Als «self-study» getaggte Fragen

Eine Routineübung aus einem Lehrbuch, Kurs oder Test, die für eine Klasse oder ein Selbststudium verwendet wird. Die Richtlinie dieser Community besteht darin, "hilfreiche Hinweise" für solche Fragen zu geben, anstatt vollständige Antworten zu geben.

4
Angenommen,
Wie im Titel vorgeschlagen. Angenommen, X1,X2,…,XnX1,X2,…,XnX_1, X_2, \dotsc, X_n sind kontinuierliche iid Zufallsvariablen mit pdf fff . Betrachten Sie das Ereignis, dass X1≤X2…≤XN−1>XNX1≤X2…≤XN−1>XNX_1 \leq X_2 \dotsc \leq X_{N-1} > X_N , N≥2N≥2N \geq 2 , also NNN ist, wenn die Sequenz zum ersten Mal abnimmt. Was ist dann der Wert …
2
Beweisen oder liefern Sie ein Gegenbeispiel: Wenn XnXnX_n →a.s.→a.s.\,{\buildrel a.s. \over \rightarrow}\, XXX , dann(∏ni=1Xi)1/n(∏i=1nXi)1/n(\prod_{i=1}^{n}X_i)^{1/n} →a.s.→a.s.\,{\buildrel a.s. \over \rightarrow}\, XXX Mein Versuch : FALSE: Angenommen, XXX kann nur negative Werte annehmen und Xn≡XXn≡XX_n \equiv X ∀∀\forall nnn DANN XnXnX_n →a.s.→a.s.\,{\buildrel a.s. \over \rightarrow}\, XXX , aber auch fürnnn ,(∏ni=1Xi)1/n(∏i=1nXi)1/n(\prod_{i=1}^{n}X_i)^{1/n} ist …
4
Ich möchte
Sei eine Zufallsvariable im Wahrscheinlichkeitsraum Zeige, dassX:Ω→NX:Ω→NX:\Omega \to \mathbb N(Ω,B,P)(Ω,B,P)(\Omega,\mathcal B,P)E(X)=∑n=1∞P(X≥n).E(X)=∑n=1∞P(X≥n).E(X)=\sum_{n=1}^\infty P(X\ge n). Meine Definition von ist gleich E(X)E(X)E(X)E(X)=∫ΩXdP.E(X)=∫ΩXdP.E(X)=\int_\Omega X \, dP. Vielen Dank.
1
Wie kann man eine marginale Verteilung aus einer gemeinsamen Verteilung mit einer Abhängigkeit von mehreren Variablen finden?
Eines der Probleme in meinem Lehrbuch ist wie folgt. Ein zweidimensionaler stochastischer kontinuierlicher Vektor hat die folgende Dichtefunktion: fX., Y.( x , y) = { 15 x y20wenn 0 <x <1 und 0 <y <xAndernfallsfX,Y(x,y)={15xy2if 0 < x < 1 and 0 < y < x0otherwise f_{X,Y}(x,y)= \begin{cases} 15xy^2 & …
1
Statistischer Testvorschlag
Ich muss einen geeigneten statistischen Test (Likelihood-Ratio-Test, t-Test usw.) für Folgendes finden: Sei ist eine iid-Stichprobe eines Zufallsvektors ( X ; Y ) und nimmt an, dass ( Y X ) ~ N [ ( μ 1 μ 2 ) , ( 1 .5 .5 1 ) ] . Die …
1
Warum haben Anova () und drop1 () unterschiedliche Antworten für GLMMs geliefert?
Ich habe ein GLMM der Form: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Wenn ich benutze drop1(model, test="Chi"), erhalte ich andere Ergebnisse als wenn ich Anova(model, type="III")aus dem Autopaket oder benutze summary(model). Diese beiden letzteren geben die gleichen Antworten. Unter Verwendung einer Reihe …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
1
Verteilung der Differenz zweier unabhängiger einheitlicher Variablen, abgeschnitten bei 0
Sei und zwei unabhängige Zufallsvariablen mit der gleichen Gleichverteilung mit DichteXXXYYYU(0,1)U(0,1)U(0,1) f(x)=1f(x)=1f(x)=1 wenn (und anderer Stelle).0≤x≤10≤x≤10≤x≤1000 Sei eine echte Zufallsvariable, definiert durch:ZZZ Z=X−YZ=X−YZ=X-Y wenn (und anderswo ).X>YX>YX>Y000 Leiten Sie die Verteilung von .ZZZ Berechnen Sie die Erwartung und die Varianz .E(Z)E(Z)E(Z)V(Z)V(Z)V(Z)
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.