Questions marquées «joint-distribution»

La distribution de probabilité conjointe de plusieurs variables aléatoires donne la probabilité qu'elles se trouvent toutes simultanément dans une région particulière.

1
Limites supérieures pour la densité de copule?
La limite supérieure de Fréchet – Hoeffding s'applique à la fonction de distribution des copules et est donnée par C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. Existe-t-il une limite supérieure similaire (dans le sens où cela dépend des densités marginales) pour la densité de copule au lieu du CDF?c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) Toute référence serait grandement appréciée.
5
Différence entre les termes «distribution conjointe» et «distribution multivariée»?
J'écris sur l'utilisation d'une «distribution de probabilité conjointe» pour un public qui serait plus susceptible de comprendre la «distribution multivariée», donc j'envisage d'utiliser la dernière. Cependant, je ne veux pas perdre de sens en faisant cela. Wikipédia semble indiquer qu'il s'agit de synonymes. Sont-ils? Sinon, pourquoi pas?
3
Estimateur du maximum de vraisemblance de la distribution conjointe, compte tenu uniquement des comptes marginaux
Soit une distribution conjointe de deux variables catégorielles , avec . Supposons que échantillons ont été tirés de cette distribution, mais nous ne recevons que les comptes marginaux, à savoir pour :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(Xi=l),Tj=∑i=1nδ(Yi=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)}, Quel est l'estimateur du maximum de vraisemblance pour , étant donné …
2
Le théorème central à plusieurs variables (CLT) tient-il lorsque les variables présentent une dépendance contemporaine parfaite?
i = 1 , . . . , n S n = 1Xje∽i i dN( 0 , 1 )Xje∽jejeréN(0,1)X_i \overset{iid}{\backsim} \mathcal{N}(0, 1)i = 1 , . . . , nje=1,...,ni = 1, ..., nTn=1Sn= 1n∑i = 1nXjeSn=1n∑je=1nXje\begin{equation} S_n = \frac{1}{n} \sum_{i=1}^n X_i \end{equation}Tn= 1n∑i = 1n( X2je- 1 )Tn=1n∑je=1n(Xje2-1)\begin{equation} T_n …
1
Comment comparer les événements observés aux événements attendus?
Supposons que j'ai un échantillon de fréquences de 4 événements possibles: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 et j'ai les probabilités attendues que mes événements se produisent: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Avec la somme des fréquences …
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 
1
Espacement entre des variables aléatoires uniformes discrètes
Laissez être IID uniformes variables aléatoires discrètes sur (0,1) et leurs statistiques d'ordre soit .U1,…,UnU1,…,UnU_1, \ldots, U_nnnnU(1),…,U(n)U(1),…,U(n)U_{(1)}, \ldots, U_{(n)} Définissez pour avec .Di=U(i)−U(i−1)Di=U(i)−U(i−1)D_i=U_{(i)}-U_{(i-1)}i=1,…,ni=1,…,ni=1, \ldots, nU0=0U0=0U_0=0 J'essaie de comprendre la distribution conjointe des et leur distribution marginale et peut-être leurs premiers instants. Quelqu'un peut-il donner un indice à ce sujet. Pouvez-vous …
1
La distribution d'entropie maximale est-elle cohérente avec les distributions marginales données, la distribution du produit des marginaux?
Il existe généralement de nombreuses distributions conjointes cohérentes avec un ensemble connu de distributions marginales .P(X1=x1,X2=x2,...,Xn=xn)P(X1=x1,X2=x2,...,Xn=xn)P(X_1 = x_1, X_2 = x_2, ..., X_n = x_n)fi(xi)=P(Xi=xi)fi(xi)=P(Xi=xi)f_i(x_i) = P(X_i = x_i) De ces distributions conjointes, le produit est-il formé en prenant le produit des marginaux celui ayant l'entropie la plus élevée?∏ifi(xi)∏ifi(xi)\prod_i f_i(x_i) …
1
Résolution analytique de l'échantillonnage avec ou sans remplacement après binôme Poisson / Négatif
Version courte J'essaie de résoudre / approximer analytiquement la probabilité composite qui résulte de tirages de Poisson indépendants et d'un échantillonnage supplémentaire avec ou sans remplacement (je ne me soucie pas vraiment lequel). Je veux utiliser la vraisemblance avec MCMC (Stan), donc je n'ai besoin de la solution que jusqu'à …
1
Variable aléatoire univariée X, Y avec : sont-ils indépendants?
Soit et des variables aléatoires univariées avec CDF telles que: où , sont des fonctions connues.X:Ω→RX:Ω→RX:\Omega\to\mathbb{R}Y:Ω→RY:Ω→RY:\Omega\to\mathbb{R}FX,Y(x,y)FX,Y(x,y)F_{X,Y}(x,y)FX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×RFX,Y(x,y)=G1(x)G2(y),∀(x,y)∈R×R F_{X,Y}(x,y)=G_1(x)G_2(y),\forall (x,y)\in\mathbb{R}\times\mathbb{R} G1:R→RG1:R→RG_1:\mathbb{R}\to\mathbb{R}G2:R→RG2:R→RG_2:\mathbb{R}\to\mathbb{R} Question : Est-il vrai que et sont des VR indépendants?XXXYYY Quelqu'un peut-il me donner quelques indices? J'ai essayé de: mais je ne sais pas pourquoi (ou si) \ lim_ {y \ …
1
Distance de Mahalanobis sur des données non normales
La distance de Mahalanobis, lorsqu'elle est utilisée à des fins de classification, suppose généralement une distribution normale multivariée, et les distances par rapport au centroïde doivent ensuite suivre une (avec degrés de liberté égaux au nombre de dimensions / caractéristiques). Nous pouvons calculer la probabilité qu'un nouveau point de données …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.