Domande taggate «random-variable»

Una variabile casuale o variabile stocastica è un valore soggetto a variazione casuale (cioè casualità in senso matematico).

1
Trasformazione lineare di una variabile casuale mediante una matrice rettangolare alta
X⃗ ∈ RnX→∈Rn\vec{X} \in \mathbb{R}^nfX⃗ ( x⃗ )fX→(x→)f_\vec{X}(\vec{x})n × nn×nn \times nUNAAY⃗ = A X⃗ Y→=AX→\vec{Y} = A\vec{X}Y⃗ Y→\vec{Y}fY⃗ ( y⃗ ) = 1| det A |fX⃗ ( A- 1y⃗ ) .fY→(y→)=1|detA|fX→(A−1y→). f_{\vec{Y}}(\vec{y}) = \frac{1}{\left|\det A\right|}f_{\vec{X}}(A^{-1}\vec{y}). Ora supponiamo che trasformiamo invece di una matrice , con , dando . Chiaramente …

2
pdf di un prodotto di due variabili casuali Uniform indipendenti
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 …




3
Proprietà di una variabile casuale discreta
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 …

2
Se
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. …



2
Correlazione tra seno e coseno
Supponiamo che XXX sia uniformemente distribuito su [0,2π][0,2π][0, 2\pi] . Lasciate Y=sinXY=sin⁡XY = \sin X e Z=cosXZ=cos⁡XZ = \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? …


2
Varianza di due variabili casuali ponderate
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 …




Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.