Questions marquées «moments»

Les moments sont des résumés des caractéristiques des variables aléatoires (p. Ex. Emplacement, échelle). À utiliser également pour les moments fractionnaires.

1
Références: Queue du cdf inverse
Je suis presque sûr d'avoir déjà vu le résultat suivant dans les statistiques mais je ne me souviens pas où. Si est une variable aléatoire positive et alors lorsque , où est le cdf de .E ( X ) < ∞ ε F - 1 ( 1 - ε ) …
1
Fonctions de génération de moment et transformations de Fourier?
Une fonction génératrice de moments est-elle une transformée de Fourier d' une fonction de densité de probabilité? En d'autres termes, une fonction génératrice de moments est-elle simplement la résolution spectrale d'une distribution de densité de probabilité d'une variable aléatoire, c'est-à-dire une manière équivalente de caractériser une fonction en termes d' …
10 moments  mgf  cumulants 
1
R régression linéaire variable catégorielle valeur «cachée»
Ceci est juste un exemple que j'ai rencontré plusieurs fois, donc je n'ai pas d'échantillons de données. Exécution d'un modèle de régression linéaire dans R: a.lm = lm(Y ~ x1 + x2) x1est une variable continue. x2est catégorique et a trois valeurs, par exemple "Low", "Medium" et "High". Cependant, la …
10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 
1
Générer une variable aléatoire avec des moments donnés
Je connais les premiers moments d'une distribution. Je sais aussi que ma distribution est continue, unimodale et bien formée (elle ressemble à une distribution gamma). Est-ce possible de:NNN En utilisant un algorithme, générez des échantillons à partir de cette distribution, qui dans des conditions limites aura exactement les mêmes moments? …
1
Quelles sont la moyenne et la variance d'une normale multivariée sans censure?
Z∼N(μ,Σ)Z∼N(μ,Σ)Z \sim \mathcal N(\mu, \Sigma)RdRd\mathbb R^dZ+=max(0,Z)Z+=max(0,Z)Z_+ = \max(0, Z) Cela se produit par exemple parce que, si nous utilisons la fonction d'activation ReLU à l'intérieur d'un réseau profond, et supposons via le CLT que les entrées d'une couche donnée sont approximativement normales, alors c'est la distribution des sorties. (Je suis …
1
Exemple de CLT lorsque les moments n'existent pas
SoitXn=⎧⎩⎨1−12kw.p. (1−2−n)/2w.p. (1−2−n)/2w.p. 2−k for k>nXn={1w.p. (1−2−n)/2−1w.p. (1−2−n)/22kw.p. 2−k for k>nX_n = \begin{cases} 1 & \text{w.p. } (1 - 2^{-n})/2\\ -1 & \text{w.p. } (1 - 2^{-n})/2\\ 2^k & \text{w.p. } 2^{-k} \text{ for } k > n\\ \end{cases} Je dois montrer que même si cela a des moments infinis,n−−√(X¯n)→dN(0,1)n(X¯n)→dN(0,1)\sqrt{n}(\bar{X}_n) …
1
Fonction de génération de moment du produit intérieur de deux vecteurs aléatoires gaussiens
Quelqu'un peut-il suggérer comment je peux calculer la fonction de génération de moment du produit intérieur de deux vecteurs aléatoires gaussiens, chacun distribué comme , indépendamment l'un de l'autre? Y a-t-il un résultat standard disponible pour cela? Tout pointeur est très apprécié.N( 0 , σ2)N(0,σ2)\mathcal N(0,\sigma^2)
3
Quel est le problème avec ma preuve de la loi de la variance totale?
Selon la loi de la variance totale, Var( X) = E( Var( X∣ Y) ) + Var( E( X∣ Y) )Var⁡(X)=E⁡(Var⁡(X∣Y))+Var⁡(E⁡(X∣Y))\operatorname{Var}(X)=\operatorname{E}(\operatorname{Var}(X\mid Y)) + \operatorname{Var}(\operatorname{E}(X\mid Y)) En essayant de le prouver, j'écris Var( X)= E( X- EX)2= E{ E[ ( X- EX)2∣ Y] }= E( Var( X∣ Y) )Var⁡(X)=E⁡(X−E⁡X)2=E⁡{E⁡[(X−E⁡X)2∣Y]}=E⁡(Var⁡(X∣Y)) \begin{equation} \begin{aligned} …
2
Soit un vecteur aléatoire. Les èmes moments de compte?
Je suis en train d'apprendre par moi-même sur la théorie des modèles linéaires, et une chose que je trouve surprenante est que bien que soit défini pour un vecteur aléatoire , il n'y a aucune mention d'autres moments en dehors de la matrice de covariance.E[Y]E[Y]\mathbb{E}[\mathbf{Y}]Y=⎡⎣⎢⎢⎢⎢y1y2⋮yn⎤⎦⎥⎥⎥⎥Y=[y1y2⋮yn]\mathbf{Y} = \begin{bmatrix} y_1 \\ y_2 …
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.