คำถามติดแท็ก normal-distribution

การแจกแจงแบบปกติหรือแบบเกาส์เซียนนั้นมีฟังก์ชั่นความหนาแน่นซึ่งเป็นเส้นโค้งรูประฆังแบบสมมาตร มันเป็นหนึ่งในการแจกแจงที่สำคัญที่สุดในสถิติ ใช้แท็ก [normality] เพื่อสอบถามเกี่ยวกับการทดสอบหา normality

2
การประมาณค่าความน่าจะเป็นสูงสุดของความแปรปรวนร่วมของข้อมูลปกติแบบแปรปรวนคืออะไรเมื่อทราบค่าเฉลี่ยและความแปรปรวน?
สมมติว่าเรามีตัวอย่างแบบสุ่มจากการแจกแจงปกติแบบ bivariate ซึ่งมีค่าศูนย์เป็นค่ากลางและค่าความแปรปรวนดังนั้นพารามิเตอร์ที่ไม่รู้จักเพียงค่าเดียวคือความแปรปรวนร่วม MLE ของความแปรปรวนร่วมคืออะไร? ฉันรู้ว่ามันควรจะเป็น1n∑nj=1xjyj1n∑j=1nxjyj\frac{1}{n} \sum_{j=1}^{n}x_j y_jแต่เราจะรู้ได้อย่างไร

1
การประมาณพารามิเตอร์สำหรับการแจกแจงแบบเบ้ปกติ
พารามิเตอร์ formulaic มีการประมาณการสำหรับ skew-normal หรือไม่ ถ้าคุณทำได้มาจาก MLE หรือ Mom ก็ยอดเยี่ยมเช่นกัน ขอบคุณ แก้ไข ฉันมีชุดข้อมูลที่ฉันสามารถบอกได้ด้วยตาเปล่าโดยการแปลงจะเอียงไปทางซ้ายเล็กน้อย ฉันต้องการประเมินค่าเฉลี่ยและความแปรปรวนจากนั้นทำการทดสอบความเหมาะสม (ซึ่งเป็นสาเหตุที่ฉันต้องการค่าประมาณพารามิเตอร์) ฉันคิดถูกหรือไม่ว่าฉันแค่ต้องเดาความเบ้ (อัลฟา) (อาจจะทำแบบทดสอบหลายอย่างและแบบทดสอบที่ดีที่สุด?) ฉันต้องการ MLE ที่ได้มาเพื่อความเข้าใจของฉันเอง - ต้องการ MLE มากกว่า MoM เนื่องจากฉันคุ้นเคยกับมันมากกว่า ฉันไม่แน่ใจว่ามีการเอียงทั่วไปมากกว่าหนึ่งแบบปกติ - ฉันแค่หมายถึงค่าเฉลี่ยที่เอียงเล็กน้อย! หากเป็นไปได้การประมาณค่าพารามิเตอร์พลังงานแบบเลขชี้กำลังของเบ้จะเป็นประโยชน์เช่นกัน!

2
การกระจายสำหรับสูงสุด (ขั้นต่ำ) ของตัวแปรสุ่มแบบอิสระสองตัวคืออะไร
โดยเฉพาะสมมติว่า XXX และ YYYเป็นตัวแปรสุ่มปกติ (อิสระ แต่ไม่จำเป็นต้องมีการกระจายเหมือนกัน) รับเฉพาะใด ๆaaaมีสูตรที่ดีสำหรับ P( สูงสุด( X), วาย) ≤ x )P(max(X,Y)≤x)P(\max(X,Y)\leq x)หรือแนวคิดที่คล้ายกัน เราจะรู้ว่าสูงสุด( X, วาย)max(X,Y)\max(X,Y)มีการกระจายตามปกติอาจจะเป็นสูตรสำหรับค่าเบี่ยงเบนมาตรฐานค่าเฉลี่ยและในแง่ของเหล่านั้นสำหรับXXXและYYY ? ฉันตรวจสอบสถานที่ปกติ (วิกิพีเดีย google) แต่ไม่พบอะไรเลย

4
เหตุใดวิธีการกำลังสองน้อยที่สุดและความน่าจะเป็นสูงสุดของการถดถอยจึงไม่เท่ากันเมื่อข้อผิดพลาดไม่กระจายตามปกติ
ชื่อกล่าวมันทั้งหมด ฉันเข้าใจว่ากำลังสองน้อยที่สุดและโอกาสสูงสุดจะให้ผลเหมือนกันสำหรับสัมประสิทธิ์การถดถอยหากข้อผิดพลาดของโมเดลกระจายตามปกติ แต่จะเกิดอะไรขึ้นหากข้อผิดพลาดไม่ได้รับการแจกจ่ายตามปกติ ทำไมทั้งสองวิธีจึงไม่เท่ากันอีกต่อไป?

2
ความน่าจะเป็นที่ให้คือคืออะไร?
สมมติว่าXXXและYYYเป็น bivariate ปกติโดยมีค่าเฉลี่ยμ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2)และความแปรปรวนร่วม Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix}{bmatrix} ความน่าจะเป็นคืออะไรPr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right) ?

2
การแปลงเชิงเส้นของเวกเตอร์เกาส์ปกติ
ฉันกำลังเผชิญความยากลำบากในการพิสูจน์ข้อความต่อไปนี้ มันมีอยู่ในรายงานการวิจัยที่พบใน Google ฉันต้องการความช่วยเหลือในการพิสูจน์ข้อความนี้! ให้โดยที่คือเมทริกซ์มุมฉากและคือเกาส์น พฤติกรรมไอโซโทปของ Gaussianซึ่งมีการกระจายตัวที่เหมือนกันในทุกพื้นฐานX= A SX=ASX= ASAAASSSSSS Gaussian เป็นอย่างไรหลังจากใช้กับ ?XXXAAASSS

1
เกี่ยวกับการมีอยู่ของ UMVUE และทางเลือกของตัวประมาณของในประชากร
Letเป็นตัวอย่างที่สุ่มมาจากประชากรที่R(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R ฉันกำลังมองหา UMVUE ของ\θθ\theta ข้อต่อความหนาแน่นของคือ(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1,x2,⋯,xn)=∏i=1n1θ2π−−√exp[−12θ2(xi−θ)2]=1(θ2π−−√)nexp[−12θ2∑i=1n(xi−θ)2]=1(θ2π−−√)nexp[1θ∑i=1nxi−12θ2∑i=1nx2i−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈Rfθ(x1,x2,⋯,xn)=∏i=1n1θ2πexp⁡[−12θ2(xi−θ)2]=1(θ2π)nexp⁡[−12θ2∑i=1n(xi−θ)2]=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} ที่และ 1g(θ,T(x))=1(θ2π√)nexp[1θ∑ni=1xi−12θ2∑ni=1x2i−n2]g(θ,T(x))=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]g(\theta, T(\mathbf x))=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right]h(x)=1h(x)=1h(\mathbf x)=1 ที่นี่ขึ้นอยู่กับและถึงและเป็นอิสระจาก\ดังนั้นโดยทฤษฎีบทตัวประกอบฟิชเชอร์ - เนย์แมนสถิติสองมิติก็เพียงพอแล้วสำหรับ\gggθθ\thetax1,⋯,xnx1,⋯,xnx_1,\cdots,x_nT(x)=(∑ni=1xi,∑ni=1x2i)T(x)=(∑i=1nxi,∑i=1nxi2)T(\mathbf x)=\left(\sum_{i=1}^nx_i,\sum_{i=1}^nx_i^2\right)hhhθθ\thetaT(X)=(∑ni=1Xi,∑ni=1X2i)T(X)=(∑i=1nXi,∑i=1nXi2)T(\mathbf X)=\left(\sum_{i=1}^nX_i,\sum_{i=1}^nX_i^2\right)θθ\theta อย่างไรก็ตามไม่ได้เป็นสถิติที่สมบูรณ์ นี่เป็นเพราะTTTEθ⎡⎣2(∑i=1nXi)2−(n+1)∑i=1nX2i⎤⎦=2n(1+n)θ2−(n+1)2nθ2=0∀θEθ[2(∑i=1nXi)2−(n+1)∑i=1nXi2]=2n(1+n)θ2−(n+1)2nθ2=0∀θE_{\theta}\left[2\left(\sum_{i=1}^n X_i\right)^2-(n+1)\sum_{i=1}^nX_i^2\right]=2n(1+n)\theta^2-(n+1)2n\theta^2=0\qquad\forall\,\theta และฟังก์ชั่นไม่ใช่ศูนย์เหมือนกันg∗(T(X))=2(∑ni=1Xi)2−(n+1)∑ni=1X2ig∗(T(X))=2(∑i=1nXi)2−(n+1)∑i=1nXi2g^*(T(\mathbf X))=2\left(\sum_{i=1}^n X_i\right)^2-(n+1)\sum_{i=1}^nX_i^2 แต่ฉันรู้ว่าเป็นสถิติที่น้อยที่สุดTTT ฉันไม่แน่ใจ แต่ฉันคิดว่าสถิติที่สมบูรณ์อาจไม่มีอยู่สำหรับตระกูลเลขชี้กำลังแบบโค้งนี้ แล้วฉันจะรับ UMVUE ได้อย่างไร? หากสถิติที่สมบูรณ์ไม่มีอยู่ตัวประมาณที่ไม่มีอคติ (เช่นในกรณีนี้) ซึ่งเป็นฟังก์ชันของสถิติที่เพียงพอเพียงเล็กน้อยคือ UMVUE หรือไม่ (หัวข้อที่เกี่ยวข้อง: เงื่อนไขที่จำเป็นสำหรับตัวประมาณที่ไม่มีอคติให้เป็น UMVUE คืออะไร …

2
ความคาดหวังของ
ให้X1X1X_1 , X2X2X_2 , ⋯⋯\cdots , Xd∼N(0,1)Xd∼N(0,1)X_d \sim \mathcal{N}(0, 1)และเป็นอิสระ ความคาดหวังของX 4 1คืออะไรX41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} ? หาEได้ง่าย( X 2 1)E(X21X21+⋯+X2d)=1dE(X12X12+⋯+Xd2)=1d\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d}โดยสมมาตร แต่ฉันไม่รู้วิธีการค้นหาความคาดหวังของX41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} . คุณช่วยให้คำแนะนำหน่อยได้ไหม? สิ่งที่ฉันได้รับจนถึงตอนนี้ ฉันต้องการหาE(X41(X21+⋯+X2d)2)E(X14(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)โดยสมมาตร แต่กรณีนี้แตกต่างจากกรณีสำหรับE(X21X21+⋯+X2d)E(X12X12+⋯+Xd2)\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right)เพราะE(X4i(X21+⋯+X2d)2)E(Xi4(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)อาจไม่เท่ากับE(X2iX2j(X21+⋯+X2d)2)E(Xi2Xj2(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 …

3
ฟังก์ชันเดลต้าของ Dirac ควรถูกมองว่าเป็นคลาสย่อยของการแจกแจงแบบเกาส์หรือไม่?
ใน Wikidata มีความเป็นไปได้ที่จะเชื่อมโยงการแจกแจงความน่าจะเป็น (เหมือนทุกอย่างอื่น) ใน ontology เช่นว่าการแจกแจงแบบ t เป็นคลาสย่อยของการกระจายตัวแบบ noncentral ดูเช่น https://angryloki.github.io/wikidata-graph-builder/?property=P279&amp;item=Q209675&amp;iterations=3&amp;limit=3 มีหลายกรณีที่ จำกัด เช่นเมื่อองศาอิสระในการแจกแจงแบบ t ไปที่อนันต์หรือเมื่อความแปรปรวนเข้าหาศูนย์สำหรับการแจกแจงแบบปกติ (การแจกแจงแบบเกาส์) ในกรณีหลังการกระจายจะไปสู่ฟังก์ชันเดลต้าของ Dirac ฉันทราบว่าในวิกิพีเดียภาษาอังกฤษพารามิเตอร์ความแปรปรวนระบุไว้ในปัจจุบันว่ามีขนาดใหญ่กว่าศูนย์ดังนั้นด้วยการตีความที่เข้มงวดจะไม่พูดว่าฟังก์ชันเดลต้าของ Dirac เป็นคลาสย่อยของการแจกแจงแบบปกติ อย่างไรก็ตามสำหรับฉันมันค่อนข้างโอเคเพราะฉันจะบอกว่าการแจกแจงแบบเอ็กซ์โพเนนเชียลเป็นซูเปอร์คลาสของฟังก์ชันเดลต้าของ Dirac มีปัญหาใด ๆ หรือไม่ที่ระบุว่าฟังก์ชันเดลต้าของ Dirac เป็นคลาสย่อยของการแจกแจงแบบเกาส์?

2
ผลรวมของสัมประสิทธิ์การกระจายแบบพหุนาม
\newcommand{\P}{\mathbb{P}}ฉันกำลังจะตายอย่างยุติธรรม เมื่อใดก็ตามที่ฉันได้รับ 1, 2 หรือ 3 ฉันจะเขียน '1' เมื่อใดก็ตามที่ฉันได้ 4 ฉันเขียน '2'; เมื่อใดก็ตามที่ฉันได้ 5 หรือ 6 ฉันจะเขียน '3' ให้NNNเป็นจำนวนพ่นฉันต้องการสำหรับผลิตภัณฑ์ของตัวเลขทั้งหมดที่ผมเขียนลงไปเป็น≥100000≥100000\geq 100000100000 ฉันต้องการคำนวณ (หรือโดยประมาณ) P(N≥25)P(N≥25)\P(N\geq 25)และการประมาณสามารถให้เป็นฟังก์ชันของการแจกแจงแบบปกติ ครั้งแรกผมรู้ว่าP(N≥11)=1P(N≥11)=1\P(N\geq 11) = 1เพราะlog3100.000≈10.48log3⁡100.000≈10.48\log_3 100.000 \approx 10.4810.48 ทีนี้ลองaaa , bbbและcccเป็นจำนวนครั้งที่ผมเขียน 1, 2 และ 3 ตามลำดับ แล้ว: P(a,b,c∣n)=⎧⎩⎨⎪⎪(na,b,c)(12)a(16)b(13)c0 if a+b+c=n otherwiseP(a,b,c∣n)={(na,b,c)(12)a(16)b(13)c if a+b+c=n0 otherwise\P(a,b,c\mid n) = \begin{cases}\displaystyle\binom …

1
ฟังก์ชั่นการกระจายข้อผิดพลาดและฟังก์ชั่นมาตรฐานปกติมีความสัมพันธ์กันอย่างไร
หาก PDF ปกติมาตรฐานคือf(x)=12π−−√e−x2/2f(x)=12πe−x2/2f(x) = \frac{1}{\sqrt{2\pi}} e^{-x^2/2} และ CDF คือ F(x)=12π−−√∫x−∞e−x2/2dx,F(x)=12π∫−∞xe−x2/2dx,F(x) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^x e^{-x^2/2}\mathrm{d}x\,, นี่จะกลายเป็นฟังก์ชันข้อผิดพลาดของอย่างไร?zzz

4
ถูกต้องหรือไม่ (การสร้าง Truncated-norm-multivariate-Gaussian)
ถ้า นั่นคือ X∈Rn, X∼N(0–,σ2I)X∈Rn, X∼N(0_,σ2I)X\in\mathbb{R}^n,~X\sim \mathcal{N}(\underline{0},\sigma^2\mathbf{I})fX(x)=1(2πσ2)n/2exp(−||x||22σ2)fX(x)=1(2πσ2)n/2exp⁡(−||x||22σ2) f_X(x) = \frac{1}{{(2\pi\sigma^2)}^{n/2}} \exp\left(-\frac{||x||^2}{2\sigma^2}\right) ฉันต้องการการแจกแจงแบบปกติที่ถูกตัดทอนในกรณีแบบหลายตัวแปร แม่นยำมากขึ้นฉันต้องการสร้างเกณฑ์ปกติ (ค่า ) หลายตัวแปร Gaussianเซนต์ โดยที่≥a≥a\geq aYYYfY(y)={c.fX(y), if ||y||≥a0, otherwise .fY(y)={c.fX(y), if ||y||≥a0, otherwise . f_Y(y) = \begin{cases} c.f_X(y), \text{ if } ||y||\geq a \\[2mm] 0, \text{ otherwise }. \end{cases} c=1Prob{||X||≥a}c=1Prob{||X||≥a}c=\frac{1}{Prob\big\{||X||\geq a\big\}} ตอนนี้ฉันสังเกตต่อไปนี้: หาก ,x=(x1,x2,…,xn)x=(x1,x2,…,xn)x=(x_1,x_2,\ldots,x_n)||x||≥a||x||≥a||x||\geq a ⟹|xn|≥T≜max(0,(a2−∑n−11x2i))−−−−−−−−−−−−−−−−−−−−√⟹|xn|≥T≜max(0,(a2−∑1n−1xi2))\implies |x_n|\geq T\triangleq …

2
ตัวอย่างของตัวแปรปกติสองตัวที่มีความสัมพันธ์ * ซึ่งผลรวมไม่ปกติ
ฉันรับรู้ถึงตัวอย่างที่ดีของคู่ตัวแปรสุ่มที่มีความสัมพันธ์ซึ่งปกติเล็กน้อย แต่ไม่ได้ร่วมกัน ดูคำตอบนี้โดยDilip Sarwateและหนึ่งในนี้โดยพระคาร์ดินัล ฉันยังรับรู้ถึงตัวอย่างของตัวแปรสุ่มสองตัวที่มีผลรวมไม่ปกติ ดูคำตอบนี้โดยมาโคร แต่ในตัวอย่างนี้ตัวแปรสุ่มสองตัวไม่มีการเชื่อมโยงกัน มีตัวอย่างของตัวแปรสุ่มสองตัวที่มีความแปรปรวนร่วมที่ไม่ใช่ศูนย์และผลรวมที่ไม่ปกติหรือไม่? หรือเป็นไปได้ที่จะพิสูจน์ว่าผลรวมของตัวแปรสุ่มปกติสองตัวใด ๆ ที่มีความสัมพันธ์กันแม้ว่าพวกเขาจะไม่ได้เป็นตัวแปรตามปกติก็ตาม [บริบท: ฉันมีคำถามที่ถามทำการบ้านสำหรับการกระจายของX + ขYที่XและYเป็นปกติมาตรฐานที่มีความสัมพันธ์ρ ฉันคิดว่าคำถามหมายถึงการระบุว่าพวกเขาเป็นตัวแปรปกติ แต่ฉันสงสัยว่าจะสามารถพูดอะไรได้หรือไม่หากไม่มีข้อสมมุติพิเศษสำหรับρไม่ใช่ศูนย์]X+ b YaX+bYaX+bYXXXYYYρρ\rhoρρ\rho ขอบคุณ!

2
การแสดงออกของรูปแบบปิดสำหรับการกระจายตัวของตัวอย่างความเค็มของการแจกแจงเกาส์
มีนิพจน์แบบปิดสำหรับการแจกตัวอย่าง Kurtosis ของข้อมูลจากการแจกแจงแบบเกาส์หรือไม่? กล่าวคือ ที่ Kคือโด่งตัวอย่างP(K^&lt;a)P(K^&lt;a)P(\hat{K}<a)K^K^\hat{K}

1
มีทฤษฎีบทหนึ่งที่บอกว่าลู่เข้าหากันอย่างเป็นปกติเมื่อไปถึงอินฟินิตี้หรือไม่?
Let XXXจะกระจายใด ๆ กับการกำหนดค่าเฉลี่ยμμ\muและส่วนเบี่ยงเบนมาตรฐาน\σσ\sigmaทฤษฎีขีด จำกัด กลางบอกว่า n−−√X¯−μσnX¯−μσ \sqrt{n}\frac{\bar{X} - \mu}{\sigma} ลู่เข้าสู่การแจกแจงแบบปกติ ถ้าเราแทนที่σσ\sigmaด้วยค่าเบี่ยงเบนมาตรฐานตัวอย่างSSSมีทฤษฎีที่ระบุว่า n−−√X¯−μSnX¯−μS \sqrt{n}\frac{\bar{X} - \mu}{S} ลู่เข้าหากันเพื่อการกระจายตัวหรือไม่? ตั้งแต่ขนาดใหญ่nnnการแจกแจงแบบ t ใกล้ถึงระดับปกติทฤษฏีถ้ามีอยู่อาจระบุว่าขีด จำกัด เป็นการแจกแจงแบบปกติมาตรฐาน ดังนั้นฉันจึงเห็นว่าการแจกแจงแบบทีไม่มีประโยชน์อย่างมาก - พวกมันมีประโยชน์เฉพาะเมื่อXXXเป็นปกติโดยประมาณ เป็นกรณีนี้หรือไม่? หากเป็นไปได้คุณจะระบุการอ้างอิงที่มีหลักฐานของ CLT นี้เมื่อσσ\sigmaถูกแทนที่โดยSSSหรือไม่ การอ้างอิงเช่นนี้ควรใช้แนวคิดทฤษฎีการวัด แต่จะมีอะไรดีสำหรับฉัน ณ จุดนี้

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