Domande taggate «uniform»

La distribuzione uniforme descrive una variabile casuale che è altrettanto probabile che prenda qualsiasi valore nel suo spazio di campionamento.

2
Perché il CDF di un campione è distribuito uniformemente
Ho letto qui che, dato un campione da una distribuzione continua con cdf F X , il campione corrispondente a U i = F X ( X i ) segue una distribuzione uniforme standard.X1,X2,...,XnX1,X2,...,Xn X_1,X_2,...,X_n FXFX F_X Ui=FX(Xi)Ui=FX(Xi) U_i = F_X(X_i) Ho verificato questo usando simulazioni qualitative in Python e …
17 pdf  uniform  cdf  intuition 
2
Qual è la distribuzione di
Ho quattro variabili indipendenti uniformemente distribuite a,b,c,da,b,c,da,b,c,d , ciascuna in [0,1][0,1][0,1] . Voglio calcolare la distribuzione di (a−d)2+4bc(a−d)2+4bc(a-d)^2+4bc . Ho calcolato la distribuzione di u2=4bcu2=4bcu_2=4bc in (quindi ), e di deve esseref2(u2)=−14lnu24f2(u2)=−14ln⁡u24f_2(u_2)=-\frac{1}{4}\ln\frac{u_2}{4}u2∈(0,4]u2∈(0,4]u_2\in(0,4]u1=(a−d)2u1=(a−d)2u_1=(a-d)^2f1(u1)=1−u1−−√u1−−√.f1(u1)=1−u1u1.f_1(u_1)=\frac{1-\sqrt{u_1}}{\sqrt{u_1}}.Ora, la distribuzione di una somma u1+u2u1+u2u_1+u_2 è ( u1,u2u1,u2u_1,\, u_2 sono anche indipendenti) fu1+u2(x)=∫+∞−∞f1(x−y)f2(y)dy=−14∫401−x−y−−−−√x−y−−−−√⋅lny4dy,fu1+u2(x)=∫−∞+∞f1(x−y)f2(y)dy=−14∫041−x−yx−y⋅ln⁡y4dy,f_{u_1+u_2}(x)=\int_{-\infty}^{+\infty}f_1(x-y)f_2(y)dy=-\frac{1}{4}\int_0^4\frac{1-\sqrt{x-y}}{\sqrt{x-y}}\cdot\ln\frac{y}{4}dy, perché y∈(0,4]y∈(0,4]y\in(0,4] . Qui …
1
Distanza massima tra i campioni prelevati senza sostituzione da una distribuzione uniforme discreta
Questo problema è legato alla ricerca del mio laboratorio sulla copertura robotica: Disegna casualmente numeri dall'insieme senza sostituzione e ordina i numeri in ordine crescente. .nnn{1,2,…,m}{1,2,…,m}\{1,2,\ldots,m\}1≤n≤m1≤n≤m1\le n\le m Da questo elenco ordinato di numeri , genera la differenza tra numeri consecutivi e limiti: . Questo dà spazi vuoti.{a(1),a(2),…,a(n)}{a(1),a(2),…,a(n)}\{a_{(1)},a_{(2)},…,a_{(n)}\}g={a(1),a(2)−a(1),…,a(n)−a(n−1),m+1−a(n)}g={a(1),a(2)−a(1),…,a(n)−a(n−1),m+1−a(n)}g = \{a_{(1)},a_{(2)}−a_{(1)},\ldots,a_{(n)}−a_{(n-1)},m+1-a_{(n)}\}n+1n+1n+1 …
1
Generazione di campioni casuali da una distribuzione personalizzata
Sto cercando di generare campioni casuali da un pdf personalizzato utilizzando R. Il mio pdf è: fX(x)=32(1−x2),0≤x≤1fX(x)=32(1−x2),0≤x≤1f_{X}(x) = \frac{3}{2} (1-x^2), 0 \le x \le 1 Ho generato campioni uniformi e poi ho provato a trasformarlo nella mia distribuzione personalizzata. L'ho fatto trovando il cdf della mia distribuzione ( ) e …
16 r  sampling  uniform 
1
Vantaggi di Box-Muller rispetto al metodo CDF inverso per la simulazione della distribuzione normale?
Per simulare una distribuzione normale da un insieme di variabili uniformi, esistono diverse tecniche: L'algoritmo Box-Muller , in cui si campiona due varianze uniformi indipendenti su e le trasforma in due distribuzioni normali standard indipendenti tramite: Z 0 = √(0,1)(0,1)(0,1)Z0=−2lnU1−−−−−−√cos(2πU0)Z1=−2lnU1−−−−−−√sin(2πU0)Z0=−2lnU1cos(2πU0)Z1=−2lnU1sin(2πU0) Z_0 = \sqrt{-2\text{ln}U_1}\text{cos}(2\pi U_0)\\ Z_1 = \sqrt{-2\text{ln}U_1}\text{sin}(2\pi U_0) il metodo …
1
Qual è l'intuizione dietro i campioni scambiabili sotto l'ipotesi nulla?
I test di permutazione (chiamati anche test di randomizzazione, test di ri-randomizzazione o test esatto) sono molto utili e sono utili quando l'assunzione della distribuzione normale richiesta da per esempio t-testnon è soddisfatta e quando la trasformazione dei valori per classifica del test non parametrici come Mann-Whitney-U-testquesto porterebbero alla perdita …
15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 
3
Perché il numero di variabili uniformi continue su (0,1) necessarie affinché la loro somma superi una ha media
Sommiamo un flusso di variabili casuali, ; lascia che sia il numero di termini di cui abbiamo bisogno affinché il totale superi uno, ovvero è il numero più piccolo tale cheXi∼iidU(0,1)Xi∼iidU(0,1)X_i \overset{iid}\sim \mathcal{U}(0,1)YYYYYY X1+X2+⋯+XY>1.X1+X2+⋯+XY>1.X_1 + X_2 + \dots + X_Y > 1. Perché la media di YYY uguale alla costante …
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.