Je suis sur le point de terminer mes honneurs en statistique, et je veux vraiment faire un doctorat parce que je trouve les statistiques mathématiques extrêmement intéressantes. Les domaines de recherche dans lesquels je souhaite le plus faire un doctorat sont les processus stochastiques et les séries chronologiques. Cependant, je …
Tout en lisant avec désinvolture certains travaux du marché de masse sur la théorie du chaos au cours des dernières années, j'ai commencé à me demander comment divers aspects de celui-ci pouvaient être appliqués à l'exploration de données et à des domaines connexes, comme les réseaux de neurones, la reconnaissance …
Cette question est inspirée de la longue discussion dans les commentaires ici: Comment la régression linéaire utilise-t-elle la distribution normale? Dans le modèle de régression linéaire habituel, pour plus de simplicité, écrit ici avec un seul prédicteur: où les sont des constantes connues et sont des termes d'erreur indépendants de …
Je lis un commentaire dans un article, et l'auteur déclare que parfois, même si les estimateurs (trouvés par ML ou quasi-vraisemblance maximale) peuvent ne pas être cohérents, la puissance d'un rapport de vraisemblance ou d'un test de rapport de quasi-vraisemblance peut toujours converger vers 1 car le nombre de données …
J'ai récemment rencontré la distribution bivariée de Poisson, mais je suis un peu confus quant à la façon de la dériver. La distribution est donnée par: P(X=x,Y=y)=e−(θ1+θ2+θ0)θx1x!θy2y!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X=x,Y=y)=e−(θ1+θ2+θ0)θ1xx!θ2yy!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X = x, Y = y) = e^{-(\theta_{1}+\theta_{2}+\theta_{0})} \displaystyle\frac{\theta_{1}^{x}}{x!}\frac{\theta_{2}^{y}}{y!} \sum_{i=0}^{min(x,y)}\binom{x}{i}\binom{y}{i}i!\left(\frac{\theta_{0}}{\theta_{1}\theta_{2}}\right)^{i} D'après ce que je peux comprendre, le terme θ0θ0\theta_{0} est une mesure de corrélation …
Je viens d'avoir une crise de panique (intellectuelle). Une variable aléatoire continue qui suit un uniforme dans un intervalle fermé U(a,b)U(a,b)U(a,b) : un concept statistique familier. Un RV uniforme continu ayant un support sur les réels étendus (à moitié ou entiers): pas un RV proprement dit, mais un concept bayésien …
Pour les variables aléatoires et une matrice semi-définie positive A : existe-t-il une expression simplifiée pour la valeur attendue, E [ T r ( X T A X ) ] et la variance, V a r [ T r ( X T A X ) ] ? Veuillez noter que …
La question est simplement ce qui est énoncé dans le titre: quand la loi des grands nombres échoue-t-elle? Ce que je veux dire, c'est dans quels cas la fréquence d'un événement ne tendra-t-elle pas vers la probabilité théorique?
J'ai récemment obtenu mon diplôme de maîtrise en modélisation médicale et biologique, accompagné de mathématiques d'ingénierie en arrière-plan. Même si mon programme d'éducation comprenait une quantité importante de cours sur les statistiques mathématiques (voir ci-dessous pour une liste), que j'ai réussi avec des notes assez élevées, je finis souvent par …
Dans les statistiques circulaires, la valeur attendue d'une variable aléatoire avec des valeurs sur le cercle S est définie comme m 1 ( Z ) = ∫ S z P Z ( θ ) d θ (voir wikipedia ). Il s'agit d'une définition très naturelle, tout comme la définition de …
Le théorème de Halmos-Savage dit que pour un modèle statistique dominé ( Ω , A, P)(Ω,A,P)(\Omega, \mathscr A, \mathscr P) une statistique T: ( Ω , A, P) → ( Ω′, A′)T:(Ω,A,P)→(Ω′,A′)T: (\Omega, \mathscr A, \mathscr P)\to(\Omega', \mathscr A') est suffisante si (et seulement si) pour tout { P∈ P}{P∈P}\{P …
Disons que je calcule des hauteurs (en cm) et que les nombres doivent être supérieurs à zéro. Voici l'exemple de liste: 0.77132064 0.02075195 0.63364823 0.74880388 0.49850701 0.22479665 0.19806286 0.76053071 0.16911084 0.08833981 Mean: 0.41138725956196015 Std: 0.2860541519582141 Dans cet exemple, selon la distribution normale, 99,7% des valeurs doivent être comprises entre ± …
Considérons le modèle de régression linéaire y=Xβ+uy=Xβ+u\mathbf{y}=\mathbf{X\beta}+\mathbf{u} , u∼N(0,σ2I)u∼N(0,σ2I)\mathbf{u}\sim N(\mathbf{0},\sigma^2\mathbf{I}) , E(u∣X)=0E(u∣X)=0E(\mathbf{u}\mid\mathbf{X})=\mathbf{0} . Soit vs .H 1 : σ 2 0 ≠ σ 2H0:σ20=σ2H0:σ02=σ2H_0: \sigma_0^2=\sigma^2H1:σ20≠σ2H1:σ02≠σ2H_1: \sigma_0^2\neq\sigma^2 On peut en déduire que , où . Et est la notation typique de la matrice de l'annihilateur, , où est la variable dépendante …
J'essaie de comprendre la logique derrière le test du chi carré. Le test du carré est . est ensuite comparé à une distribution Chi-carré pour trouver une valeur p afin de rejeter ou non l'hypothèse nulle. : les observations proviennent de la distribution que nous avons utilisée pour créer nos …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.