คำถามติดแท็ก joint-distribution

3
ความน่าจะเป็นที่เกิดร่วมกันของ 2 เหตุการณ์อิสระไม่ควรเท่ากับศูนย์ใช่หรือไม่
หากความน่าจะเป็นร่วมคือการตัดกันของ 2 เหตุการณ์ดังนั้นความน่าจะเป็นร่วมที่เกิดขึ้นจาก 2 เหตุการณ์อิสระไม่ควรเป็นศูนย์เพราะมันไม่ได้ตัดกันเลยใช่ไหม ฉันสับสน

1
ขอบเขตบนของความหนาแน่นของโคคูล่า?
Fréchet-Hoeffding ผูกไว้บนใช้กับฟังก์ชั่นการกระจายเชื่อมและมันจะได้รับจาก C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. มีความคล้ายคลึงกัน (ในแง่ที่ว่ามันขึ้นอยู่กับความหนาแน่นของขอบ) สำหรับความหนาแน่นของแทนที่จะเป็น CDF หรือไม่?c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) การอ้างอิงใด ๆ จะได้รับการชื่นชมอย่างมาก

5
ความแตกต่างระหว่างคำว่า 'การกระจายแบบร่วม' และ 'การกระจายแบบหลายตัวแปร' หรือไม่?
ฉันกำลังเขียนเกี่ยวกับการใช้ 'การแจกแจงความน่าจะเป็นร่วม' สำหรับผู้ชมที่มีแนวโน้มที่จะเข้าใจ 'การกระจายหลายตัวแปร' ดังนั้นฉันจึงพิจารณาใช้ในภายหลัง อย่างไรก็ตามฉันไม่ต้องการคลายความหมายขณะทำสิ่งนี้ Wikipediaดูเหมือนจะบ่งบอกว่าสิ่งเหล่านี้เป็นคำพ้องความหมาย ที่พวกเขา? ถ้าไม่ทำไมล่ะ

3
ตัวประมาณความน่าจะเป็นสูงสุดของการแจกแจงร่วมที่ให้ไว้มีเพียงจำนวนเล็กน้อย
ให้จะกระจายร่วมกันของสองตัวแปรเด็ดขาดX , Yกับx , y ที่∈ { 1 , ... , K } พูดว่าตัวอย่างnถูกดึงมาจากการกระจายตัวนี้ แต่เราจะได้รับจำนวนเล็กน้อยเท่านั้นสำหรับj = 1 , … , K :px,ypx,yp_{x,y}X,YX,YX,Yx,y∈{1,…,K}x,y∈{1,…,K}x,y\in\{1,\ldots,K\}nnnj=1,…,Kj=1,…,Kj=1,\ldots,K Sj=∑i=1nδ( Xผม= l ) , TJ= ∑i = 1nδ( Yผม= J ) ,Sj=∑i=1nδ(Xi=l),Tj=∑i=1nδ(Yi=j), S_j = \sum_{i=1}^{n}{\delta(X_i=l)}, T_j = \sum_{i=1}^{n}{\delta(Y_i=j)}, ประมาณการความน่าจะเป็นสูงสุดคืออะไรได้รับS J , T J ? เป็นที่รู้จักกันไหม? คำนวณความเป็นไปได้? มีแนวทางอื่นที่สมเหตุสมผลสำหรับปัญหานี้นอกเหนือจาก …

1
เงื่อนไขที่จำเป็นและเพียงพอในการร่วม MGF เพื่อความเป็นอิสระ
สมมติว่าฉันมีร่วมฟังก์ชั่นช่วงเวลาที่สร้างสำหรับการจัดจำหน่ายร่วมกับ CDFy) คือทั้งที่จำเป็นและเพียงพอเงื่อนไขในการเป็นอิสระของและ ? ฉันตรวจสอบหนังสือสองเล่มซึ่งกล่าวถึงความจำเป็นเท่านั้น:F X , Y ( x , y ) M X , Y ( s , t ) = M X , Y ( s , 0 ) ⋅ M X , Y ( 0 , t )MX,Y(s,t)MX,Y(s,t)M_{X,Y}(s,t)FX,Y(x,y)FX,Y(x,y)F_{X,Y}(x,y)MX, วาย( s , t ) = MX, วาย( …

1
จะหาการกระจายของส่วนต่างจากการกระจายแบบร่วมที่มีการพึ่งพาหลายตัวแปรได้อย่างไร
หนึ่งในปัญหาในหนังสือเรียนของฉันถูกวางไว้ดังนี้ เวกเตอร์ต่อเนื่องสุ่มสองมิติมีฟังก์ชันความหนาแน่นต่อไปนี้: fX,Y(x,y)={15xy20if 0 &lt; x &lt; 1 and 0 &lt; y &lt; xotherwisefX,Y(x,y)={15xy2if 0 &lt; x &lt; 1 and 0 &lt; y &lt; x0otherwise f_{X,Y}(x,y)= \begin{cases} 15xy^2 & \text{if 0 < x < 1 and 0 < y < x}\\ 0 & \text{otherwise}\\ \end{cases} แสดงว่าฟังก์ชันความหนาแน่นของส่วนขอบและคือ:f YfXfXf_XfYfYf_Y fX(x)={5x40if 0 &lt; …

2
Multivariate Central Limit Theorem (CLT) มีไว้เมื่อตัวแปรมีการพึ่งพาอาศัยกันอย่างสมบูรณ์แบบหรือไม่?
ชื่อสรุปคำถามของฉัน แต่เพื่อความชัดเจนลองพิจารณาตัวอย่างง่ายๆดังต่อไปนี้ ให้ , i = 1, ... , n กำหนด: \ start {สมการ} S_n = \ frac {1} {n} \ sum_ {i = 1} ^ n X_i \ end {สมการ} และ \ start {สมการ} T_n = \ frac {1} {n} \ sum_ {i = 1} ^ n (X_i ^ …

1
จะเปรียบเทียบเหตุการณ์ที่สังเกตได้กับเหตุการณ์ที่คาดหวังได้อย่างไร
สมมติว่าฉันมีตัวอย่างหนึ่งความถี่ของเหตุการณ์ที่เป็นไปได้ 4 เหตุการณ์: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 และฉันมีโอกาสที่จะเกิดเหตุการณ์ที่คาดหวัง: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 ด้วยผลรวมของความถี่ที่สังเกตได้จากเหตุการณ์ทั้งสี่ของฉัน (18) ฉันสามารถคำนวณความถี่ที่คาดหวังของเหตุการณ์ได้ใช่ไหม expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.