Questions tagged «minimum»

极值是样本中最大或最小的观测值;例如,样本最小值(一阶统计量)和样本最大值(n阶统计量)。与极值相关的是渐近*极值分布*。


5
为什么k-均值不给出全局最小值?
我读到k-means算法仅收敛到局部最小值,而不收敛到全局最小值。为什么是这样?我可以从逻辑上考虑初始化如何影响最终的聚类,并且存在次优聚类的可能性,但是我没有找到任何可以从数学上证明这一点的东西。 另外,为什么k-means是一个迭代过程?我们不能仅将目标函数wrt与质心进行部分区分,将其等于零以找到使该函数最小化的质心吗?为什么我们必须使用梯度下降来逐步达到最小?

4
两个随机变量中较小者的无偏估计量
假设和ý 〜Ñ(μ Ý,σ 2 ÿ)X〜ñ(μX,σ2X)X∼N(μx,σx2)X \sim \mathcal{N}(\mu_x, \sigma^2_x)ÿ〜ñ(μÿ,σ2ÿ)Y∼N(μy,σy2)Y \sim \mathcal{N}(\mu_y, \sigma^2_y) 我对。是否存在z的无偏估计量?ž= 分钟(μX,μÿ)z=min(μx,μy)z = \min(\mu_x, \mu_y)žzz \ min(\ bar {x},\ bar {y})的简单估计量有偏差(尽管一致),分钟(x¯,ÿ¯)min(x¯,y¯)\min(\bar{x}, \bar{y})其中X¯x¯\bar{x}和ÿ¯y¯\bar{y}是XXX和Y的样本均值ÿYY。它倾向于下冲žzz。 我想不出z的无偏估计量žzz。是否存在? 谢谢你的帮助。

2
卡方变量的无穷集合的阶数统计(例如最小值)?
这是我第一次来,因此,请让我知道我是否可以以任何方式(包括格式,标签等)来澄清我的问题。(希望我以后可以编辑!)我试图找到参考,并尝试使用归纳法解决自己,但都失败了。 我正在尝试简化一种分布,该分布似乎可以简化为具有不同自由度的无数独立随机变量的无穷集合的有序统计。具体而言,在独立的中第个最小值的分布是什么?χ2χ2\chi^2mmmχ22,χ24,χ26,χ28,…χ22,χ42,χ62,χ82,…\chi^2_2,\chi^2_4,\chi^2_6,\chi^2_8,\ldots 我会对特殊情况感兴趣:(独立)的最小值的分布是什么?m=1m=1m=1χ22,χ24,χ26,…χ22,χ42,χ62,…\chi^2_2,\chi^2_4,\chi^2_6,\ldots 对于最小的情况,我能够将累积分布函数(CDF)编写为无限乘积,但无法进一步简化。我使用了的CDF 为 (对于m = 1,这确认了下面关于等价指数为2的等价物的第二条评论。)则最小CDF可以写为F_ {min}(x)= 1-(1-F_2(x) )(1-F_4(x))\ ldots = 1- \ prod_ {m = 1} ^ \ infty(1-F_ {2m}(x))= 1- \ prod_ {m = 1} ^ \ infty \ left (e ^ {-x / 2} \ sum_ {k = 0} ^ {m-1} \ frac {x ^ …

1
最小的指数分布的最大似然估计
我被困在如何解决这个问题上。 因此,对于,我们有两个随机变量序列和。现在,和是具有参数和独立指数分布。然而,而不是观察和,我们观察到,而不是和。ÿ 我我= 1 ,。。。,Ñ X ÿ λ μ X ÿ ž W¯¯XiXiX_iYiYiY_ii=1,...,ni=1,...,ni=1,...,nXXXYYYλλ\lambdaμμ\muXXXYYYZZZWWW Z=min(Xi,Yi)Z=min(Xi,Yi)Z=\min(X_i,Y_i),如果Z_i = X_i则W = 1,如果Z_i = Y_i则为 0 。我必须在Z和W的基础上找到\ lambda和\ mu的最大似然估计的封闭形式。此外,我们需要证明这些是全局最大值。W=1W=1W=1Zi=XiZi=XiZ_i=X_iZi=YiZi=YiZ_i=Y_iλλ\lambdaμμ\muZZZWWW 现在,我知道两个独立指数的最小值本身就是指数,比率等于比率之和,因此我们知道ZZZ是带参数\ lambda + \ mu的指数λ+μλ+μ\lambda+\mu。因此,我们的最大似然估计器为:λ^+μ^=Z¯λ^+μ^=Z¯\hat{\lambda}+\hat{\mu}=\bar{Z}。 但是我对从这里去的方向感到困惑。我知道WWW是参数p = P(Z_i = X_i)的伯努利分布p=P(Zi=Xi)p=P(Zi=Xi)p=P(Z_i=X_i),但我不知道如何将其转换为关于参数之一的语句。例如,根据\ lambda和/或\ mu,MLE W¯W¯\bar{W}将估算什么?我知道如果Z_i = X_i,则\ mu = 0,但是在这里我很难弄清楚如何提出任何代数语句。λλ\lambdaμμ\muZi=XiZi=XiZ_i=X_iμ=0μ=0\mu=0 更新1:所以我在评论中被告知要推导ZZZ和W的联合分布的可能性WWW。 因此f(Z,W)=f(Z|W=1)⋅p+f(Z|W=0)⋅(1−p)f(Z,W)=f(Z|W=1)⋅p+f(Z|W=0)⋅(1−p)f(Z,W)=f(Z|W=1)\cdot p+f(Z|W=0)\cdot (1-p)其中p=P(Zi=Xi)p=P(Zi=Xi)p=P(Z_i=X_i)。正确?由于ZZZ和WWW不是独立的,因此在这种情况下我不知道如何导出联合分布。 因此,根据上述W的定义,得出f(Z_i,W_i)= p \ lambda …


2
改进最小估计量
假设我有正参数来估计以及由估计器产生的相应的无偏估计,即,等。nnn^ μ 1,^ μ 2,。。。,^ μ Ñ ë [ ^ μ 1 ] = μ 1个Ë [ ^ μ 2 ] = μ 2μ1个,μ2,。。。,μñμ1,μ2,...,μn\mu_1,\mu_2,...,\mu_nñnnμ1个^,μ2^,。。。,μñ^μ1^,μ2^,...,μn^\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n}E [ μ1个^] = μ1个E[μ1^]=μ1\mathrm E[\hat{\mu_1}]=\mu_1E [ μ2^] = μ2E[μ2^]=μ2\mathrm E[\hat{\mu_2}]=\mu_2 我想使用手头的估算来估算。显然,幼稚估计被偏置为低 中号我Ñ( μ1个,μ2,。。。,μñ)min(μ1,μ2,...,μn)\mathrm{min}(\mu_1,\mu_2,...,\mu_n)中号我Ñ( μ1个^,μ2^,。。。,μñ^)min(μ1^,μ2^,...,μn^)\mathrm{min}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n})E[min(μ1^,μ2^,...,μn^)]≤min(μ1,μ2,...,μn)E[min(μ1^,μ2^,...,μn^)]≤min(μ1,μ2,...,μn)\mathrm E[\mathrm{min}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n})]\leq \mathrm{min}(\mu_1,\mu_2,...,\mu_n) 假设我还拥有相应估计量的协方差矩阵。是否有可能使用给定的估计值和协方差矩阵来获得最小的无偏(或偏少偏见)估计?Cov(μ1^,μ2^,...,μn^)=ΣCov(μ1^,μ2^,...,μn^)=Σ\mathrm{Cov}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n}) = \Sigma

3
如果,
假定设置如下: 令Zi=min{ki,Xi},i=1,...,nZi=min{ki,Xi},i=1,...,nZ_i = \min\{k_i, X_i\}, i=1,...,n。还有Xi∼U[ai,bi],ai,bi>0Xi∼U[ai,bi],ai,bi>0X_i \sim U[a_i, b_i], \; a_i, b_i >0。而且ki=cai+(1−c)bi,0<c<1ki=cai+(1−c)bi,0<c<1k_i = ca_i + (1-c)b_i,\;\; 0 k_i) = 1- \Pr(X_i \le k_i) =1−ki−aibi−ai=1−(1−c)(bi−ai)bi−ai=c=1−ki−aibi−ai=1−(1−c)(bi−ai)bi−ai=c= 1- \frac {k_i - a_i}{b_i-a_i} = 1-\frac {(1-c)(b_i-a_i)}{b_i-a_i} =c 因此,在所有 FZi(zi)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0zi<aizi−aibi−aiai≤zi<ki1ki≤ziFZi(zi)={0zi<aizi−aibi−aiai≤zi<ki1ki≤ziF_{Z_i}(z_i) = \begin{cases} 0\qquad z_i0zi=kizi=kiz_i = k_i 总而言之,它等于现实的统一。 我想能够得出或表示随机变量S_n \ equiv \ sum_ {i = …

1
正常样本的最小订单统计量的期望值
2014年1月25日更新: 错误已得到纠正。请忽略上载图像中的“期望值”的计算值-它们是错误的-我不会删除图像,因为它已经生成了该问题的答案。 2014年1月10日更新: 发现了错误-所使用的一种来源中存在数学错字。正在准备更正... 从集合的最低次序统计的密度 IID连续随机变量与CDF和pdf是 ñnnFX(x )FX(x)F_X(x)FX(x )fX(x)f_X(x)FX(1 )(X(1 ))= nFX(X(1 ))[ 1 -FX(X(1 ))]n − 1[ 1 ]fX(1)(x(1))=nfX(x(1))[1−FX(x(1))]n−1[1]f_{X_{(1)}}(x_{(1)}) = nf_X(x_{(1)})\left[1-F_X(x_{(1)})\right]^{n-1} \qquad [1] 如果这些随机变量是标准正态的,则 FX(1 )(X(1 ))= n ϕ (X(1 ))[ 1 - Φ (X(1 ))]n − 1= n ϕ (X(1 ))[ Φ (-X(1 ))]n − 1[ 2 ]fX(1)(x(1))=nϕ(x(1))[1−Φ(x(1))]n−1=nϕ(x(1))[Φ(−x(1))]n−1[2]f_{X_{(1)}}(x_{(1)}) …

1
nlm()函数中的代码变量
在R中,有一个函数nlm(),它使用牛顿-拉夫森算法使函数f最小化。特别是,该函数输出如下定义的可变代码的值: 编码一个整数,指示优化过程为何终止。 1:相对梯度接近零,可能是电流迭代。 2:在容差范围内进行连续迭代,当前迭代可能是解决方案。 3:最后一个全局步骤未能找到一个低于估计值的点。估计是函数的局部最小值,或者阶跃过小。 4:超出迭代限制。 5:最大步长stepmax连续五次超过。该函数在下面是无界的,或者是从上方在某个方向上逐渐变为有限值,或者stepmax太小。 有人可以针对情况1-5解释我(也许只是使用一个仅带有一个变量的函数的简单图示)吗? 例如,情况1可能对应于以下图片: 先感谢您!
9 r  minimum 
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.