Sia ~ e ~ due variabili casuali indipendenti con le distribuzioni date. Qual è la distribuzione di ?XXXU(0,2)U(0,2)U(0,2)YYYU(−10,10)U(−10,10)U(-10,10)V=XYV=XYV=XY Ho provato la convoluzione, sapendolo h(v)=∫y=+∞y=−∞1yfY(y)fX(vy)dyh(v)=∫y=−∞y=+∞1yfY(y)fX(vy)dyh(v) = \int_{y=-\infty}^{y=+\infty}\frac{1}{y}f_Y(y) f_X\left (\frac{v}{y} \right ) dy Sappiamo anche che , fY(y)=120fY(y)=120f_Y(y) = \frac{1}{20} h(v)=120∫y=10y=−101y⋅12dyh(v)=120∫y=−10y=101y⋅12dyh(v)= \frac{1}{20} \int_{y=-10}^{y=10} \frac{1}{y}\cdot \frac{1}{2}dy h(v)=140∫y=10y=−101ydyh(v)=140∫y=−10y=101ydyh(v)=\frac{1}{40}\int_{y=-10}^{y=10} \frac{1}{y}dy Qualcosa mi dice, c'è qualcosa …
Qualcuno può illustrare, come fa Greg, ma in modo più dettagliato, in che modo le variabili casuali possono essere dipendenti, ma hanno una covarianza zero? Greg, un poster qui, fornisce un esempio usando un cerchio qui . Qualcuno può spiegare questo processo in modo più dettagliato usando una sequenza di …
Come definisco la distribuzione di una variabile casuale tale che un'estrazione da abbia una correlazione con , dove è singola da una distribuzione con funzione di distribuzione cumulativa ? Y ρ x 1 x 1 F X ( x )YYYYYYρρ\rhoX1x1x_1X1x1x_1FX( x )FX(x)F_{X}(x)
Il mio corso di statistica mi ha appena insegnato che una variabile casuale discreta ha un numero finito di opzioni ... Non me ne ero reso conto. Avrei pensato, come un insieme di numeri interi, potrebbe essere infinito. Cercare su Google e controllare diverse pagine Web, tra cui alcune provenienti …
Sto cercando di dimostrare l'affermazione: Se X∼N(0,σ21)X∼N(0,σ12)X\sim\mathcal{N}(0,\sigma_1^2) e sono variabili casuali indipendenti,Y∼N(0,σ22)Y∼N(0,σ22)Y\sim\mathcal{N}(0,\sigma_2^2) allora è anche una variabile casuale normale.XYX2+Y2√XYX2+Y2\frac{XY}{\sqrt{X^2+Y^2}} Per il caso speciale σ1=σ2=σσ1=σ2=σ\sigma_1=\sigma_2=\sigma (diciamo), abbiamo il risultato ben noto che XYX2+Y2√∼N(0,σ24)XYX2+Y2∼N(0,σ24)\frac{XY}{\sqrt{X^2+Y^2}}\sim\mathcal{N}\left(0,\frac{\sigma^2}{4}\right)ogni volta cheXXXeYYYsonovariabiliN(0,σ2)N(0,σ2)\mathcal{N}(0,\sigma^2). In effetti, è più generalmente noto cheXYX2+ Y2√, X2- Y22 X2+ Y2√XYX2+Y2,X2−Y22X2+Y2\frac{XY}{\sqrt{X^2+Y^2}},\frac{X^2-Y^2}{2\sqrt{X^2+Y^2}} sonoNindipendenti(0,σ2N( 0 , σ24)N(0,σ24)\mathcal{N}\left(0,\frac{\sigma^2}{4}\right)variabili. …
Sono in una classe di statistiche introduttive in cui la funzione di densità di probabilità per variabili casuali continue è stata definita come . Capisco che l'integrale di ma non posso rettificarlo con la mia intuizione di una variabile casuale continua. Supponiamo che X sia la variabile casuale uguale al …
Sono curioso di sapere se esiste una trasformazione che altera l'inclinazione di una variabile casuale senza influire sulla curtosi. Ciò sarebbe analogo al modo in cui una trasformazione affine di un RV influenza la media e la varianza, ma non l'inclinazione e la curtosi (in parte perché l'inclinazione e la …
Supponiamo che XXX sia uniformemente distribuito su [0,2π][0,2π][0, 2\pi] . Lasciate Y=sinXY=sinXY = \sin X e Z=cosXZ=cosXZ = \cos X . Mostra che la correlazione tra YYY e ZZZ è zero. Sembra che dovrei conoscere la deviazione standard del seno e del coseno e la loro covarianza. Come posso calcolarli? …
Ho un problema simile alla domanda posta qui: Come si misura la non uniformità di una distribuzione? Ho una serie di distribuzioni di probabilità durante i giorni della settimana. Voglio misurare quanto è vicina ogni distribuzione (1 / 7,1 / 7, ..., 1/7). Al momento sto usando una risposta dalla …
Permettere: Deviazione standard della variabile casualeA = σ1= 5A=σ1=5A =\sigma_{1}=5 Deviazione standard della variabile casualeB = σ2= 4B=σ2=4B=\sigma_{2}=4 Quindi la varianza di A + B è: Va r ( w1A + w2B ) = w21σ21+ w22σ22+ 2 sett1w2p1 , 2σ1σ2Var(w1A+w2B)=w12σ12+w22σ22+2w1w2p1,2σ1σ2Var(w_{1}A+w_{2}B)= w_{1}^{2}\sigma_{1}^{2}+w_{2}^{2}\sigma_{2}^{2} +2w_{1}w_{2}p_{1,2}\sigma_{1}\sigma_{2} Dove: p1 , 2p1,2p_{1,2} è la correlazione tra …
Stiamo provando a creare valori casuali auto-correlati che verranno utilizzati come timeseries. Non abbiamo dati a cui ci riferiamo e vogliamo solo creare il vettore da zero. Da un lato abbiamo ovviamente bisogno di un processo casuale con distribuzione e sua SD. D'altra parte deve essere descritta l'autocorrelazione che influenza …
Comprensione di cosa sia uno stimatore e una stima: Stimatore: una regola per calcolare una stima Stima: il valore calcolato da un insieme di dati basato sullo stimatore Tra questi due termini, se mi viene chiesto di indicare la variabile casuale, direi che la stima è la variabile casuale poiché …
Una frequente semplificazione nella modellistica e nella simulazione è quella di sostituire una variabile casuale con il suo valore medio. Quando questa semplificazione porterebbe a conclusioni errate?
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.