タグ付けされた質問 「random-variable」

確率変数または確率変数は、偶然の変動(すなわち、数学的な意味でのランダム性)の影響を受ける値です。


3
離散確率変数を半分にしますか?
ましょでその値をとる離散ランダム変数で。この変数を半分にしたいと思います。つまり、次のようなランダム変数を見つけます。N YXXXNN\mathbb{N}YYY X=Y+Y∗X=Y+Y∗X = Y + Y^* どこの独立したコピーである。 YY∗Y∗Y^*YYY 私はこのプロセスを半減と呼んでいます。これは構成された用語です。この操作の適切な用語が文献に記載されていますか? そのようなは、負の確率を受け入れる場合にのみ常に存在するように見えます。私の観察は正しいですか?YYY に最適なポジティブフィットの概念はありますか?別名、上記の方程式を解くための「最も近い」確率変数。YYY ありがとう!

1
が独立したベータの場合もベータであることを示します
数年前に私たちの大学の学期試験で出てきた問題を解決しようとしています。 場合独立している密度を有するランダム変数とをそれぞれその表示以下の。X1,X2X1,X2X_1,X_2ββ\betaβ(n1,n2)β(n1,n2)\beta(n_1,n_2)β(n1+12,n2)β(n1+12,n2)\beta(n_1+\dfrac{1}{2},n_2)X1X2−−−−−√X1X2\sqrt{X_1X_2}β(2n1,2n2)β(2n1,2n2)\beta(2n_1,2n_2) ヤコビアン法を使用して、の密度が次のようになることを確認しました: Y=X1X2−−−−−√Y=X1X2Y=\sqrt{X_1X_2}fY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫1y1x2(1−x2)n2−1(1−y2x2)n2−1dxfY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫y11x2(1−x2)n2−1(1−y2x2)n2−1dxf_Y(y)=\dfrac{4y^{2n_1}}{B(n_1,n_2)B(n_1+\dfrac{1}{2},n_2)}\int_y^1\dfrac{1}{x^2}(1-x^2)^{n_2-1}(1-\dfrac{y^2}{x^2})^{n_2-1}dx この時点で私は実際に迷っています。さて、メインの論文で、ヒントが提供されていました。ヒントを使ってみましたが、希望の表現が得られませんでした。ヒントは次のとおり逐語的です。 ヒント:と与えられた密度の観点からの密度の式を導き出し、で変数の変更を使用してみます。Y=X1X2−−−−−√Y=X1X2Y=\sqrt{X_1X_2}X1X1X_1X2X2X_2z=y2xz=y2xz=\dfrac{y^2}{x} したがって、この時点で、この変数の変更を考慮して、このヒントを利用しようとします。したがって、簡略化後、(を書き込む)fY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫yy2z2y4(1−y4z2)n2−1(1−y2.z2y4)n2−1y2z2dzfY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫y2yz2y4(1−y4z2)n2−1(1−y2.z2y4)n2−1y2z2dzf_Y(y)=\dfrac{4y^{2n_1}}{B(n_1,n_2)B(n_1+\dfrac{1}{2},n_2)}\int_{y^2}^y\dfrac{z^2}{y^4}(1-\dfrac{y^4}{z^2})^{n_2-1}(1-y^2.\dfrac{z^2}{y^4})^{n_2-1}\dfrac{y^2}{z^2}dzxxxzzzfY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫yy21y2(1−y4x2)n2−1(1−x2y2)n2−1dxfY(y)=4y2n1B(n1,n2)B(n1+12,n2)∫y2y1y2(1−y4x2)n2−1(1−x2y2)n2−1dxf_Y(y)=\dfrac{4y^{2n_1}}{B(n_1,n_2)B(n_1+\dfrac{1}{2},n_2)}\int_{y^2}^y\dfrac{1}{y^2}(1-\dfrac{y^4}{x^2})^{n_2-1}(1-\dfrac{x^2}{y^2})^{n_2-1}dx どうすればいいのか分かりません。ヒントを適切に解釈しているかどうかさえわかりません。とにかく、残りのヒントを次に示します。 変数の変更を使用することで、平均化することで、必要な密度を2つの方法で表すことができます。今への統合の範囲を分割し、、書き込みおよび。z=y2xz=y2xz=\dfrac{y^2}{x}fY(y)=constant.y2n1−1∫1y2(1−y2x)n2−1(1−x)n2−1(1+yx)1x−−√dxfY(y)=constant.y2n1−1∫y21(1−y2x)n2−1(1−x)n2−1(1+yx)1xdxf_Y(y)=constant.y^{2n_1-1}\int_{y^2}^1(1-\dfrac{y^2}{x})^{n_2-1}(1-x)^{n_2-1}(1+\dfrac{y}{x})\dfrac{1}{\sqrt{x}}dx(y2,y)(y2,y)(y^2,y)(y,1)(y,1)(y,1)(1−y2x)(1−x)=(1−y)2−(yx−−√−x−−√)2(1−y2x)(1−x)=(1−y)2−(yx−x)2(1-\dfrac{y^2}{x})(1-x)=(1-y)^2-(\dfrac{y}{\sqrt{x}}-\sqrt{x})^2u=yx−−√−x−−√u=yx−xu=\dfrac{y}{\sqrt{x}}-\sqrt{x} まあ、正直なところ、私はこれらのヒントの使い方を理解できません。助けていただければ幸いです。前もって感謝します。

1
確率変数の関数の確率分布?
疑問があります:確率空間定義された実数値確率変数と考えてみてください。XXXZZZ(Ω,F,P)(Ω,F,P)(\Omega, \mathcal{F},\mathbb{P}) ましょう、実数値関数です。以来確率変数の関数であり、それは確率変数です。Y:=g(X,Z)Y:=g(X,Z)Y:= g(X,Z)g(⋅)g(⋅)g(\cdot)YYY してみましょうすなわちの実現。x:=X(ω)x:=X(ω)x:=X(\omega)XXX ある等しい?P(Y|X=x)=P(g(X,Z)|X=x)P(Y|X=x)=P(g(X,Z)|X=x)\mathbb{P}(Y|X=x)=\mathbb{P}(g(X,Z)|X=x)P(g(x,Z))P(g(x,Z))\mathbb{P}(g(x,Z))

2
IIDランダム変数の和の商の期待(ケンブリッジ大学ワークシート)
基本的な確率についての適切な知識が必要なインタビューを準備しています(少なくともインタビュー自体を通過するため)。学生時代から下のシートを改訂して作業しています。ほとんど簡単ですが、質問12で完全に困惑しています。 http://www.trin.cam.ac.uk/dpk10/IA/exsheet2.pdf 任意の助けいただければ幸いです。 編集:質問は: がおよびある独立して同一に分布する正の確率変数であると仮定します。ましょう。示すことがとき、および場合。X1,X2,...X1,X2,...X_1, X_2, ... E(X1)=μ&lt;∞E(X1)=μ&lt;∞\mathbb{E}(X_1) = \mu < \inftyE(X−11)&lt;∞E(X1−1)&lt;∞\mathbb{E}(X_1^{-1}) < \inftySn=∑ni=1XiSn=∑i=1nXiS_n = \sum_{i=1}^n X_iE(Sm/Sn)=m/nE(Sm/Sn)=m/n\mathbb{E}(S_m/S_n) = m/nm&lt;=nm&lt;=nm<=nE(Sm/Sn)=1+(m−n)μE(S−1n))E(Sm/Sn)=1+(m−n)μE(Sn−1))\mathbb{E}(S_m/S_n) = 1 + (m-n)\mu\mathbb{E}(S_n^{-1}))m&gt;=nm&gt;=nm>=n 実際、これをタイプする過程で、私は2番目の部分を解決しました。 以下のための、m&gt;=nm&gt;=nm>=nE(Sm/Sn)=E(X1+...+Xm)/E(X1+...+Xn)E(Sm/Sn)=E(X1+...+Xm)/E(X1+...+Xn)\mathbb{E}(S_m/S_n) = \mathbb{E}(X_1+ . . . +X_m)/\mathbb{E}(X_1+ . . . +X_n) =E(1+(Xn+1+...+Xm)/(X1+...+Xn))=E(1+(Xn+1+...+Xm)/(X1+...+Xn))=\mathbb{E}(1 + (X_{n+1} + ... + X_m)/(X_1 + ... + X_n)) 上記の比率の分子と分母は明らかに独立しているので、 =1+E(Xn+1+...+Xm)E(S−1n)=1+E(Xn+1+...+Xm)E(Sn−1) = 1 …

3
Rademacher確率変数の積の合計
してみましょう値取って独立な確率変数であるまたは確率0.5それぞれで。合計ます。確率を上限にしたいと思います。私が今持っている最高の境界はで、cは普遍定数です。これは、単純なチャーノフ境界を適用することにより、確率Pr(| x_1 + \ dots + x_n | &lt;\ sqrt {t})およびPr(| y_1 + \ dots + y_n | &lt;\ sqrt {t})の下限を設定することで実現されます。この限界よりもはるかに優れたものを手に入れたいと思いますか?まず第一に、私は少なくとも得ることができますx1…xa,y1…ybx1…xa,y1…ybx_1 \ldots x_a,y_1 \ldots y_b+1+1+1−1−1-1S=∑i,jxi×yjS=∑i,jxi×yjS = \sum_{i,j} x_i\times y_jP(|S|&gt;t)P(|S|&gt;t)P(|S| > t)2e−ctmax(a,b)2e−ctmax(a,b)2e^{-\frac{ct}{\max(a,b)}}cccPr(|x1+⋯+xn|&lt;t√)Pr(|x1+⋯+xn|&lt;t)Pr(|x_1 + \dots + x_n|<\sqrt{t})Pr(|y1+⋯+yn|&lt;t√)Pr(|y1+⋯+yn|&lt;t)Pr(|y_1 + \dots + y_n|<\sqrt{t})e−ctab√e−ctabe^{-c\frac{t}{\sqrt{ab}}}。サブガウステールを取得できる場合、おそらくそれが最善ですが、それは期待できますか(そうは思わないが、引数について考えることはできません)。

2
混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックブートストラップ
以下の移植片は、この記事から引用したものです。私はブートストラップの初心者であり、R bootパッケージを使用した線形混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックのブートストラップブートストラップを実装しようとしています。 Rコード これが私のRコードです: library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn &lt;- function(data, indices){ data &lt;- data[indices, ] mod &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out &lt;- boot(data=Cultivation, statistic=boot.fn, R=99) Out ご質問 …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

2
従属データのベルヌーイ確率変数の合計をモデル化する方法は?
私はこのようなほぼ同じ質問があります: ベルヌーイ確率変数の合計を効率的にモデル化するにはどうすればよいですか? ただし、設定はかなり異なります。 S=∑i=1,NXiS=∑i=1,NXiS=\sum_{i=1,N}{X_i}、、〜20、〜0.1P(Xi=1)=piP(Xi=1)=piP(X_{i}=1)=p_iNNNpipip_i ベルヌーイ確率変数の結果のデータがあります:、Xi,jXi,jX_{i,j}Sj=∑i=1,NXi,jSj=∑i=1,NXi,jS_j=\sum_{i=1,N}{X_{i,j}} 最尤推定でを推定した場合(およびを取得した場合)、がはるかに大きいことが他の基準で期待される:pipip_ip^MLEip^iMLE\hat p^{MLE}_iP^{S=3}(p^MLEi)P^{S=3}(p^iMLE)\hat P\{S=3\} (\hat p^{MLE}_i)P^{S=3}(p^MLEi)−P^expected{S=3}≈0.05P^{S=3}(p^iMLE)−P^expected{S=3}≈0.05\hat P\{S=3\} (\hat p^{MLE}_i) - \hat P^{expected} \{S=3\}\approx 0.05 したがって、とは独立したものとして扱うことができません(依存関係が小さいため)。XiXiX_{i}XjXjX_{j} (j&gt;k)(j&gt;k)(j>k) これらのようないくつかの制約があります:および(既知)、これは推定に役立つはずです。pi+1≥pipi+1≥pip_{i+1} \ge p_i∑s≤2P^{S=s}=A∑s≤2P^{S=s}=A\sum_{s \le 2}\hat P\{S=s\}=AP{S}P{S}P\{S\} この場合、ベルヌーイ確率変数の合計をモデル化するにはどうすればよいでしょうか? この課題を解決するのに役立つと思われる文献はどれですか。 更新しました さらにいくつかのアイデアがあります: (1)間の未知の依存関係は、連続して1回以上成功した後に始まると想定できます。したがって、場合、およびます。XiXi{X_i}∑i=1,KXi&gt;0∑i=1,KXi&gt;0\sum_{i=1,K}{X_i} > 0pK+1→p′K+1pK+1→pK+1′p_{K+1} \to p'_{K+1}p′K+1&lt;pK+1pK+1′&lt;pK+1p'_{K+1} < p_{K+1} (2)MLEを使用するには、問題が最も少ないモデルが必要です。ここにバリアントがあります: P{X1,...,Xk}=(1−p1)...(1−pk)P{X1,...,Xk}=(1−p1)...(1−pk)P\{X_1,...,X_k\}= (1-p_1) ... (1-p_k)場合任意のkのための ifおよび、および任意のkに対して。∑i=1,kXi=0∑i=1,kXi=0\sum_{i=1,k}{X_i} = 0P{X1,...,Xk,Xk+1,...,XN}=(1−p1)...pkP′{Xk+1,...,XN}P{X1,...,Xk,Xk+1,...,XN}=(1−p1)...pkP′{Xk+1,...,XN}P\{X_1,...,X_k,X_{k+1},...,X_N\}= (1-p_1) ... p_k P'\{X_{k+1},...,X_N\}∑i=1,k−1Xi=0∑i=1,k−1Xi=0\sum_{i=1,k-1}{X_i} = …

2
データのROC曲線を計算する
そのため、ハミング距離を使用して生体認証特性から個人を認証しようとしている16のトライアルがあります。しきい値は3.5に設定されています。私のデータは以下であり、トライアル1のみが真陽性です。 Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 11 0.42 12 0.37 13 0.66 14 0.39 15 0.44 16 0.39 私の混乱のポイントは、このデータからROC曲線(FPR対TPR OR FAR対FRR)を作成する方法が本当にわからないということです。どちらでもかまいませんが、どうやって計算するのか混乱しています。任意の助けいただければ幸いです。
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

1
相関する確率変数の比率の期待値?
独立確率変数および場合、閉じた形の式がありますかβαα\alphaββ\beta E[αα2+β2√]E[αα2+β2]\mathbb E \left[ \frac{\alpha}{\sqrt{\alpha^2 + \beta^2}} \right] との期待値と分散の観点から?そうでない場合、その期待には十分な下限がありますか?βαα\alphaββ\beta 更新:と についても触れて。私は上の分散制御することができますと、そして両方の分散ところ、私は心の中で設定を持っているととかなり小さな相対的なもので。多分それらの標準偏差はどちらも0.3未満です。E [ β ] = 0 α β α β E [ α ]E[α]=1E[α]=1\mathbb E[\alpha] = 1E[β]=0E[β]=0\mathbb E[\beta] = 0αα\alphaββ\betaαα\alphaββ\betaE[α]E[α]\mathbb E[\alpha]

2
ランダムベクトルの有限
もしX∼FX∼FX \sim FのサポートXXXあるRpRp\mathbb{R}^p。したがって、X=(X1,X2,…,Xp)X=(X1,X2,…,Xp)X = (X_1, X_2, \dots, X_p)です。次に、XXXはkkk有限モーメントがあると仮定します。ときにp=1p=1p = 1、私が知っているその手段 ∫Rxkf(x)dx&lt;∞,∫Rxkf(x)dx&lt;∞,\int_{\mathbb{R}} x^k\, f(x)\, dx < \infty, ここでf(x)f(x)f(x)は関連密度ですFFF。p &gt; 1のとき、XXXがkkk有限モーメントを持つと仮定することの数学的な同等物は何ですか?p&gt;1p&gt;1p > 1 kkkE∥X∥k=∫∥X∥kf(x)dx,E‖X‖k=∫‖X‖kf(x)dx,E\|X\|^k = \int \|X\|^k f(x) \, dx, ∥⋅∥‖⋅‖\| \cdot\| ここでの Glen_bの答えは、番目のモーメントが であることを示唆していkkk∫xk1xk2…xkpf(x)dx.∫x1kx2k…xpkf(x)dx.\int x_1^kx_2^k \dots x_p^k \, f(x) dx. 一方が有限であると仮定すると、もう一方が有限であることを意味しますか?

3
正規分布
残念ながら、どこから始めればよいかわからないという統計上の問題があります(私は独力で勉強しているので、何かがわからなければ、誰にも尋ねることができません。 質問は iid N (a 、b 2); a = 0 ; b 2 = 6 ; v a r (X 2 + Y 2)= ?バツ、YX,YX,YN(a 、b2); a = 0 ; b2= 6 ; v a r (X2+ Y2)= ?N(a,b2);a=0;b2=6;var(X2+Y2)=?N(a,b^2); a=0; b^2=6; var(X^2+Y^2)=?

3
「共通の」正規分布があるとはどういう意味ですか?
運動の質問は尋ねます LET共通の正規分布を有するRVSことと。すべてのの上部テール依存係数を計算します。バツ1、X2バツ1、バツ2X_1, X_2N(0 、1 )N(0、1)N(0,1)コア(X1、X2)= ρコア⁡(バツ1、バツ2)=ρ\operatorname{Corr}(X_1, X_2) = \rhoρ ∈ [ - 1 、1 ]ρ∈[−1、1]\rho \in [-1, 1] 「一般的な」正規分布があるとはどういう意味ですか? 私の最初の考えは、と両方が一変量正規分散変数であることを意味するということでした。ただし、それが真実である場合、その質問は意味がありません。尾の依存関係は計算できません。バツ1バツ1X_1バツ2バツ2X_2N(0 、1 )N(0、1)N(0,1) それで、私は「共通の」正規分布によって、それらは二変量正規分布を意味すると信じるように残されていますか?

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
確率変数は通常の数と同じ代数的規則に従いますか?
確率変数の合計に関する最近の質問への私の回答のコメントで、比率分布に関するウィキペディアの記事へのリンクに出くわしました、そしてそこに次の奇妙な主張に気づきました: 通常の数で知られている代数ルールは、確率変数の代数には適用されません。たとえば、積がで比率が場合、と分布が同じであるとは限りません。D = C / A D BC= A BC=ABC = ABD = C/ AD=C/AD=C/ADDDBBB この主張は2007年以降の記事にあります。元々記事を作成し、その元のコンテンツと現在のコンテンツの多くを寄稿した一見評判の高い同じ編集者によって追加され、1979年に出版されたMelvin D.Springerの著書「ランダム変数の代数」に引用されているようです(ただし、同じ段落の後半に表示される引用マーカーが実際にこの主張をカバーすることを意図しているかどうかは、100%明確ではありません)。 明らかに、その主張は私にはナンセンスのように思えます。 ウィキペディアの記事からそれを編集することもできますが、10年以上もそこに挑戦し続けてきたことを考えると、ここで間違っているのは自分ではないことを確認する必要があります。(可能性のある)引用を確認するためのスプリンガーの本を手元に置いていなかったので、私はここの専門家に助けを求めたいと思いました。特に、述べられている主張は実際には2つの部分で構成されているため、私の質問もそうです。 パート1:確率変数は通常の数と同じ代数的規則に従いますか、それとも(ある意味では)従わないのですか?そうでない場合、ルールはどのように異なりますか?それは人が採用する(一般に受け入れられている)形式に依存しますか? パート2:通常の数値であっても、ときが定義されていないため、が常にに等しいとは限らないことは明らかです。この些細な違いは、とがランダム変数である場合でも、とが等しくならない唯一の方法ですか?特に、次のステートメントは常に(実数値または複素数値)確率変数に当てはまりますか? BDA=0DBA≠0D = A BあD=ABAD = \frac{AB}{A}BBBDDDA = 0A=0A = 0DDDBBBA ≠ 0⟹A Bあ= B 。A≠0⟹ABA=B.A \ne 0 \implies \frac{AB}{A} = B. パート3(おまけ):スプリンガーの本は実際にこれについて何を言っていますか、そしてそこに、上で引用された主張をサポートするために何らかの意味でとらえることができる何かがありますか?私が推測するように、それは実際に主流の数学と統計に関する主張の信頼できる情報源と見なされているのでしょうか?

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.