Questions tagged «distributions»

我是一名纯数学研究生，几乎没有应用数学背景。从去年秋天开始，我开始在Casella＆Berger的书上上课，并且在书中完成了数百（230+）页的运动问题。现在我在第10章。 但是，由于我没有统计学专业或计划成为统计学家，所以我认为我将无法定期投入时间继续学习数据分析。到目前为止，我的经验告诉我，作为一名统计学家，需要承担很多繁琐的计算工作，涉及各种分布（Weibull，Cauchy，，F ...）。我发现虽然基本思想很简单，但由于技术原因，实现（例如假设检验中的LRT）仍然很困难。ŤŤtFFF 我的理解正确吗？有没有一种方法可以学习概率和统计信息，不仅可以涵盖更高级的材料，还可以在我需要现实生活中的数据分析时提供帮助吗？我是否需要像以前那样每周花费个小时？≥≥\ge 尽管我认为学习数学没有走上任何皇家之路，但我常常不禁要问-大多数时候，我们不知道真实数据的分布是什么，所以我们专注于各种分布族的目的是什么？ ？如果样本量较小，并且中心极限定理不适用，那么在分布未知的情况下，除了样本平均值和方差之外，我们还应如何正确分析数据？ 我的学期将在一个月内结束，在我开始专注于博士学位研究后，我不希望自己的知识消失。所以我决定问。我正在学习R，并且我有一定的编程背景，但是我的水平与代码猴子差不多。

22 distributions  references  eda 

如何检查我的数据（例如薪水）是否来自R中的连续指数分布？ 这是我的样本的直方图： 。任何帮助将不胜感激！

22 r  distributions  goodness-of-fit  exponential 

我以为粗尾=粗尾，但是我读过的一些文章使我感觉不是。 其中之一说：重尾意味着对于某个整数j，分布具有无限的第j矩。另外，帕累托df吸引的锅域中的所有df都是重尾的。如果密度具有较高的中心峰和较长的尾巴，则峰度通常较大。峰度大于3的df是肥尾或瘦小体。我仍然没有这两者之间的具体区别（重型尾巴与胖尾巴）。任何有关相关文章的想法或指示，将不胜感激。

22 distributions 

我已经采样了一个真实的过程，即网络ping时间。“往返时间”以毫秒为单位。结果绘制在直方图中： Ping时间具有最小值，但尾巴较长。 我想知道这是什么统计分布，以及如何估算其参数。 即使该分布不是正态分布，我仍然可以显示我要实现的目标。 正态分布使用以下功能： 有两个参数 μ（平均值） σ 2 （方差） 参数估计 估算两个参数的公式为： 将这些公式应用于Excel中的数据，我得到： μ= 10.9558（平均值） σ 2 = 67.4578（方差） 使用这些参数，我可以在采样数据上方绘制“ 正态 ”分布： 显然，这不是正态分布。正态分布具有无限的顶部和底部尾部，并且是对称的。这种分布是不对称的。 我将采用什么原则？我将采用哪种流程图来确定这是哪种分布？ 假设分布没有负尾巴，而有长正尾巴：什么分布与之匹配？ 是否有与您所观察到的分布相匹配的参考？ 紧追其后，此分布的公式是什么，以及估算其参数的公式是什么？ 我想要获得分布，以便获得“平均”值以及“价差”： 我实际上是在软件中绘制直方图，我想覆盖理论分布： 注意：从math.stackexchange.com交叉发布 更新：160,000个样本 一个月又一个月，以及不计其数的抽样会议，都给出了相同的分布。有必须是一个数学表达式。 哈维建议将数据放在对数刻度上。这是对数刻度上的概率密度： 标签：抽样，统计，参数估计，正态分布 这不是答案，而是问题的附录。这是分配桶。我认为，喜欢冒险的人可能希望将其粘贴到Excel（或您知道的任何程序）中，并可以发现其分布。 值已标准化 Time Value 53.5 1.86885613545469E-5 54.5 0.00396197500716395 55.5 0.0299702228922418 56.5 0.0506460012708222 57.5 0.0625879919763777 58.5 0.069683415770654 …

22 distributions  sample-size  sample  normality-assumption  distribution-identification 

该声明 样本方差的样本分布是自由度等于的卡方分布，其中是样本大小（假设感兴趣的随机变量是正态分布的）。nn−1n−1n-1nnn 资源 我的直觉 这对我来说有点直觉，1）因为卡方检验看起来像是平方和； 2）卡方分布只是正态分布的平方和。但是，我对此仍然不太了解。 题 这句话是真的吗？为什么？

22 distributions  normal-distribution  sampling  chi-squared  sample-size 

我们知道，在适当分配优先权的情况下， P（θ | X）= P（X| θ ）P（θ ）P（X）P（θ∣X）=P（X∣θ）P（θ）P（X）P(\theta \mid X) = \dfrac{P(X \mid \theta)P(\theta)}{P(X)} α P（X| θ ）P（θ ）∝P（X∣θ）P（θ） \propto P(X \mid \theta)P(\theta)。 该步骤的通常的理由是，边缘分布XXX，P（X）P（X）P(X)，是相对于恒定θθ\theta和导出后验分布时可因此被忽略。 但是，如果先验不正确，您如何知道后验分布实际上存在？这个看似循环的论点似乎有些缺失。换句话说，如果我假设后验存在，那么我就会理解如何推导后验的机制，但是我似乎缺少关于为何甚至存在的理论依据。 PS我也认识到，在某些情况下，先验错误会导致后验错误。

22 distributions  bayesian  prior  posterior 

我有两组数据。每个变量都有不同的分布。我试图确定这两组的分布是否在统计上有意义。我既有原始格式的数据，又有binbined的数据，可以更轻松地处理每个频率计数的离散类别。 我应该使用什么测试/过程/方法来确定这两组是否存在显着差异，以及如何在SAS或R（或Orange）中进行测试？

22 distributions  statistical-significance 

在统计中，独立和随机描述的特征相同吗？它们之间有什么区别？我们经常碰到类似“两个独立随机变量”或“随机抽样”的描述。我想知道它们之间的确切区别是什么。有人可以解释一下并举一些例子吗？例如非独立但随机的过程？

21 distributions  sampling  randomness 

许多PDF从负无穷到正无穷大，但定义了一些方法，而没有定义。哪些共同特征使某些可计算？

21 distributions  mean 

随机将长度为均匀地分成片段。最长片段的长度分布是什么？k+1k+1k+1 更正式地说，让为IID，让为关联的订单统计信息，即我们简单地订购以这样的方式来处理样本。令。(U1,…Uk)(U1,…Uk)(U_1, \ldots U_k)U(0,1)U(0,1)U(0,1)(U(1),…,U(k))(U(1),…,U(k))(U_{(1)}, \ldots, U_{(k)})U(1)≤U(2)≤,…,≤U(k)U(1)≤U(2)≤,…,≤U(k)U_{(1)} \leq U_{(2)} \leq, \ldots , \leq U_{(k)}žķ= 最大（U（1 ），U（2 ）− U（1 ），… ，U(k)−U(k−1),1−U(k))Zk=max(U(1),U(2)−U(1),…,U(k)−U(k−1),1−U(k))Z_k = \max \left(U_{(1)}, U_{(2)}-U_{(1)}, \ldots, U_{(k)} - U_{(k-1)}, 1-U_{(k)}\right) 我对Z_k的分布感兴趣ZkZkZ_k。矩，渐近结果或k \ uparrow \ infty的近似值k↑∞k↑∞k \uparrow \infty也很有趣。

21 distributions  uniform  order-statistics  dirichlet-distribution  maximum 

这个离散分布有名称吗？对于i∈1...Ni∈1...Ni \in 1...N f(i)=1N∑Nj=i1jf(i)=1N∑j=iN1jf(i) = \frac{1}{N} \sum_{j = i}^N \frac{1}{j} 我从以下内容中发现了此分布：我有按实用程序功能排列的项目的列表。我想随机选择其中一项，偏向列表的开头。因此，我首先均匀地选择介于1和N之间的索引j。然后，我在索引1和j之间选择一个项目。我相信这个过程会导致上述分布。NNNjjjNñNjjj

21 probability  terminology  discrete-data  distributions 

我知道先验不一定合适，似然函数也不会积分为1。但是后验是否需要适当分配？如果是/不是，这意味着什么？

21 distributions  bayesian  posterior 

我需要找到随机变量的分布 Y=∑i=1n(Xi)2Y=∑i=1n(Xi)2Y=\sum_{i=1}^{n}(X_i)^2 ，其中Xi∼N(μi,σ2i)Xi∼N(μi,σi2)X_i\sim{\cal{N}}(\mu_i,\sigma^2_i)和所有XiXiX_i s为独立的。我知道有可能首先找到XiXiX_i s 的所有矩生成函数的乘积，然后变换回以获得YYY的分布。但是，我想知道Y是否有通用形式YYY 类似于高斯案例：我们知道独立高斯的和仍然是高斯，因此我们只需要知道求和的平均值和求和的方差即可。 如何对所有？这种情况是否可以解决？σ2i=σ2σi2=σ2\sigma^2_i=\sigma^2

21 distributions  chi-squared  random-variable  saddlepoint-approximation 

两个随机变量是否可能具有相同的分布，但几乎肯定不同？

21 distributions  probability 

假设。我对对角元素的边际分布感兴趣。关于的子矩阵的分布有一些简单的结果（至少有一些列在Wikipedia上）。由此我可以看出，对角线上任何单个元素的边际分布都是反伽玛。但是我一直无法推断出联合分布。DIAG （X ）= （X 11，... ，X p p）XX∼InvWishart(ν,Σ0)X∼InvWishart⁡(ν,Σ0)X\sim \operatorname{InvWishart}(\nu, \Sigma_0)诊断（X）= （x11，… ，xp p）诊断⁡（X）=（X11，…，Xpp）\operatorname{diag}(X) = (x_{11}, \dots, x_{pp})XXX 我认为也许可以通过合成来得出，例如： p （X11| X我我，i > 1 ）p （x22| X我我，i > 2 ）… p （x（p − 1 ）（p − 1 ）| Xp p）p （xp p），p（X11|X一世一世，一世>1个）p（X22|X一世一世，一世>2）…p（X（p-1个）（p-1个）|Xpp）p（Xpp），p(x_{11} | x_{ii}, i\gt 1)p(x_{22}|x_{ii}, i>2)\dots p(x_{(p-1)(p-1)}|x_{pp})p(x_{pp}), 但是我从没有得到任何帮助，并且进一步怀疑我缺少简单的东西；似乎已经知道这个“应该”，但是我一直无法找到/显示它。

21 distributions  probability  pdf