{i=1}^{n+1}X_iZi=Xi∑ij=1Xj,i=2,3,...,n+1Zi=Xi∑j=1iXj,i=2,3,...,n+1Z_i=\frac{X_i}{\sum_{j=1}^iX_j},\quad i=2,3,...,n+1Z1,Z2,...,Zn+1Z1,Z2,...,Zn+1Z_1,Z_2,...,Z_{n+1} Die Verbindungsdichte von ist gegeben durch(X1,...,Xn+1)(X1,...,Xn+1)(X_1,...,X_{n+1}) fX(x1,...,xn+1)=[α∑n+1i=1pi∏n+1i=1Γ(pi)exp(−α∑i=1n+1xi)∏i=1n+1xpi−1i]Ixi>0,α>0,pi>0fX(x1,...,xn+1)=[α∑i=1n+1pi∏i=1n+1Γ(pi)exp⁡(−α∑i=1n+1xi)∏i=1n+1xipi−1]Ixi>0,α>0,pi>0f_{\bf X}(x_1,...,x_{n+1})=\left[\frac{\alpha^{\sum_{i=1}^{n+1}p_i}}{\prod_{i=1}^{n+1}\Gamma(p_i)}\exp\left(-\alpha\sum_{i=1}^{n+1}x_i\right)\prod_{i=1}^{n+1}x_i^{p_i-1}\right]\mathbf I_{x_i>0}\quad,\alpha>0,p_i>0 Wir transformieren so, dassX=(X1,⋯,Xn+1)↦Z=(Z1,⋯,Zn+1)X=(X1,⋯,Xn+1)↦Z=(Z1,⋯,Zn+1)\mathbf X=(X_1,\cdots,X_{n+1})\mapsto\mathbf Z=(Z_1,\cdots,Z_{n+1}) Z1=∑n+1i=1XiZ1=∑i=1n+1XiZ_1=\sum_{i=1}^{n+1}X_i undZi=Xi∑ij=1Xj,i=2,3,...,n+1Zi=Xi∑j=1iXj,i=2,3,...,n+1Z_i=\frac{X_i}{\sum_{j=1}^iX_j},\quad i=2,3,...,n+1 ⟹xn+1=z1zn+1,⟹xn+1=z1zn+1,\implies x_{n+1}=z_1z_{n+1}, xn=z1zn(1−zn+1),xn=z1zn(1−zn+1),\qquad x_n=z_1z_n(1-z_{n+1}), xn−1=z1zn−1(1−zn)(1−xn+1),xn−1=z1zn−1(1−zn)(1−xn+1),\qquad x_{n-1}=z_1z_{n-1}(1-z_n)(1-x_{n+1}), ⋮⋮\qquad\vdots x3=z1z3∏n+1j=4(1−zj)x3=z1z3∏j=4n+1(1−zj)\qquad x_3=z_1z_3\prod_{j=4}^{n+1}(1-z_j) x2=z1z2∏n+1j=3(1−zj)x2=z1z2∏j=3n+1(1−zj)\qquad x_2=z_1z_2\prod_{j=3}^{n+1}(1-z_j) x1=z1∏n+1j=2(1−zj)x1=z1∏j=2n+1(1−zj)\qquad x_1=z_1\prod_{j=2}^{n+1}(1-z_j) , wobei und0<z1<∞0<z1<∞00 und …

1
Was ist der Mittelwert und die Varianz des Medians einer Menge normaler Zufallsvariablen?
Sei , ..., identisch unabhängig verteilte Zufallsvariablen mitX1X1X_1X.nXnX_nN.( μ ,σ2)N(μ,σ2)N(\mu, \sigma^2) Es ist leicht zu zeigen, dass der Stichprobenmittelwert eine Zufallsvariable mit .X.¯=1n∑ni = 0X.ichX¯=1n∑i=0nXi\bar{X} = \frac{1}{n}\sum^n_{i = 0}{X_i}N.( μ ,σ2n)N(μ,σ2n)N(\mu, \frac{\sigma^2}{n}) Es fällt mir jedoch schwer, die Verteilung des der Stichprobe zu ermitteln , insbesondere in Bezug auf Mittelwert …

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.