ประมาณ


11

เป็นวิธีที่ดีที่สุดที่จะใกล้เคียงกับสำหรับจำนวนเต็มสองจำนวนที่กำหนดเมื่อคุณรู้ว่าหมายถึงแปรปรวนเบ้และโด่งเกินของการกระจายต่อเนื่องและเป็นที่ชัดเจนจากการวัดรูปร่างและ (ไม่ใช่ศูนย์) ที่การประมาณปกติไม่เหมาะสมหรือไม่ม. , n μ σ 2 γ 1 γ 2 X γ 1 γ 2Pr[nXm]m,nμσ2γ1γ2Xγ1γ2

ปกติฉันจะใช้การประมาณค่าปกติกับการแก้ไขจำนวนเต็ม ...

Pr[(n½)X(m+½)]=Pr[(n½)μσZ(m+½)μσ]=Φ((m+½)μσ)Φ((n½)μσ)

... ถ้าความเบ้และความโด่งเกินเป็น 0 (ใกล้เคียง) 0 แต่นั่นไม่ใช่กรณีที่นี่

ผมต้องดำเนินการประมาณหลายแจกแจงไม่ต่อเนื่องที่แตกต่างกันมีค่าแตกต่างกันของและ\ดังนั้นฉันจึงสนใจที่จะค้นหาว่ามีกระบวนการที่ใช้และเพื่อเลือกการประมาณค่าที่ดีกว่าการประมาณปกติหรือไม่γ 2 γ 1 γ 2γ1γ2γ1γ2

คำตอบ:


4

นี่เป็นคำถามที่น่าสนใจซึ่งไม่มีทางออกที่ดีเลย วิธีแก้ปัญหานี้มีวิธีที่แตกต่างกันสองสามข้อ

  1. สมมติการแจกแจงพื้นฐานและช่วงเวลาการแข่งขัน - ตามที่แนะนำในคำตอบโดย @ivant และ @onestop ข้อเสียอย่างหนึ่งคือการวางนัยทั่วไปหลายตัวแปรอาจไม่ชัดเจน

  2. การประมาณ Saddlepoint ในบทความนี้:

    Gillespie, CS และ Renshaw, E. การปรับปรุง saddlepoint โดยประมาณ วิทยาศาสตร์ชีวภาพทางคณิตศาสตร์ปี 2550

    เราดูที่การกู้คืนไฟล์ PDF / pmf เมื่อได้รับเพียงช่วงเวลาแรกเท่านั้น เราพบว่าวิธีนี้ใช้ได้ผลเมื่อความเบ้ไม่ใหญ่เกินไป

  3. การขยาย Laguerre:

    มุสตาฟาเอชและ Dimitrakopoulosa หม่อมราชวงศ์ขยายทั่วไป Laguerre ความหนาแน่นของความน่าจะเป็นช่วงเวลาที่หลายตัวแปรที่มี คอมพิวเตอร์และคณิตศาสตร์พร้อมแอปพลิเคชัน 2010

    ผลลัพธ์ในบทความนี้ดูมีแนวโน้มมากขึ้น แต่ฉันไม่ได้ทำมันให้สำเร็จ


4

การกระจายข้อมูลไปยังข้อมูลโดยใช้ช่วงเวลาสี่นาทีแรกนั้นเป็นสิ่งที่ Karl Pearson ได้วางแผนครอบครัวเพียร์สันของการกระจายความน่าจะเป็นอย่างต่อเนื่องสำหรับ (โอกาสสูงสุดเป็นที่นิยมมากขึ้นในปัจจุบัน ควรตรงไปตรงมาเพื่อให้พอดีกับสมาชิกที่เกี่ยวข้องของครอบครัวนั้นจากนั้นใช้การแก้ไขความต่อเนื่องแบบเดียวกับที่คุณให้ไว้ข้างต้นสำหรับการแจกแจงแบบปกติ

ฉันคิดว่าคุณต้องมีขนาดตัวอย่างที่มหาศาลจริง ๆ ไหม? มิฉะนั้นตัวอย่างการประมาณค่าความเบ้และโดยเฉพาะอย่างยิ่งความรุนแรงมักจะไม่ชัดเจนเช่นเดียวกับความไวสูงต่อค่าผิดปกติไม่ว่าในกรณีใดผมขอแนะนำให้คุณดูช่วงเวลา Lเป็นทางเลือกที่มีข้อดีหลายประการในช่วงเวลาปกติ มีประโยชน์สำหรับการกระจายข้อมูลที่เหมาะสม


2

คุณสามารถลองใช้การแจกแจงแบบเบ้ปกติและดูว่าการทำชุดข้อมูลส่วนเกินของคุณนั้นใกล้เคียงกับการแจกแจงส่วนเกินที่เพียงพอสำหรับความเบ้ที่กำหนดหรือไม่ ถ้าเป็นเช่นนั้นคุณสามารถใช้ cdf การแจกแจงแบบปกติเพื่อประเมินความน่าจะเป็น ถ้าไม่คุณจะต้องเปลี่ยนมาเป็นแบบปกติ / เอียงแบบเดียวกับที่ใช้ในการแจกแจงแบบเบ้ปกติซึ่งจะช่วยให้คุณควบคุมทั้งความเบ้และความเกินส่วนเกิน

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.