คำถามติดแท็ก uniform

การกระจายแบบสม่ำเสมออธิบายตัวแปรแบบสุ่มที่มีแนวโน้มที่จะรับค่าใด ๆ ในพื้นที่ตัวอย่าง


1
สถิติที่เพียงพอต่อความสำเร็จร่วมกัน: เครื่องแบบ (a, b)
Letเป็นตัวอย่างที่สุ่มจากการกระจายชุดบนที่&lt;bให้และเป็นสถิติการสั่งซื้อที่ใหญ่ที่สุดและเล็กที่สุด แสดงให้เห็นว่าสถิติเป็นสถิติที่เพียงพอสมบูรณ์ร่วมกันสำหรับพารามิเตอร์B) X=(x1,x2,…xn)X=(x1,x2,…xn)\mathbf{X}= (x_1, x_2, \dots x_n)(a,b)(a,b)(a,b)a&lt;ba&lt;ba < bY1Y1Y_1YnYnY_n(Y1,Yn)(Y1,Yn)(Y_1, Y_n)θ=(a,b)θ=(a,b)\theta = (a, b) ไม่มีปัญหาสำหรับฉันที่จะแสดงความพอเพียงโดยใช้การแยกตัวประกอบ คำถาม:ฉันจะแสดงความสมบูรณ์ได้อย่างไร โดยเฉพาะอย่างยิ่งฉันต้องการคำใบ้ ความพยายาม:ฉันสามารถแสดงหมายถึงสำหรับการแจกชุดพารามิเตอร์แบบเดียว แต่ฉันติดอยู่กับการแจกชุดพารามิเตอร์ทั้งสองE[g(T(x))]=0E[g(T(x))]=0\mathbb E[g(T(x))] = 0g(T(x))=0g(T(x))=0g(T(x)) = 0 ฉันลองเล่นกับและใช้การกระจายแบบร่วมของและแต่ฉันไม่แน่ใจว่าถ้าฉันไปในทิศทางที่ถูกต้องเนื่องจากแคลคูลัสกำลังทำให้ฉันสะดุดE[g(Y1,Yn)]E[g(Y1,Yn)]\mathbb E[g(Y_1, Y_n)]Y1Y1Y_1YnYnY_n

1
วิธีตัวอย่างอย่างสม่ำเสมอจากพื้นผิวของ hyper-ellipsoid (ระยะทาง Mahalanobis คงที่)?
ในกรณีหลายตัวแปรมูลค่าจริงมีวิธีการอย่างสม่ำเสมอตัวอย่างจุดจากพื้นผิวที่ Mahalanobis ระยะห่างจากค่าเฉลี่ยของค่าคงที่หรือไม่ แก้ไข: นี่แค่เดือดลงไปที่จุดสุ่มตัวอย่างอย่างสม่ำเสมอจากพื้นผิวของไฮเปอร์ - อิลลิพอยด์ที่ตรงกับสมการ ( x - μ )TΣ- 1( x - μ ) = d2.(x−μ)TΣ−1(x−μ)=d2.(x-\mu)^T \Sigma^{-1}(x-\mu) = d^2. เพื่อให้แม่นยำยิ่งขึ้นโดย "สม่ำเสมอ" ฉันหมายถึงตัวอย่างที่องค์ประกอบแต่ละพื้นที่dAdAdAของพื้นผิวไฮเปอร์ประกอบด้วยมวลความน่าจะเป็นเดียวกัน

3
ความน่าจะเป็นแบบมีเงื่อนไขของตัวแปรต่อเนื่อง
สมมติว่าตัวแปรสุ่มตามการแจกแจงแบบต่อเนื่องพร้อมพารามิเตอร์ 0 และ 10 (เช่น )U ∼ U ( 0 , 10 )UUUU∼U(0,10)U∼U(0,10)U \sim \rm{U}(0,10) ทีนี้เรามาแทนเหตุการณ์ที่ = 5 และ B เหตุการณ์ที่เท่ากับหรือ 6 ตามความเข้าใจของฉันเหตุการณ์ทั้งสองมีความน่าจะเป็นศูนย์ที่จะเกิดขึ้นU 5UUUUUU555 ตอนนี้ถ้าเราพิจารณาที่จะคำนวณเราไม่สามารถใช้กฎหมายเงื่อนไข เนื่องจากเท่ากับศูนย์ แต่สัญชาตญาณของฉันบอกฉันว่า1/2P ( A | B ) = P ( A ∩ B )P(A|B)P(A|B)P(A|B) P(B)P(|B)=1/2P(A|B)=P(A∩B)P(B)P(A|B)=P(A∩B)P(B)P\left( {A|B} \right) = \frac{{P\left( {A \cap B} \right)}}{{P\left( B \right)}}P(B)P(B)P(B)P(A|B)=1/2P(A|B)=1/2P(A|B) …

1
การกระจายบันทึกอย่างสม่ำเสมอหมายถึงอะไร
เมื่อมีคนบอกว่าข้อมูลถูกสุ่มตัวอย่างจากการกระจายอย่างสม่ำเสมอระหว่าง 128 ถึง 4,000 นั่นหมายความว่าอย่างไร มันแตกต่างจากการสุ่มตัวอย่างจากการแจกแจงแบบสม่ำเสมอหรือไม่? ดูกระดาษนี้: http://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf ขอบคุณ!

2
ทำไม runif ไม่สร้างผลลัพธ์เดียวกันทุกครั้ง
ทำไมเครื่องกำเนิดตัวเลขแบบสุ่มrunif()ใน R ไม่สร้างผลลัพธ์เหมือนกันทุกครั้ง? ตัวอย่างเช่น: X &lt;- runif(100) X กำลังสร้างเอาต์พุตที่แตกต่างกันทุกครั้ง เหตุผลในการสร้างผลลัพธ์ที่แตกต่างกันทุกครั้งคืออะไร? มันทำหน้าที่อะไรในพื้นหลังที่จะทำเช่นนี้?

3
อัตราส่วนของการกระจายตัวสม่ำเสมอและปกติคืออะไร?
ให้ติดตามการกระจายตัวแบบสม่ำเสมอและติดตามการกระจายตัวแบบปกติ สิ่งที่สามารถจะกล่าวเกี่ยวกับ ? มีการกระจายสำหรับมันหรือไม่?Y XXXXYYYXYXY\frac X Y ฉันพบอัตราส่วนของสองบรรทัดฐานที่มีค่าเฉลี่ยเป็นศูนย์คือโคชี

2
ขอบเขตท้ายของ Euclidean norm สำหรับการกระจายแบบสม่ำเสมอบน
สิ่งที่เป็นที่รู้กันว่าขอบเขตบนของยุคลิดเป็นองค์ประกอบที่ได้รับการแต่งตั้งอย่างสม่ำเสมอของจะใหญ่กว่าเกณฑ์ที่กำหนดหรือไม่{−n, −(n−1), ..., n−1, n}d{−n, −(n−1), ..., n−1, n}d\:\{-n,~-(n-1),~...,~n-1,~n\}^d\: ฉันสนใจส่วนใหญ่อยู่ในขอบเขตที่มาบรรจบกันชี้แจงให้เป็นศูนย์เมื่อnnnมีมากน้อยกว่าdddd

1
วัดความสม่ำเสมอของการแจกแจงในวันธรรมดา
ฉันมีปัญหาคล้ายกับคำถามที่ถามที่นี่: เราวัดความไม่สม่ำเสมอของการแจกแจงได้อย่างไร ฉันมีชุดการแจกแจงความน่าจะเป็นในแต่ละวันของสัปดาห์ ฉันต้องการวัดว่าการกระจายแต่ละครั้งนั้นใกล้กับเท่าไหร่ (1 / 7,1 / 7, ... , 1/7) ตอนนี้ฉันใช้คำตอบจากคำถามข้างต้น L2-Norm ซึ่งมีค่า 1 เมื่อการแจกแจงมีมวล 1 เป็นเวลาหนึ่งวันและจะลดลงสำหรับ (1 / 7,1 / 7, 7, ... , 1/7) ฉันกำลังขยายขนาดเชิงเส้นนี้อยู่ระหว่าง 0 ถึง 1 จากนั้นจึงพลิกมัน 0 หมายความว่าไม่สม่ำเสมออย่างสมบูรณ์และ 1 หมายถึงชุดที่สมบูรณ์แบบ มันใช้งานได้ดี แต่ฉันมีปัญหาหนึ่งเรื่อง มันปฏิบัติต่อทุก ๆ วันทำงานอย่างเท่าเทียมกันเป็นมิติหนึ่งในพื้นที่ 7-Dim ดังนั้นจึงไม่ได้คำนึงถึงความใกล้ชิดของวัน กล่าวอีกนัยหนึ่งก็ให้คะแนนเดียวกันกับ (1 / 2,1 / 2,0,0,0,0,0) …

2
การแพร่กระจายของ RV สม่ำเสมออย่างต่อเนื่องโดยมีขีด จำกัด บนเป็น RV แบบสม่ำเสมออื่น
ถ้าX∼U(a,b)X∼U(a,b)X \sim U(a, b)และY∼U(a,X)Y∼U(a,X)Y \sim U(a, X)ฉันจะพูดได้ไหมว่าY∼U(a,b)?Y∼U(a,b)?Y \sim U(a, b)? ฉันกำลังพูดคุยเกี่ยวกับการกระจายสม่ำเสมออย่างต่อเนื่องกับข้อ จำกัด[a,b][a,b][a, b] ] หลักฐานจะได้รับการชื่นชม

4
ให้ n ของ r.v ที่กระจายอย่างสม่ำเสมอ PDF สำหรับ 1 rv หารด้วยผลรวมของ n r.v ทั้งหมดคืออะไร?
ฉันสนใจกรณีประเภทต่อไปนี้: มีตัวแปรสุ่มแบบต่อเนื่อง 'n' ซึ่งจะต้องรวมเป็น 1 แล้ว PDF จะเป็นอย่างไรสำหรับตัวแปรตัวใดตัวหนึ่ง ดังนั้นถ้าn=3n=3n=3ดังนั้นฉันสนใจในการแจกแจงสำหรับX1X1+X2+X3X1X1+X2+X3\frac{X_1}{X_1+X_2+X_3}โดยที่X1,X2X1,X2X_1, X_2และX3X3 X_3 มีการกระจายอย่างสม่ำเสมอ ค่าเฉลี่ยของหลักสูตรในตัวอย่างนี้คือ1/31/31/3เป็นค่าเฉลี่ยเป็นเพียง1/n1/n1/nและแม้ว่ามันจะเป็นเรื่องง่ายที่จะกระจายจำลองใน R ผมไม่ทราบว่าสิ่งที่เกิดขึ้นจริงสมสำหรับ PDF หรือ CDF คือ สถานการณ์นี้เกี่ยวข้องกับการแจกแจงของ Irwin-Hall ( https://en.wikipedia.org/wiki/Irwin%E2%80%93Hall_distribution ) มีเพียงเออร์วิน - ฮอลล์คือการกระจายตัวของผลรวมของตัวแปรสุ่ม n ชุดในขณะที่ฉันต้องการการกระจายของหนึ่งใน rv ที่เหมือนกันหารด้วยผลรวมของตัวแปร n ทั้งหมด ขอบคุณ
10 uniform 

3
การแพร่กระจายของ
ในการออกกำลังกายเป็นประจำฉันพยายามค้นหาการกระจายของโดยที่ และเป็นอิสระจากตัวแปรสุ่มX2+Y2−−−−−−−√X2+Y2\sqrt{X^2+Y^2}XXXYYYU(0,1)U(0,1) U(0,1) ความหนาแน่นรอยต่อของคือ (X,Y)(X,Y)(X,Y)fX,Y(x,y)=10&lt;x,y&lt;1fX,Y(x,y)=10&lt;x,y&lt;1f_{X,Y}(x,y)=\mathbf 1_{0\cos^{-1}\left(\frac{1}{z}\right)cosθcos⁡θ\cos\thetaθ∈[0,π2]θ∈[0,π2]\theta\in\left[0,\frac{\pi}{2}\right]zsinθ&lt;1⟹θ&lt;sin−1(1z)zsin⁡θ&lt;1⟹θ&lt;sin−1⁡(1z)z\sin\theta<1\implies\theta<\sin^{-1}\left(\frac{1}{z}\right)sinθsin⁡θ\sin\thetaθ∈[0,π2]θ∈[0,π2]\theta\in\left[0,\frac{\pi}{2}\right] ดังนั้นสำหรับเรามีขวา)1&lt;z&lt;2–√1&lt;z&lt;21< z<\sqrt 2cos−1(1z)&lt;θ&lt;sin−1(1z)cos−1⁡(1z)&lt;θ&lt;sin−1⁡(1z)\cos^{-1}\left(\frac{1}{z}\right)<\theta<\sin^{-1}\left(\frac{1}{z}\right) ค่าสัมบูรณ์ของการแปลงจาโคเบียนคือ|J|=z|J|=z|J|=z ดังนั้นความหนาแน่นรอยต่อของจึงถูกกำหนดโดย(Z,Θ)(Z,Θ)(Z,\Theta) fZ,Θ(z,θ)=z1{z∈(0,1),θ∈(0,π/2)}⋃{z∈(1,2√),θ∈(cos−1(1/z),sin−1(1/z))}fZ,Θ(z,θ)=z1{z∈(0,1),θ∈(0,π/2)}⋃{z∈(1,2),θ∈(cos−1⁡(1/z),sin−1⁡(1/z))}f_{Z,\Theta}(z,\theta)=z\mathbf 1_{\{z\in(0,1),\,\theta\in\left(0,\pi/2\right)\}\bigcup\{z\in(1,\sqrt2),\,\theta\in\left(\cos^{-1}\left(1/z\right),\sin^{-1}\left(1/z\right)\right)\}} เมื่อรวมเข้ากับเราได้รับ pdf ของเป็นθθ\thetaZZZ fZ(z)=πz210&lt;z&lt;1+(πz2−2zcos−1(1z))11&lt;z&lt;2√fZ(z)=πz210&lt;z&lt;1+(πz2−2zcos−1⁡(1z))11&lt;z&lt;2f_Z(z)=\frac{\pi z}{2}\mathbf 1_{0\sqrt 2 \end{cases} ซึ่งดูเหมือนว่าการแสดงออกที่ถูกต้อง การแยกสำหรับกรณีที่ถึงแม้ว่าจะแสดงนิพจน์ซึ่งไม่ทำให้ PDF ง่ายขึ้นเท่าที่ฉันได้รับมาFZFZF_Z1&lt;z&lt;2–√1&lt;z&lt;21< z<\sqrt 2 ในที่สุดฉันคิดว่าฉันมีภาพที่ถูกต้องสำหรับ CDF: สำหรับ :0&lt;z&lt;10&lt;z&lt;10<z<1 และสำหรับ :1&lt;z&lt;2–√1&lt;z&lt;21<z<\sqrt 2 ส่วนที่แรเงาควรระบุพื้นที่ของพื้นที่{(x,y):0&lt;x,y&lt;1,x2+y2≤z2}{(x,y):0&lt;x,y&lt;1,x2+y2≤z2}\left\{(x,y):0<x,y< 1\,,\,x^2+y^2\le z^2\right\} ภาพให้ผลตอบแทนทันที FZ(z)=Pr(−z2−X2−−−−−−−√≤Y≤z2−X2−−−−−−−√)=⎧⎩⎨⎪⎪⎪⎪πz24z2−1−−−−−√+∫1z2−1√z2−x2−−−−−−√dx, if 0&lt;z&lt;1, if 1&lt;z&lt;2–√FZ(z)=Pr(−z2−X2≤Y≤z2−X2)={πz24, if 0&lt;z&lt;1z2−1+∫z2−11z2−x2dx, if 1&lt;z&lt;2\begin{align} F_Z(z)&=\Pr\left(-\sqrt{z^2-X^2}\le Y\le\sqrt{z^2-X^2}\right) \\&=\begin{cases}\frac{\pi …

3
การประมาณพารามิเตอร์ของการแจกแจงแบบสม่ำเสมอ: ไม่เหมาะสมมาก่อน
เรามีตัวอย่าง Nจากการแจกแจงแบบสม่ำเสมอโดยที่ไม่ทราบประมาณจากข้อมูลXiXiX_i[0,θ][0,θ][0,\theta]θθ\thetaθθ\theta ดังนั้นกฎของเบย์ ... f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(\theta | {X_i}) = \frac{f({X_i}|\theta)f(\theta)}{f({X_i})} และโอกาสก็คือ: f(Xi|θ)=∏Ni=11θf(Xi|θ)=∏i=1N1θf({X_i}|\theta) = \prod_{i=1}^N \frac{1}{\theta} (แก้ไข: เมื่อ0≤Xi≤θ0≤Xi≤θ0 \le X_i \le \thetaสำหรับiทั้งหมดiiiและ 0 เป็นอย่างอื่น - ขอบคุณ whuber) แต่ไม่มีข้อมูลอื่น ๆ เกี่ยวกับθθ\thetaดูเหมือนว่าก่อนหน้านี้ควรมีสัดส่วน111 (เช่นรูปแบบเดียวกัน) หรือ1L1L\frac{1}{L} (Jeffreys ก่อนหน้า?) ใน[0,∞][0,∞][0,\infty]แต่อินทิกรัลของฉันไม่ มาบรรจบกันและฉันไม่แน่ใจว่าจะดำเนินการอย่างไร ความคิดใด ๆ

1
ประโยชน์ของการใช้การทดสอบการเปลี่ยนรูปคืออะไร?
เมื่อทำการทดสอบสมมติฐานบางตัวเทียบกับสมมติฐานทางเลือกโดยสถิติทดสอบโดยที่ให้ใช้การทดสอบการเปลี่ยนรูปกับชุดของการเปลี่ยนลำดับบนและเรามีสถิติใหม่ ยู( X)U(X)U(X)X= {xผม, . . . ,xn}X={xi,...,xn}X = \{ x_i, ..., x_n\}GGGXXXT( X) : =# { π∈ G : U( πX) ≥ คุณ( X) }| G |.T(X):=#{π∈G:U(πX)≥U(X)}|G|. T(X) := \frac{\# \{\pi \in G: U(\pi X) \geq U(X)\}}{|G|}. ประโยชน์ของการใช้แบบทดสอบการเปลี่ยนรูปมากกว่าไม่ใช้มันคืออะไร? คือเมื่อการทดสอบการเรียงสับเปลี่ยนทำงานอย่างไร มีเงื่อนไขอะไรที่จะทำให้เกิดขึ้น เช่นเงื่อนไขบางอย่างในสถิติการทดสอบและ / หรือตามสมมติฐานว่าง?ยูUU ตัวอย่างเช่น, ควร เท่ากับ p-value ขึ้นอยู่กับสำหรับตัวอย่าง ? …

4
รูปแบบประวัติเหตุการณ์แบบไม่ต่อเนื่อง (การอยู่รอด) ใน R
ฉันกำลังพยายามปรับโมเดลที่ไม่ต่อเนื่องใน R แต่ฉันไม่แน่ใจว่าจะทำอย่างไร ฉันได้อ่านแล้วว่าคุณสามารถจัดระเบียบตัวแปรตามในแถวต่างกันหนึ่งตัวสำหรับแต่ละการสังเกตเวลาและการใช้glmฟังก์ชั่นที่มีลิงค์ logit หรือ cloglog ในแง่นี้ฉันมีสามคอลัมน์: ID, Event(1 หรือ 0 ในแต่ละช่วงเวลา) และTime Elapsed(ตั้งแต่จุดเริ่มต้นของการสังเกต) รวมทั้ง covariates อื่น ๆ ฉันจะเขียนรหัสเพื่อให้พอดีกับรุ่นได้อย่างไร ตัวแปรตามคืออะไร ฉันเดาว่าฉันสามารถใช้Eventเป็นตัวแปรตามและรวมTime Elapsedอยู่ใน covariates แต่สิ่งที่เกิดขึ้นกับID? ฉันต้องการมันไหม ขอบคุณ
10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

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