タグ付けされた質問 「distributions」

分布は、確率または頻度の数学的記述です。

1
PDFの分布のファミリーは
与えられた(比例定数まで)PDFで分布の家族を考えてみ それはどのように呼ばれますか?名前がない場合、どのように呼びますか?P (X )〜1(1 + α X2)1 / α。p(x)∼1(1+αx2)1/α.p(x)\sim \frac{1}{(1+\alpha x^2)^{1/\alpha}}. それは家族に非常に似ています -distributionsとPDF比例する P (X )〜1tttP (X )〜1(1 + 1νバツ2)(ν+ 1 )/ 2。p(x)∼1(1+1νx2)(ν+1)/2.p(x)\sim \frac{1}{(1+\frac{1}{\nu} x^2)^{(\nu+1)/2}}. とき、我々が持っているトン -distributionと1 DF、別名コーシー分布を。ときα → 0またはν → ∞、我々はガウス分布を得ます。α = ν= 1α=ν=1\alpha=\nu=1tttα → 0α→0\alpha\to 0ν→ ∞ν→∞\nu\to\infty この分布のファミリは、Yang et al。、Heavy-Tailed Symmetric Stochastic Neighbor Embedding、NIPS 2009に記載されていますが、それらを参照するために名前を使用していません。

1
プロセスの定常分布の直感的な説明/動機
多くの場合、文学では、著者は時系列プロセスの定常分布を見つけることに関心を持っています。たとえば、次の単純なAR(検討)プロセス:。111{Xt}{Xt}\{X_t\}Xt=αXt−1+et,Xt=αXt−1+et,X_t = \alpha X_{t-1} + e_t, et∼iidfet∼iidfe_t\stackrel{iid}{\thicksim} f 確率過程の定常分布を見つける動機は何でしょうか? 結果の定常分布を使用して、他にどのような(理論的および実用的な)分析を行うことができますか? 定常分布が存在しない場合の問題は何ですか?プロセスは役に立たなくなりますか? 定常分布は存在するが、閉形式がない場合はどうなりますか?同じの閉形式表現がないことの欠点は何ですか?


1
とがPDFでiidである場合の分布
私は次の問題に取り組んでいます: LET及び一般的な密度を有する独立したランダム変数である。してみましょうU = \分(X、Y)とV = \ MAX(X、Y) 。(U、V)の結合密度を求め、したがってU + Vの確率密度関数を求めます。XXXYYYf(x)=αβ−αxα−110&lt;x&lt;βf(x)=αβ−αxα−110&lt;x&lt;βf(x)=\alpha\beta^{-\alpha}x^{\alpha-1}\mathbf1_{0<x<\beta}α⩾1α⩾1\alpha\geqslant1U=min(X,Y)U=min(X,Y)U=\min(X,Y)V=max(X,Y)V=max(X,Y)V=\max(X,Y)(U,V)(U,V)(U,V)U+VU+VU+V U+V=X+YU+V=X+YU+V=X+Y、私は単にのPDFファイルを見つけることができますX+YX+YX+YのPDFものを見るためにU+VU+VU+Vなければなりません。 T = X + Yのpdf T=X+YT=X+YT=X+YがfT(t)=∫f(t−y)f(y)dy=α2β−2α∫min(t,β)max(t−β,0)(y(t−y))α−1dy10&lt;t&lt;2β(1)(1)fT(t)=∫f(t−y)f(y)dy=α2β−2α∫max(t−β,0)min(t,β)(y(t−y))α−1dy10&lt;t&lt;2βf_T(t)=\int f(t-y)f(y)\,\mathrm{d}y=\alpha^2\beta^{-2\alpha}\int_{\max(t-\beta,0)}^{\min(t,\beta)}(y(t-y))^{\alpha-1}\,\mathrm{d}y\,\mathbf1_{0<t<2\beta}\tag{1} ただし、その積分を単純化できるかどうかはわかりません。 実際の質問に戻ってくるの関節PDF (U,V)(U,V)(U,V)によって与えられます。 fU,V(u,v)=2f(u)f(v)10&lt;u&lt;v&lt;β=2α2β−2α(uv)α−110&lt;u&lt;v&lt;βfU,V(u,v)=2f(u)f(v)10&lt;u&lt;v&lt;β=2α2β−2α(uv)α−110&lt;u&lt;v&lt;βf_{U,V}(u,v)=2f(u)f(v)\mathbf1_{0<u<v<\beta}=2\alpha^2\beta^{-2\alpha}(uv)^{\alpha-1}\mathbf1_{0<u<v<\beta} 変数(U,V)→(W,Z)(U,V)→(W,Z)(U,V)\to(W,Z)ましたW=U+VW=U+VW=U+VおよびZ=UZ=UZ=Uです。ヤコビアンの絶対値は1です。また、0&lt;u&lt;v&lt;β⟹0&lt;z&lt;w2&lt;β0&lt;u&lt;v&lt;β⟹0&lt;z&lt;w2&lt;β0<u<v<\beta\implies 0<z<\frac{w}{2}<\betaです。したがって、Wの限界pdf WWWは fW(w)=2α2β−2α∫w/20(z(w−z))α−1dz10&lt;w&lt;2β(2)(2)fW(w)=2α2β−2α∫0w/2(z(w−z))α−1dz10&lt;w&lt;2βf_W(w)=2\alpha^2\beta^{-2\alpha}\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}\,\mathbf1_{0<w<2\beta}\tag{2} 確率変数の適切なサポートで、いくつかのエラーを犯した可能性があります。また、積分が基本関数の観点から解を持たない可能性もあります。いずれにしても、積分を進めることができませんでした。したがって、がと同じpdf であることを確認することさえできませんでした。と分布が異なるようです。そして、好奇心から、の分布には名前がありますか(その場合、そのような2つの確率変数のたたみ込みを検索したでしょう)。W=U+VW=U+VW=U+VT=X+YT=X+YT=X+YWWWTTTXXX 編集。 手で取得した最後の積分を続行 ∫w/20(z(w−z))α−1dz=w2α−1∫1/20tα−1(1−t)α−1dt=w2α−1I1/2(α,α)B(α,α)∫0w/2(z(w−z))α−1dz=w2α−1∫01/2tα−1(1−t)α−1dt=w2α−1I1/2(α,α)B(α,α)\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}=w^{2\alpha-1}\int_0^{1/2}t^{\alpha-1}(1-t)^{\alpha-1}\,\mathrm{dt}=w^{2\alpha-1}I_{1/2}(\alpha,\alpha)B(\alpha,\alpha)ここで、は正則化された不完全ベータ関数です。プロパティ、を取得します。最後に、IxIxI_{x}Ix(a,b)=1−I1−x(b,a)Ix(a,b)=1−I1−x(b,a)I_x(a,b)=1-I_{1-x}(b,a)I1/2(α,α)=12I1/2(α,α)=12I_{1/2}(\alpha,\alpha)=\frac{1}{2}∫w/20(z(w−z))α−1dz=12w2α−1B(α,α)∫0w/2(z(w−z))α−1dz=12w2α−1B(α,α)\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}=\frac{1}{2}w^{2\alpha-1}B(\alpha,\alpha) これは、 fW(w)=α2β−2αB(α,α)w2α−110&lt;w&lt;2βfW(w)=α2β−2αB(α,α)w2α−110&lt;w&lt;2βf_W(w)=\alpha^2\beta^{-2\alpha}B(\alpha,\alpha)w^{2\alpha-1}\mathbf1_{0<w<2\beta} これがの特定の範囲内の密度ではないことは容易にわかります。だから、どこかで大きな間違いをしたような気がします。Mathematicaで計算を確認しましたが、彼らは同意しているようです。www

1
指数の積の線形結合の合計は指数です
この問題は私の研究で発生しましたが平均 iid指数分布(ED)であり、が負でない数であると仮定し。それが真実であること これは、両側の期待値がに等しいため、健全性チェックに合格します。とすると、左側は指数関数的なになります。それ以外は、EDの製品の処理方法がわからないため、この問題への対処方法がわかりません。1 λ ∞ Σ K = 0Vi∼EDVi∼EDV_i \sim \text{ED}111λλ\lambda1λ=0V0∑k=0∞λke−λV0⋯Vkk!∼ED?∑k=0∞λke−λV0⋯Vkk!∼ED? \sum_{k=0}^{\infty} \frac{\lambda^k e^{-\lambda}V_{0} \cdots V_k}{k!} \sim \text{ED}? 111λ=0λ=0\lambda = 0V0V0V_0

2
モーメント生成関数の実際の使用
ほとんどの基本的な確率理論コースでは、指示されたモーメント生成関数(mgf)は確率変数のモーメントの計算に役立ちます。特に期待と分散。現在、ほとんどのコースで、期待値と差異について提供する例は、定義を使用して分析的に解決できます。 期待値と分散を見つけることが分析的に困難であり、mgfの使用が必要であった分布の実際の例はありますか?ベーシックコースでなぜ重要なのか正確に理解できないので、お願いします。

2
カイ二乗確率変数の二乗の合計の分布はどのようになっていますか?
次の方程式の分布はどうなりますか: y= a2+ 2 a d+ d2y=a2+2ad+d2y = a^2 + 2ad + d^2 ここでとは、自由度を持つ独立した非中心カイ二乗確率変数です。d 2 Maaaddd2 M2M2 \textbf{M} OBS:RVの生成の両方と持っていると、のは言わせ。D μ = 0 σ 2 ≠ 1 σ 2 = Caaadddμ = 0μ=0\mu = 0σ2≠ 1σ2≠1\sigma^2 \neq 1σ2= cσ2=c\sigma^2 = c

3
ような確率密度を持つ分布の名前は何ですか?
私の無知を許してください、このような確率密度を持つ分布の名前は何ですか? またはより一般的には または ここでは正規化定数です。p (x )∝ 1p (x )∝ 11 + eバツ、x &gt; 0、p(x)∝11+ex,x&gt;0,p(x) \propto \frac{1}{1 + e^x},\quad x > 0\,,P (X )= η 1p (x )∝ 11 + α Eβバツ、x &gt; 0、p(x)∝11+αeβx,x&gt;0,p(x) \propto \frac{1}{1 + \alpha e^{\beta x}},\quad x > 0\,,ηp (x )= η11 + α Eβバツ、x &gt; 0、p(x)=η11+αeβx,x&gt;0,p(x) …

1
コサインカーネルはベータ分布の場合と理解できますか?
Wand and Jones(1995)が述べたように、ほとんどの標準カーネルは、 K(x;p)={22p+1B(p+1,p+1)}−1(1−x2)p1{|x|&lt;1}K(x;p)={22p+1B(p+1,p+1)}−1(1−x2)p1{|x|&lt;1} K(x;p) = \{ 2^{2p+1} \; \mathrm{B}(p+1,p+1) \}^{-1} \; (1-x^2)^p \;\boldsymbol{1}_{\{|x|<1\}} ここで、B(⋅,⋅)B(⋅,⋅)\mathrm{B}(\cdot,\cdot)はベータ関数です。pの異なる値はppp、長方形(p=0p=0p=0)、エパネチニコフ(p=1p=1p=1)、バイウェイト(p=2p=2p=2)、およびトライウェイト(p=3p=3p=3)カーネルにつながります。 余弦カーネル(R density関数で理解できる) 12(1+cos(πx))1{|x|&lt;1}12(1+cos⁡(πx))1{|x|&lt;1} \frac{1}{2} (1 + \cos(\pi x)) \;\boldsymbol{1}_{\{|x|<1\}} この家族の一員としても考えられますか?もしそうなら、それのためのpの適切な値は何pppですか?いくつかのシミュレーションを実行した後、≈2.35≈2.35\approx 2.35はかなり近いと思いますが、(方法)シミュレーションなしで適切なものを見つけるにはどうすればよいですか?そうでない場合、ベータ分布を使用して概算できますか? ワンド、MPおよびジョーンズ、MC(1995)。 カーネル平滑化。 チャップマンとホール、ロンドン。

4
これはどんな分布ですか?
2つの変数間の共分散がゼロの制限分布に直面しましたが、それらの相関はです。そのような分布はありますか?どのように説明できますか?111 詳細を教えてください。OK、XとYは、分散と平均が異なる(nがない)2変量正規分布ですが、corr = 1-(1 / n)ですが、Yn | Xn = xの極限分布を調べます。

2
ガウス混合モデルの「混合」とは
機械学習とその応用において有用なモデルとして、ガウス混合モデルをよく研究します。 この「混合物」の物理的な意味は何ですか? ガウス混合モデルは、それぞれ独自の平均値を持つ多数の確率変数の確率をモデル化するために使用されますか?そうでない場合、この単語の正しい解釈は何ですか。

2
統計の確率分布間の関係に関する情報はどこで入手できますか?
ディストリビューション間の関係に興味があります。「指数確率変数の合計は、ガンマ確率変数です。特定の条件付き分布は別の分布などです。」私はウィキペディアとグーグルを検索しましたが、それらの要約があり、具体的に証明または説明されていません。ディストリビューションの関係と詳細な証明または説明について知りたい。Webサイトまたは本のどちらでもかまいません。

3
SVDを実行して欠損値を代入する方法、具体例
SVDを適用する前に欠損値を処理する方法に関する素晴らしいコメントを読みましたが、簡単な例でどのように機能するか知りたいです。 Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 上記のマトリックスを考えると、NAの値を削除すると、User2とUser5しかなくなります。これは、私のUが2×kになることを意味します。しかし、欠損値を予測する場合、Uは5×kである必要があります。これは、特異値とVで乗算できます。 上記のマトリックスで、最初に欠損値のあるユーザーを削除してからSVDを適用して、欠損値を記入する人はいますか?数学記号を使いすぎずに、適用した手順の非常に簡単な説明を提供し、答えを実用的なものにしてください(つまり、数値に別の数値を掛けると答えが得られます)。 次のリンクを読みました。 stats.stackexchange.com/q/33142 stats.stackexchange.com/q/31096 stats.stackexchange.com/q/33103
8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 

5
確率分布はどのように発散することができますか?
たとえば、どのようにしてガンマ分布がゼロ近くに発散し(スケールと形状パラメーターの適切なセット、たとえば、シェイプとスケール)、面積が1に等しいか?= 10=0.1=0.1=0.1=10=10=10 私が理解しているように、確率密度分布の面積は常に1に等しくなければなりません。ゼロで発散するが他の場所ではゼロであるディラックデルタ分布を取る場合、面積は1になります。 どういうわけか、発散するガンマ分布の面積を取得する場合、それをディラックデルタ分布の面積として表すことができますで重みがゼロではないので、それは1より大きくなるためです。x≠0x≠0x\neq0 誰かが私の推論がうまくいかないところを私に説明できますか?

2
ポアソン分布をテーブルデータにどのように近似しますか?
Iは、テーブルが与えられてきた及びの数ようなものである、指示をすべてのの量。Y = (3062 、587 、284 、103 、33 、4 、2 )X I 、Y IX = (0 、1 、2 、3 、4 、5 、6 )x=(0,1,2,3,4,5,6)x=(0,1,2,3,4,5,6)y= (3062 、587 、284 、103 、33 、4 、2 )y=(3062,587,284,103,33,4,2)y=(3062,587,284,103,33,4,2)バツ私xix_iy私yiy_i これにポアソン分布を当てはめるように求められます。 これにポアソン分布をフィットさせるとはどういう意味ですか? ここ、p.8:http : //www.stats.ox.ac.uk/~marchini/teaching/L5/L5.notes.pdf ポアソンのフィッティングには、各についてを計算する必要があると言われています。しかし、ここでやるの行きますか?の計算についてフィッティングはありますか?x y P (X = x )P(X= x )P(X=x)P(X=x)バツxxyyyP(X= x )P(X=x)P(X=x)

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.