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。

3
マルチレベルのカテゴリカルデータの分布の分散
現在、さまざまな特性(都市など)を持つ大規模なデータセットを分析しています。私は、データ全体でどの程度の差異があったか、またはほとんどなかったかを示すメジャーを見つけたかったのです。これは、単純に異なる要素の数を数えるよりもはるかに便利です。 たとえば、次のデータについて考えます。 City ---- Moscow Moscow Paris London London London NYC NYC NYC NYC 4つの異なる都市があることがわかりますが、分布がどれほどあるかはわかりません。私が思いついた「式」の1つは、各要素の合計データセットの割合の合計を取ることでした。この場合は、になります(2/10)^2 + (1/10)^2 + (3/10)^2 + (4/10)^2。私にはこれに対する実際の数学的証明はありませんが、それについて考えました。 この場合、たとえば、10要素のセットで、9が同じで1が異なる場合、その数はになります(9/10)^2 + (1/10)^2。しかし、それが半分であるならば、それはそうなるでしょう(5/10)^2 + (5/10)^2。 似たような公式や研究分野について意見を求めたかったのです。いくつかのグーグル検索で本当に何も見つけることができませんでした。

2
2つのiid非中心スチューデントt変量の差の分布は何ですか
ましょうと IID非中央t確率変数です。バツ1X1X_1バツ2X2X_2 分布はどうなっていますか?バツ1−バツ2X1−X2X_1 - X_2 つまり、2つのiid非中心スチューデントt変量の差の分布は何ですか? がまたは観測された推定値であるとすると、コードでは、の尤度関数は次のようになります。dddバツ1X1X1バツ2X2X2Rddd likelihood = function(x) dt(d*sqrt(N), df, ncp = x*sqrt(N)) どこd = an observed estimate of X1 or X2、x = parameter range (-Inf to Inf)、N = sample size、とdf = N - 1。 PS dt(x,df,ncp)は非中心t分布の確率密度ncp関数で、3番目の引数は非中心性パラメーターです。


1
iidサンプルの2つの最小実現の比率が1になるような正のサポートを持つ確率変数はありますか?
固定変数に対して、suppおよび確率変数を指定したと想像してくださいXXX(X)=(0,∞)(X)=(0,∞)(X)=(0,\infty)P(X∈(0,a))>0P(X∈(0,a))>0\mathbb P(X \in (0,a))>0a>0a>0a>0 iidのサンプル与えられた場合-X1,...,XnX1,...,XnX_1,...,X_n X(2)/X(1)→P1X(2)/X(1)→P1X^{(2)}/X^{(1)}\xrightarrow{\mathbb P}1 for、ここでは番目の最小要素を表しますか?n→∞n→∞n \to \inftyX(i)X(i)X^{(i)}iii

1
被加数がランダムな独立指数の和の分布
してみましょう独立同一のパラメータを持つ指数関数分布することが。次に、指定された、これらの値の合計 は、確率密度関数を使用したアーラン分布に従います τi∼exp(λ)τi∼exp⁡(λ)\tau_i\sim\exp\left(\lambda\right)λλ\lambdannnTn:=∑i=0nτiTn:=∑i=0nτiT_n := \sum_{i=0}^n \tau_iπ(Tん= T| n、λ)=λんTn − 1e- λ T(n − 1 )!以下のための T、λ ≥ 0。π(Tn=T|n,λ)=λnTn−1e−λT(n−1)!for T,λ≥0.\pi(T_n=T| n,\lambda)={\lambda^n T^{n-1} e^{-\lambda T} \over (n-1)!}\quad\mbox{for }T, \lambda \geq 0. 私は分布に興味があります。ここで、は確率変数で、指数分布する場合、 Tん〜Tn~T_\tilde nん〜n~\tilde nτa〜EXP(λa)τa∼exp⁡(λa)\tau_a \sim \exp(\lambda_a)Tn~≤τaTn~+1>τa.Tn~≤τaTn~+1>τa.T_\tilde n \leq \tau_a \\T_{\tilde{n}+1} > \tau_a. つまり、は指数分布で切り捨てられます。分布の導出に失敗しましたが、おそらくもっと簡単な方法があります: Tn~Tn~T_{\tilde n}n~n~\tilde nπ(n~=k)=π(Tn<τa|n=k)=1−∫R+∑n=0k−11n!exp(−(λ+λa)τa)(τλa)nλadτa.π(n~=k)=π(Tn<τa|n=k)=1−∫R+∑n=0k−11n!exp⁡(−(λ+λa)τa)(τλa)nλadτa.\pi\left(\tilde n = k\right) = \pi\left(T_n …

1
ベータ母集団のサンプル範囲の分布を見つける
レッツ密度を有するランダム変数をIIDしますX1,X2,…,XnX1,X2,…,XnX_1,X_2,\ldots,X_n f(x)=2(1−x)10&lt;x&lt;1f(x)=2(1−x)10&lt;x&lt;1f(x)=2(1-x)\mathbf1_{0<x<1} サンプル範囲の分布を導き出そうとしています。R=X(n)−X(1)R=X(n)−X(1)R=X_{(n)}-X_{(1)} 私がこれらの問題を行う通常の方法は、最初にを取るの結合密度を見つけ、次に限界密度としての分布を見つけることです。の共同分布を知っているので、これは一般に非常に簡単です。ただし、この特定の問題では、マージナルPDFを見つけるための統合は、手作業で評価するのがかなり面倒です。(R,S)(R,S)(R,S)S=X(1)S=X(1)S=X_{(1)}RRR(X(1),X(n))(X(1),X(n))(X_{(1)},X_{(n)}) 絶対連続分布の場合、変数の変化を介して、結合密度が次の式で与えられることが簡単に示されます。(R,S)(R,S)(R,S) fR,S(r,s)=n(n−1)(F(r+s)−F(s))n−2f(s)f(r+s)1s&lt;r+sfR,S(r,s)=n(n−1)(F(r+s)−F(s))n−2f(s)f(r+s)1s&lt;r+sf_{R,S}(r,s)=n(n-1)(F(r+s)-F(s))^{n-2}f(s)f(r+s)\mathbf1_{s<r+s} ここで、は人口分布関数です。FFF だからここに私は単純化した後 fR,S(r,s)=4n(n−1)(r(2−2s−r))n−2(1−s)(1−r−s)10&lt;s&lt;r+s&lt;1fR,S(r,s)=4n(n−1)(r(2−2s−r))n−2(1−s)(1−r−s)10&lt;s&lt;r+s&lt;1f_{R,S}(r,s)=4n(n-1)(r(2-2s-r))^{n-2}(1-s)(1-r-s)\mathbf1_{0<s<r+s<1} 手段のPDFその用あるべきですRRR0&lt;r&lt;10&lt;r&lt;10<r<1 fR(r)=∫1−r0fR,S(r,s)ds=4n(n−1)rn−2∫1−r0(2−2s−r)n−2(1−s)(1−r−s)dsfR(r)=∫01−rfR,S(r,s)ds=4n(n−1)rn−2∫01−r(2−2s−r)n−2(1−s)(1−r−s)ds\begin{align} f_R(r)&=\int_0^{1-r}f_{R,S}(r,s)\,ds \\&=4n(n-1)r^{n-2}\int_0^{1-r}(2-2s-r)^{n-2}(1-s)(1-r-s)\,ds \end{align} 今度は、部品統合しますI=∫1−r0(2−2s−r)n−2(1−s)(1−r−s)dsI=∫01−r(2−2s−r)n−2(1−s)(1−r−s)dsI=\int_0^{1-r}(2-2s-r)^{n-2}(1-s)(1-r-s)\,ds その指摘 d[(1−s)(1−r−s)]=(2s+r−2)dsd[(1−s)(1−r−s)]=(2s+r−2)dsd\,[(1-s)(1-r-s)]=(2s+r-2)\,ds 詳細をスキップして、 I=[(1−s)(1−r−s)(2−2s−r)n−12(1−n)]1−r0+∫1−r0(2−2s−r)n2(1−n)ds=(r−1)(2−r)n−12(1−n)−14(1−n)∫r2−rtndt=(r−1)(2−r)n−12(1−n)+14(n2−1)[rn+1−(2−r)n+1]I=[(1−s)(1−r−s)(2−2s−r)n−12(1−n)]01−r+∫01−r(2−2s−r)n2(1−n)ds=(r−1)(2−r)n−12(1−n)−14(1−n)∫2−rrtndt=(r−1)(2−r)n−12(1−n)+14(n2−1)[rn+1−(2−r)n+1]\begin{align} I&=\left[(1-s)(1-r-s)\frac{(2-2s-r)^{n-1}}{2(1-n)}\right]_0^{1-r}+\int_0^{1-r}\frac{(2-2s-r)^n}{2(1-n)}\,ds \\\\&=\frac{(r-1)(2-r)^{n-1}}{2(1-n)}-\frac{1}{4(1-n)}\int_{2-r}^{r}t^n\,dt \\\\&=\frac{(r-1)(2-r)^{n-1}}{2(1-n)}+\frac{1}{4(n^2-1)}\left[r^{n+1}-(2-r)^{n+1}\right] \end{align} それはそうではないかもしれませんが、これを手作業で行い、すべてのステップを書き留めるには、かなりの時間がかかりました。 最後に、私はのPDFファイルを取得などをRRR fR(r)=4n(n−1)rn−2[(r−1)(2−r)n−12(1−n)+14(n2−1){rn+1−(2−r)n+1}]10&lt;r&lt;1fR(r)=4n(n−1)rn−2[(r−1)(2−r)n−12(1−n)+14(n2−1){rn+1−(2−r)n+1}]10&lt;r&lt;1f_R(r)=4n(n-1)r^{n-2}\left[\frac{(r-1)(2-r)^{n-1}}{2(1-n)}+\frac{1}{4(n^2-1)}\left\{r^{n+1}-(2-r)^{n+1}\right\}\right]\mathbf1_{0<r<1} 正直なところ、面倒な計算の後で、これが統合されているかどうかを確認する必要があるかどうかはわかりません(ソフトウェアを使用せずに)。したがって、この答えが意味を成すかどうかはわかりません。111 問題を解決するための代替手順、およびおそらくより効率的な方法について知りたいのですが。CDFメソッドでもほぼ同じ複雑さになると思います。

2
予測された分布の質の評価
データポイントセットがあり、は独立変数であり、各は、パラメーターを使用した指数分布から描画されるものとしてモデル化できると思います。Xi,yiXi,yiX_i, y_ixxxyiyiy_iλiλi\lambda_i を使用してを予測する場合、観測値に関して予測した分布の品質をどのように評価できますか?XiXiX_iλiλi\lambda_iyiyiy_i 編集:これは基本的に、ベルヌーイ実験の確率推定器の品質を評価する方法と同じ質問ですか?しかし、二項式の文脈ではなく、連続的な文脈で。この場合、クロスエントロピーの代わりに何を使用するかは明らかではありません。


2
なぜ治療コーディングはランダムな傾きと切片の間の相関をもたらすのですか?
実験的処理変数に2つのレベル(条件)がある被験者内および項目内の要因計画を考えます。をm1最大モデルとm2非ランダム相関モデルにします。 m1: y ~ condition + (condition|subject) + (condition|item) m2: y ~ condition + (1|subject) + (0 + condition|subject) + (1|item) + (0 + condition|item) Dale Barr はこの状況について次のように述べています。 編集(2018年4月20日):Jake Westfallが指摘したように、次のステートメントはこの Webサイトの図1および2に示されているデータセットのみを参照しているようです。ただし、基調講演は変わりません。 偏差コーディング表現(条件:-0.5 vs. 0.5)m2では、被験者のランダムな切片が被験者のランダムな傾きと無相関である分布が可能です。最大モデルのみm1が、2つが相関している分布を許可します。 治療コーディング表現(条件:0対1)では、被験者のランダム切片が被験者のランダムな傾きと無相関であるこれらの分布は、無作為相関モデルを使用してフィッティングできません。治療コード表現における勾配と切片。 なぜ治療コーディングは 常に ランダムな傾きと切片の間に相関関係が生じますか?


1
ベータ二項分布の限界は二項式です
ベータ二項分布と二項分布の関係を理解し​​ようとしています。より具体的には、私はベータ二項分布の限界を、p = a /(a + b )p=a/(a+b)p=a/(a+b) 二項式である a + ba+ba+b無限に行きます。表示に問題があります。役立つヒントがあれば非常に役立ちます。 このため、私はの限界を取るべきだと思います ベータ版(a 、b )beta(a,b)\text{beta}(a,b) として機能する a + ba+ba+b無限に行きます。これは存在しますか?以下の回答によると、これは存在しません。また、MGFは厄介なため、使用をためらっています。

1
閉じたフォームなしで逆Cdfからランダムサンプルを生成する
私は、逆累積分布関数が閉じた形で存在しない特定の分布に取り組んでいます。分布の累積分布関数は、 F(x;d,m,p,α,β)=1−(1+xm)−dexp(−βxα)1−p(1+xm)−dexp(−βxα)F(x;d,m,p,α,β)=1−(1+xm)−dexp⁡(−βxα)1−p(1+xm)−dexp⁡(−βxα)F(x; d, m, p, \alpha, \beta) = \frac{1-(1+x^m)^{-d} \exp(-\beta x^\alpha)}{1-p(1+x^m)^{-d} \exp(-\beta x^\alpha)} 正に m 、d、α 、βm,d,α,βm, d, \alpha, \beta そして 0 &lt; p &lt; 10&lt;p&lt;10\lt p \lt 1。 私の問題は、Rパッケージが初めてで、を使用して配布からランダムサンプルを生成する必要があることですR。

2
非整数パラメーターによるガンマ分布の動機
Erlang分布は、ポアソンプロセスで事前定義された数のイベントが発生するまでの待機時間、または事前定義された数の指数確率変数の合計に関して、簡単に解釈できます。ガンマ分布は、非整数パラメーターを許容するため、より一般的ですが、通常、同じ動機が与えられます。私はこの質問が何度か出されたことを知っていますが、満足のいく答えが見当たらないので、もう一度提起します:ガンマ分布ランダム変数を発生させるランダムプロセスの正規または少なくともプロトタイプの例は何ですか?同時にErlang確率変数ではありませんか?

1
カウントデータがポアソン分布に適合しない場合の対処
私は博士の統計学の学生です。カウントデータのデータセットを使用しています。n方向のリアルタイムチャット会話に関与しているユーザーの数です。ユーザー数は1〜6人で、セットには約300個のデータがあります。 私の最初の動機は、データがポアソン分布に適合するかどうかを理解することでした。良い適合が見つかった場合、この結果をさらに推論するために使用できると考えていました。 長い話を短くするために、データを適合させようとしたところ、0.05の有意水準で適合できませんでした。したがって、私の仮説を拒否できます(ポアソン分布を使用してデータセットを近似できる)。 密度プロットを見ると、このように適合度が低いのは、「2人のユーザーに対して記録された値が多すぎるためです。ポアソン分布は、このビンの値が少ないほどよく適合します。しかし、私自身のデータ私は外れ値があると信じる理由はありません(つまり、上位または下位のビンに割り当てられる2人のユーザーとの会話) users &lt;- c(1, 2, 2, 1, 1, 1, 1, 2, 2, 3, 2, 2, 2, 1, 1, 1, 2, 2, 1, 1, 4, 3, 3, 3, 1, 2, 1, 1, 2, 4, 3, 2, 2, 1, 2, 3, 2, 2, 1, 1, 1, 2, 2, 1, …

1
対数正規確率変数の合計の分布を見つける
2つの対数正規確率変数の合計の分布を見つけようとしています。これを投稿する前に、クロス検証済み、スタックオーバーフロー、およびいくつかの論文で利用可能な文献を参照しました。 畳み込みを使用して、2つの対数正規rvの合計の分布を見つけました。近似は違いに対して機能します。しかし、合計ではありません。CDFとPDFの両方で0でひどいねじれが発生しています。その理由がわかりませんでした。微調整を少し行うだけで、分布の形が正しくなります。しかし、私がやっていたことが正しいかどうかはわかりません。 誰かが私をここに案内できますか?

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.