Preguntas etiquetadas con normal-distribution

La distribución normal o gaussiana tiene una función de densidad que es una curva simétrica en forma de campana. Es una de las distribuciones más importantes en estadística. Use la etiqueta [normalidad] para preguntar sobre las pruebas de normalidad.

1
Distribución limitante de
Dejar (Xn)(Xn)(X_n) ser una secuencia de iid N(0,1)N(0,1)\mathcal N(0,1)variables aleatorias. DefinirS0=0S0=0S_0=0 y Sn=∑nk=1XkSn=∑k=1nXkS_n=\sum_{k=1}^n X_k para n≥1n≥1n\geq 1. Encuentre la distribución limitante de1n∑k=1n|Sk−1|(X2k−1)1n∑k=1n|Sk−1|(Xk2−1)\frac1n \sum_{k=1}^{n}|S_{k-1}|(X_k^2 - 1) Este problema es de un libro de problemas sobre Teoría de la probabilidad, en el capítulo sobre el Teorema del límite central. Ya que Sk−1Sk−1S_{k-1} …
2
Pruebas de normalidad inconsistentes: Kolmogorov-Smirnov vs Shapiro-Wilk
Actualmente estoy buscando algunos datos producidos por una simulación de MC que escribí: espero que los valores se distribuyan normalmente. Naturalmente, tracé un histograma y parece razonable (¿supongo?): [Arriba a la izquierda: histograma con dist.pdf(), arriba a la derecha: histograma acumulativo con dist.cdf(), abajo: QQ-plot, datavs dist] Entonces decidí profundizar …
2
Si , entonces ¿por qué ?
Vi lo siguiente en un libro de texto y tengo dificultades para comprender el concepto. Entiendo que se distribuye normalmente con E ( X_n ) = 0 y Var ( X_n ) = \ frac {1} {n} .XnorteXnorteX_nXnorteXnorteX_nXnorteXnorteX_n1norte1norte\frac{1}{n} Sin embargo, no entiendo por qué multiplicar XnorteXnorteX_n por norte--√norte\sqrt n lo …
3
Cómo realizar SVD para imputar valores perdidos, un ejemplo concreto
He leído los excelentes comentarios sobre cómo lidiar con los valores perdidos antes de aplicar SVD, pero me gustaría saber cómo funciona con un ejemplo simple: Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 Dada la matriz anterior, …
8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 
1
Distribución de un polinomio de segundo grado de una variable aleatoria gaussiana
Me gustaría calcular P(Y=aX2+bX+c&lt;0)P(Y=aX2+bX+c&lt;0)P(Y=aX^2+bX+c<0) donde . Puedo hacerlo con bastante facilidad usando Monte Carlo. Sin embargo, me han pedido que encuentre el pdf analítico de y luego calculeX∼N(0,σ)X∼N(0,σ)X \sim N(0,\sigma)fY(y)fY(y)f_Y(y)YYY I=∫0−∞fY(y)dyI=∫−∞0fY(y)dyI=\int_{-\infty}^0 f_Y(y) dy Supongo será tal que sólo puedo ser calculado numéricamente. Sin embargo, dado que es una integral univariante, …
3
Probabilidad gaussiana + which prior = Gaussian Marginal?
Dada una probabilidad gaussiana para una muestra como con siendo el espacio de parámetros y , parametrizaciones arbitrarias del vector medio y la matriz de covarianza.yyyp ( yEl | θ)= N( y; μ ( θ ) , Σ ( θ ) )p(y|θ)=N(y;μ(θ),Σ(θ))p(y|\theta) = \mathcal{N}(y;\mu(\theta),\Sigma(\theta))ΘΘ\Thetaμ ( θ )μ(θ)\mu(\theta)Σ ( θ )Σ(θ)\Sigma(\theta) …
4
Sería un
Digamos que sabemos la media de una distribución dada. ¿Afecta esto la estimación del intervalo de la varianza de una variable aleatoria (que de otro modo se calcula utilizando la varianza de la muestra)? Como en, ¿podemos obtener un intervalo más pequeño para el mismo nivel de confianza?
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.