Questions marquées «pdf»

La fonction de densité de probabilité (PDF) d'une variable aléatoire continue donne la probabilité relative pour chacune de ses valeurs possibles. Utilisez également cette balise pour les fonctions de masse à probabilité discrète (PMF).

3
Interprétation du prédicteur et / ou de la réponse transformé par log
Je me demande si cela fait une différence d'interprétation si seules les variables dépendantes, indépendantes et dépendantes, ou uniquement les variables indépendantes sont transformées par un journal. Considérons le cas de log(DV) = Intercept + B1*IV + Error Je peux interpréter l'IV comme l'augmentation en pourcentage, mais comment cela change-t-il …
46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 
3
Les CDF sont-ils plus fondamentaux que les PDF?
Mon stat prof dit, en gros, si l’un des trois suivants est donné, vous pouvez trouver les deux autres: Fonction de distribution cumulative Fonction de génération de moment Fonction de densité de probabilité Mais mon professeur d'économétrie a déclaré que les CDF sont plus fondamentaux que les PDF car il …
43 probability  pdf  cdf  mgf 
3
Explication intuitive de la densité de la variable transformée?
Supposons que soit une variable aléatoire avec pdf f X ( x ) . Alors la variable aléatoire Y = X 2 a le pdfXXXfX(x)fX(x)f_X(x)Y=X2Y=X2Y=X^2 fY(y)={12y√(fX(y√)+fX(−y√))0y≥0y<0fY(y)={12y(fX(y)+fX(−y))y≥00y<0f_Y(y)=\begin{cases}\frac{1}{2\sqrt{y}}\left(f_X(\sqrt{y})+f_X(-\sqrt{y})\right) & y \ge 0 \\ 0 & y \lt 0\end{cases} Je comprends le calcul derrière cela. Mais j'essaie de trouver un moyen de l'expliquer …
10
Pourquoi la somme de deux variables aléatoires est-elle une convolution?
Pendant longtemps, je n'ai pas compris pourquoi la "somme" de deux variables aléatoires est leur convolution , alors qu'une fonction de densité de mélange somme de et estf(x)f(x)f(x)g(x)g(x)g(x)pf(x)+(1−p)g(x)pf(x)+(1−p)g(x)p\,f(x)+(1-p)g(x)n; la somme arithmétique et non leur convolution. L'expression exacte "la somme de deux variables aléatoires" apparaît dans google 146 000 fois et …
2
Gamma vs distributions log-normales
J'ai une distribution observée expérimentalement qui ressemble beaucoup à une distribution gamma ou lognormale. J'ai lu que la distribution lognormale est la distribution de probabilité d'entropie maximale pour une variable aléatoire pour laquelle la moyenne et la variance de ln ( X ) sont fixes. La distribution gamma a-t-elle des …
4
Comment déterminer les quantiles (isolignes?) D'une distribution normale multivariée
Je m'intéresse à la façon de calculer un quantile d'une distribution multivariée. Dans les figures, j'ai tracé les quantiles 5% et 95% d'une distribution normale univariée donnée (à gauche). Pour la bonne distribution normale multivariée, j'imagine qu'un analogue serait une isoline qui entoure la base de la fonction de densité. …
2
Pouvez-vous expliquer l'estimation de la densité de la fenêtre de Parzen (noyau) en termes simples?
L'estimation de la densité de fenêtre de Parzen est décrite comme p(x)=1n∑i=1n1h2ϕ(xi−xh)p(x)=1n∑i=1n1h2ϕ(xi−xh) p(x)=\frac{1}{n}\sum_{i=1}^{n} \frac{1}{h^2} \phi \left(\frac{x_i - x}{h} \right) où est le nombre d'éléments dans le vecteur, x est un vecteur, p ( x ) est une densité de probabilité de x , h est la dimension de la fenêtre …
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.