Preguntas etiquetadas con cdf

Estoy casi seguro de que ya he visto el siguiente resultado en las estadísticas, pero no puedo recordar dónde. Si es una variable aleatoria positiva y entonces cuando , donde es el cdf de .XXXE(X)&lt;∞E(X)&lt;∞\mathbb{E}(X)<\inftyεF−1(1−ε)→0εF−1(1−ε)→0\varepsilon F^{-1}(1-\varepsilon) \to 0ε→0+ε→0+\varepsilon\to 0^+FFFXXX Esto es fácil de ver geométricamente usando la igualdad y considerando …

10 references  quantiles  cdf  moments 

Un pdf generalmente se escribe como , donde la minúscula se trata como una realización o resultado de la variable aleatoria que tiene ese pdf. Del mismo modo, un cdf se escribe como , que tiene el significado . Sin embargo, en algunas circunstancias, como la definición de la función …

9 random-variable  pdf  cdf  intuition 

Ejemplos: Tengo una oración en la descripción del trabajo: "Ingeniero senior de Java en el Reino Unido". Quiero usar un modelo de aprendizaje profundo para predecirlo en 2 categorías: English y IT jobs. Si uso el modelo de clasificación tradicional, solo puede predecir 1 etiqueta con softmaxfunción en la última …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

Estoy tratando de entender cómo obtener los valores para la prueba unilateral de Kolmogorov-Smirnov , y estoy luchando por encontrar CDF para y en el caso de dos muestras. Lo siguiente se cita en algunos lugares como el CDF para en un caso de una muestra:pppD+n1,n2Dn1,n2+D^{+}_{n_{1},n_{2}}D−n1,n2Dn1,n2−D^{-}_{n_{1},n_{2}}D+nDn+D^{+}_{n} p+n(x)=P(D+n≥x|H0)=x∑j=0⌊n(1−x)⌋(nj)(jn+x)j−1(1−x−jn)n−jpn+(x)=P(Dn+≥x|H0)=x∑j=0⌊n(1−x)⌋(nj)(jn+x)j−1(1−x−jn)n−jp^{+}_{n}\left(x\right) = \text{P}\left(D^{+}_{n} \ge …

9 self-study  kolmogorov-smirnov  cdf 

Deje que sean observaciones distintas (sin vínculos). Deje que denote una muestra de bootstrap (una muestra del CDF empírico) y deje . Busque y .X1,...,XnX1,...,XnX_{1},...,X_{n}X∗1,...,X∗nX1∗,...,Xn∗X_{1}^{*},...,X_{n}^{*}X¯∗n=1n∑ni=1X∗iX¯n∗=1n∑i=1nXi∗\bar{X}_{n}^{*}=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{*}E(X¯∗n)E(X¯n∗)E(\bar{X}_{n}^{*})Var(X¯∗n)Var(X¯n∗)\mathrm{Var}(\bar{X}_{n}^{*}) Lo que tengo hasta ahora es que es cada uno con probabilidad entonces y que da X∗iXi∗X_{i}^{*}X1,...,XnX1,...,XnX_{1},...,X_{n}1n1n\frac{1}{n}E(X∗i)=1nE(X1)+...+1nE(Xn)=nμn=μE(Xi∗)=1nE(X1)+...+1nE(Xn)=nμn=μ E(X_{i}^{*})=\frac{1}{n}E(X_{1})+...+\frac{1}{n}E(X_{n})=\frac{n\mu}{n}=\mu E(X∗2i)=1nE(X21)+...+1nE(X2n)=n(μ2+σ2)n=μ2+σ2,E(Xi∗2)=1nE(X12)+...+1nE(Xn2)=n(μ2+σ2)n=μ2+σ2,E(X_{i}^{*2})=\frac{1}{n}E(X_{1}^{2})+...+\frac{1}{n}E(X_{n}^{2})=\frac{n(\mu^{2}+\sigma^{2})}{n}=\mu^{2}+\sigma^{2}\>, Var(X∗i)=E(X∗2i)−(E(X∗i))2=μ2+σ2−μ2=σ2.Var(Xi∗)=E(Xi∗2)−(E(Xi∗))2=μ2+σ2−μ2=σ2. \mathrm{Var}(X_{i}^{*})=E(X_{i}^{*2})-(E(X_{i}^{*}))^{2}=\mu^{2}+\sigma^{2}-\mu^{2}=\sigma^{2} \>. Entonces, y desde …

9 self-study  variance  bootstrap  cdf  conditional-expectation 

Estoy interesado en la distribución de la reducción máxima de una caminata aleatoria: Sea donde . La reducción máxima después de períodos es . Un artículo de Magdon-Ismail et. Alabama. proporciona la distribución para la reducción máxima de un movimiento browniano con deriva. La expresión implica una suma infinita que …

9 distributions  cdf  finance  random-walk 

Sé que la prueba de la transformación integral de probabilidad se ha dado varias veces en este sitio. Sin embargo, las pruebas que encontré utilizan la hipótesis de que el CDF está aumentando estrictamente (junto, por supuesto, con la hipótesis de que es una variable aleatoria continua). Sé que en …

9 probability  cdf 

Quiero simular una muestra de una mezcla de distribución normal de manera que p × N(μ1,σ21) + ( 1 - p ) × N(μ2,σ22)p×N(μ1,σ12)+(1−p)×N(μ2,σ22)p\times\mathcal{N}(\mu_1,\sigma_1^2) + (1-p)\times\mathcal{N}(\mu_2,\sigma_2^2) está restringido al intervalo [ 0 , 1 ][0,1][0,1] en vez de RR\mathbb{R}. Esto significa que quiero simular una mezcla truncada de distribuciones normales. …

9 simulation  random-generation  cdf  mixture  gaussian-mixture 

Necesito encontrar una clase de distribución simétrica de baja curtosis, que incluya la distribución gaussiana uniforme, triangular y normal. La distribución de Irwin-Hall (suma del uniforme estándar) ofrece esta característica, pero no trata las órdenes enteras . Sin embargo, si simplemente resume de manera independiente, por ejemplo, 2 uniformes estándar …

9 distributions  pdf  uniform  cdf 

Me pregunto si mostrar que el límite: donde \ overline {F} = 1-F es la función de distribución de cola, \ overline {F} (x) = 1 − F (x) , donde F es la función de distribución acumulativalimx→∞xF¯¯¯¯(x)=0limx→∞xF¯(x)=0 \lim_{x \to \infty} x\overline{F}(x) =0 F¯¯¯¯=1−FF¯=1−F\overline{F} =1-FF¯¯¯¯(x)=1−F(x)F¯(x)=1−F(x)\overline{F}(x)=1−F(x)FFF Como x→∞x→∞x \to \infty , …

8 probability  cdf 

Lo siguiente es una derivación de una densidad de un trabajo que estoy estudiando actualmente. Perdón por la mala calidad, es un documento bastante viejo. Necesito aclarar queRRR tiene la densidad exponencial estándar en ( 0 , ∞ )(0,∞)(0,\infty), UUU es uniforme en ( 0 , 1 )(0,1)(0,1)y son independientes …

8 probability  self-study  distributions  conditional-probability  cdf 

Tengo datos que describen con qué frecuencia tiene lugar un evento durante una hora ("número por hora", nph) y cuánto duran los eventos ("duración en segundos por hora", dph). Estos son los datos originales: nph &lt;- c(2.50000000003638, 3.78947368414551, 1.51456310682008, 5.84686774940732, 4.58823529414907, 5.59999999993481, 5.06666666666667, 11.6470588233699, 1.99999999998209, NA, 4.46153846149851, 18, 1.05882352939726, 9.21739130425452, …

8 normal-distribution  data-transformation  logistic  generalized-linear-model  ridge-regression  t-test  wilcoxon-signed-rank  paired-data  naive-bayes  distributions  logistic  goodness-of-fit  time-series  eviews  ecm  panel-data  reliability  psychometrics  validity  cronbachs-alpha  self-study  random-variable  expected-value  median  regression  self-study  multiple-regression  linear-model  forecasting  prediction-interval  normal-distribution  excel  bayesian  multivariate-analysis  modeling  predictive-models  canonical-correlation  rbm  time-series  machine-learning  neural-networks  fishers-exact  factorisation-theorem  svm  prediction  linear  reinforcement-learning  cdf  probability-inequalities  ecdf  time-series  kalman-filter  state-space-models  dynamic-regression  index-decomposition  sampling  stratification  cluster-sample  survey-sampling  distributions  maximum-likelihood  gamma-distribution 

El problema proviene de la página 377-379 de este [0] documento. Dada una distribución continua y una fija , considere:FFFz∈Rz∈Rz\in\mathbb{R} Lz(t)=PF(|z−Z|≤t)Lz(t)=PF(|z−Z|≤t)L_z(t)=P_F(|z-Z|\leq t) y H(z)=L−1z(0.5)=medZ∼F|z−Z|H(z)=Lz−1(0.5)=medZ∼F|z−Z|H(z)=L^{-1}_z(0.5)=\underset{Z\sim F}{\mbox{med}}|z-Z| donde es el inverso continuo correcto. Entonces, para una z fija , esta es la distancia media de todos los Z \ sim F a …

8 mathematical-statistics  quantiles  cdf  numerics  quantile-function 

Dados dos conjuntos de datos de números reales positivos X e Y, ambos del mismo tamaño, y 0 &lt;= Y &lt;= X para cada fila; ¿Puede el CDF empírico de X cruzar alguna vez el CDF empírico de Y?

8 distributions  cdf 

Sé que el PDF es la primera derivada del CDF para una variable aleatoria continua, y la diferencia para una variable aleatoria discreta. Sin embargo, me gustaría saber por qué esto es así, ¿por qué hay dos casos diferentes para discreto y continuo?

8 mathematical-statistics  pdf  discrete-data  continuous-data  cdf