タグ付けされた質問 「normal-distribution」

正規分布、つまりガウス分布には、対称的な鐘型の曲線である密度関数があります。これは、統計で最も重要な分布の1つです。[normality]タグを使用して、正常性のテストについて尋ねます。


2
なぜマクネマーの検定は正規分布ではなくカイ二乗を使用するのですか?
正確でないマクネマーの検定がカイ二乗漸近分布をどのように使用するかに気づきました。しかし、正確な検定(2つのケースのテーブルの場合)は二項分布に依存しているため、二項分布の正規近似を提案することが一般的ではないのはなぜですか。 ありがとう。

1
iid確率変数の和の平方根の中心極限定理
math.stackexchangeでの質問に興味をそそられ、それを経験的に調査すると、iid確率変数の和の平方根に関する次のステートメントについて疑問に思っています。 仮定有限の非ゼロのiid確率変数平均値であるμ、分散σ 2、およびY = N Σ iの= 1 X Iを。中心極限定理は述べていますY - N μをバツ1、X2、… 、XんX1,X2,…,XnX_1, X_2, \ldots, X_nμμ\muσ2σ2\sigma^2Y= ∑i = 1んバツ私Y=∑i=1nXi\displaystyle Y=\sum_{i=1}^n X_iとしてNが増加します。Y- nはμnはσ2−−−√ →d N(0 、1 )Y−nμnσ2 →d N(0,1)\displaystyle \dfrac{Y - n\mu}{\sqrt{n\sigma^2}} \ \xrightarrow{d}\ N(0,1)んnn Z = √の場合、私はまた、のような何かを言うことができ Zを- √Z= | Y|−−−√Z=|Y|Z=\sqrt{|Y|}としてNが増加?Z− n | μ | - σ24 | μ …


3
平均がデータの平均であることがわかっているのに、なぜMLEを使用して平均を推定するのですか?
私は平均を推定するために教科書の問題に出くわしました。教科書の問題は次のとおりです。 ことを前提としNNNデータポイントは、x1バツ1x_1、x2バツ2x_2、。。。、xNバツNx_N、平均が不明であるが分散が既知の1次元ガウス確率密度関数によって生成されました。平均のML推定値を導出します。 私の質問は、平均がデータの平均であることをすでに知っているのに、なぜMLEを使用して平均を推定する必要があるのか​​ということです。ソリューションはまた、MLE推定値がデータの平均であると述べています。平均がデータの平均にほかならないことを見つけるために、すべての骨の折れる最大化MLEステップを実行する必要がありますかつまり、(x 1 + x 2 + ⋯ + x N)/ N(x1+x2+⋯+xN)/N(バツ1+バツ2+⋯+バツN)/N(x_1+x_2+\cdots+x_N)/N?)

2
法線ガウスベクトルの線形変換
次の声明を証明することは困難です。それはグーグルで見つけられた研究論文で与えられます。この声明を証明するために助けが必要です! ましょバツ= A SX=ASX= AS、あAA直交行列であり、SSSガウス分布であるが。正規直交基底で同じ分布を持つガウスの同位体挙動SSS。 SにAを適用した後のバツXXガウスはどうですか?あAASSS

2
与えられたある確率は何ですか?
XXXとYYYが平均μ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2)と共分散 \ Sigma = \ begin {bmatrix} \ sigma_ {11}&\ sigma_ {12} \\ \ sigma_ {12}&\ sigma_の 2変量正規であると仮定します{22} \\ \ end {bmatrix}Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix}。確率Pr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right)何ですか?

1
UMVUEの存在との推定量の選択にで人口
してみましょうから引き出されたランダムサンプルで人口。(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R のUMVUEを探しています。θθ\theta 結合密度は(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1、x2、⋯ 、xん)= ∏i = 1ん1θ 2 π−−√exp[ − 12つのθ2(x私− θ )2]=1(θ2 π−−√)んexp[ −12θ2Σi = 1ん(x私- θ)2]=1(θ 2 π−−√)んexp[ 1θΣi = 1んバツ私− 12つのθ2Σi = 1んバツ2私− n2]= g(θ 、T(x))h (x)∀(x1、⋯ 、xん)∈ Rん、∀θ ∈ Rfθ(x1,x2,⋯,xn)=∏i=1n1θ2πexp⁡[−12θ2(xi−θ)2]=1(θ2π)nexp⁡[−12θ2∑i=1n(xi−θ)2]=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} 、ここでおよび。h(x)=1g(θ 、T(x))= 1(θ …

2
期待
LET、、、と無関係です。の期待は何ですか?X1X1X_1X2X2X_2⋯⋯\cdotsXd∼N(0,1)Xd∼N(0,1)X_d \sim \mathcal{N}(0, 1)X41(X21+⋯+X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} は対称で簡単に見つけることができます。しかし、私はの期待値を見つける方法を知りません。ヒントを教えてください。E(X21X21+⋯+X2d)=1dE(X12X12+⋯+Xd2)=1d\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d}バツ41(X21+ ⋯ + X2d)2X14(X12+⋯+Xd2)2\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2} これまでに入手したもの を対称的に見つけたかった。しかし、この場合には、の場合と異なっているので、は。だから私は期待を見つけるためにいくつかの他のアイデアが必要です。E (X41(X21+ ⋯ + X2d)2)E(X14(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)E (X21バツ21+ ⋯ + X2d)E(X12X12+⋯+Xd2)\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right)E (X4私(X21+ ⋯ + X2d)2)E(Xi4(X12+⋯+Xd2)2)\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)E (X2私バツ2j(X21+ ⋯ …

2
多項分布の係数の合計
\newcommand{\P}{\mathbb{P}}私は公平なサイコロを投げています。1、2、または3を取得するたびに、「1」を書き留めます。4を取得するたびに、「2」を書き留めます。5または6を取得するたびに、「3」を書き留めます。 してみましょうNNNの総数は私はあることを書き留めたすべての数値の積のために必要なスロー可能≥100000≥100000\geq 100000。\ P(N \ geq 25)を計算(または概算)したいのですP(N≥25)P(N≥25)\P(N\geq 25)が、正規分布の関数として概算を与えることができます。 まず、\ log_3 100.000 \約10.48であるため、P(N≥11)=1P(N≥11)=1\P(N\geq 11) = 1ことがlog3100.000≈10.48log3⁡100.000≈10.48\log_3 100.000 \approx 10.48。ここで、aaa、bbb、cccそれぞれ1、2、3と書き留めた回数とします。次に: P(a,b,c∣n)=⎧⎩⎨⎪⎪(na,b,c)(12)a(16)b(13)c0 if a+b+c=n otherwiseP(a,b,c∣n)={(na,b,c)(12)a(16)b(13)c if a+b+c=n0 otherwise\P(a,b,c\mid n) = \begin{cases}\displaystyle\binom {n}{a, b, c} \left(\frac 1 2\right) ^ a \left(\frac 1 6\right)^b\left(\frac 1 3\right)^c &\text{ if } a + b + c = …


2
平均と分散がわかっている場合、2変量正規データの共分散の最尤推定値は何ですか?
平均としてゼロ、分散として1を持つ2変量正規分布からの無作為標本があるとすると、唯一の未知のパラメーターは共分散です。共分散のMLEとは何ですか?私はそれが1のようなものでなければならないことを知っていますしかし、これをどうやって知るのでしょうか?1んΣんj = 1バツjyj1n∑j=1nxjyj\frac{1}{n} \sum_{j=1}^{n}x_j y_j


1
がが無限大に近づくにつれて正規分布に収束するという定理はありますか?
レッツ、定義された平均値との任意の分布で、および標準偏差、。中心極限定理は、 が標準正規分布に分布で収束することを示しています。をサンプル標準偏差で置き換える場合、 がt分布に収束して収束するという定理はあり ますか?大きなためXXXμμ\muσσ\sigman−−√X¯−μσnX¯−μσ \sqrt{n}\frac{\bar{X} - \mu}{\sigma} σσ\sigmaSSSn−−√X¯−μSnX¯−μS \sqrt{n}\frac{\bar{X} - \mu}{S} nnnt分布が正規分布に近づくと、定理は、存在する場合、制限が標準正規分布であると述べることができます。したがって、t分布はあまり有用ではないように思えますがほぼ正常な場合にのみ有用です。これは事実ですか? XXX 可能であれば、が置き換えられたときに、このCLTの証明を含む参照を示しますか?そのような参照は、測定理論の概念を使用することができます。しかし、この時点で私にとって何でも素晴らしいことです。σσ\sigmaSSS

1
なぜ(は打ち切られている)なのか
問題セットで私はこの「補題」を証明しましたが、その結果は私には直観的ではありません。は、打ち切りモデルの標準正規分布です。ZZZ 正式には、 、およびです。次に、 したがって、切り捨てられたドメインの期待値の式と切り捨てのポイントでの密度間には、何らかの関係があります。誰かがこの背後にある直感を説明できますか?Z∗∼Norm(0,σ2)Z∗∼Norm(0,σ2)Z^* \sim Norm(0, \sigma^2)Z=max(Z∗,c)Z=max(Z∗,c)Z = max(Z^*, c)(c)E[Z|Z&gt;c]=∫∞cziϕ(zi)dzi=12π−−√∫∞cziexp(−12z2i)dzi=12π−−√exp(−12c2) (Integration by substitution)=ϕ(c)E[Z|Z&gt;c]=∫c∞ziϕ(zi)dzi=12π∫c∞ziexp(−12zi2)dzi=12πexp(−12c2) (Integration by substitution)=ϕ(c)\begin{align} E[Z|Z>c] &= \int_c^\infty z_i \phi({z_i})\mathrm{d}z_i \\ &= \frac{1}{\sqrt{2\pi}}\int_c^\infty z_i \exp\!\bigg(\frac{-1}{2}z_i^2\bigg)\mathrm{d}z_i \\ &= \frac{1}{\sqrt{2\pi}} \exp\!\bigg(\frac{-1}{2}c^2\bigg) \quad\quad\quad\quad\text{ (Integration by substitution)}\\ &= \phi(c) \end{align}(c)(c)(c)

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.