Questions tagged «normal-distribution»

正态分布或高斯分布的密度函数为对称的钟形曲线。它是统计中最重要的分布之一。使用[normality]标签询问有关正常性测试的信息。

4
如何计算2D标准偏差（平均值为0，以界限为边界）
我的问题如下：我从某个点一次在地面上几米处投下40个球。球滚动，停下来。使用计算机视觉，我计算了XY平面中的质心。我只对从质心到每个球的距离感兴趣，这是使用简单几何图形计算的。现在，我想知道与中心的单侧标准偏差。因此，我将能够知道一定数量的球在一个std半径内，更多球在2 * std半径内，依此类推。如何计算单面标准偏差？正常方法将声明一半球位于0均值的“负侧”。在这个实验中，这当然是没有意义的。我是否必须确保滚珠符合标准分布？感谢您的任何帮助。
4
R中的离散时间事件历史（生存）模型
我正在尝试在R中拟合离散时间模型，但不确定如何执行。 我读过您可以将因变量组织在不同的行中，每个时间观察行一个，并将该glm函数与logit或cloglog链接一起使用。从这个意义上讲，我有三列：ID，Event（在每个时间范围内为1或0）和Time Elapsed（自观察开始以来）以及其他协变量。 如何编写适合模型的代码？哪个因变量？我想我可以将其Event用作因变量，并将其包括Time Elapsed在协变量中。但是，会发生什么ID呢？我需要吗？ 谢谢。
10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 
1
R线性回归分类变量“隐藏”值
这只是我多次遇到的示例，因此我没有任何示例数据。在R中运行线性回归模型： a.lm = lm(Y ~ x1 + x2) x1是一个连续变量。x2是分类的，具有三个值，例如“低”，“中”和“高”。但是，R给出的输出将类似于： summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 我知道R在这种因素（x2是一个因素）上引入了某种虚拟编码。我只是想知道，如何解释x2“高”值？例如，x2在此处给出的示例中，“ High” 对响应变量有什么影响？ 我在其他地方（例如这里）已经看到了这样的示例，但是还没有找到我能理解的解释。
10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 
1
高斯效率是什么意思？
如果有可靠的估计量，高斯效率意味着什么？例如，高斯效率为82％，击穿点为50％。问ñ问ñQ_{_n} 参考文献是：Rousseeuw PJ和Croux，C.（1993）。“中位数绝对偏差的替代方法。” J. American Statistics Assoc。，88，1273-1283
1
0删减的多元法线的均值和方差是多少？
设在。的均值和协方差矩阵是什么（最大逐元素计算）？Z∼N(μ,Σ)Z∼N(μ,Σ)Z \sim \mathcal N(\mu, \Sigma)RdRd\mathbb R^dZ+=max(0,Z)Z+=max(0,Z)Z_+ = \max(0, Z) 例如，这是因为，如果我们在深层网络中使用ReLU激活功能，并通过CLT假定给定层的输入近似正常，则这就是输出的分布。 （我确信很多人以前都已经计算过了，但是我找不到以合理可读的方式列出的结果。）
1
法线的二次形式的分布
我试图找出 这里 Ž 我〜Ñ（0 ，1 ），IID我知道，单独服用各条款， Ñ Σ我= 1 ž 2 我〜χ 2（Ñ ） 和 1(n−1)∑i=1nZ2i−(∑i=1nZi)2(∗)(n−1)∑i=1nZi2−(∑i=1nZi)2(∗) (n-1) \sum_{i=1}^n Z_i^2 - \left( \sum_{i=1}^n Z_i \right)^2 \qquad (*) Zi∼N(0,1)Zi∼N(0,1)Z_i \sim \mathcal{N}(0,1)∑i=1nZ2i∼χ2(n)∑i=1nZi2∼χ2(n) \sum_{i=1}^n Z_i^2 \sim \chi^2(n) 但是我不确定（*）的分布1n(∑i=1nZi)2∼χ2(1).1n(∑i=1nZi)2∼χ2(1). \frac{1}{n}\left( \sum_{i=1}^n Z_i \right)^2 \sim \chi^2(1).
1
什么时候可以写出“我们假设经验分布为正态分布”？
在医学等应用学科的教学中，根深蒂固的是，人群中生物医学数量的测量遵循正常的“钟形曲线”。Google对字符串“我们假定为正态分布”的搜索返回结果！听起来，“在气候变化研究中，“鉴于极少的极端数据点，我们假设温度异常呈正态分布”。或在企鹅的争议较小的文件上“假设雏鸡的孵化日期呈正态分布”；或 “我们假设GDP增长冲击呈正态分布”，23,90023,900\small 23,900， ... 和其他东西）。 最近，我发现自己质疑计数数据由于其严格的正性而被视为正态分布。当然，计数数据是离散的，这使得它们的正常性更加人为。但是，即使撇开后面的观点，为什么应该将连续的经验性测量（例如，体重，身高或血糖浓度）（通常被认为是“连续的”）视为正常的呢？他们所拥有的负面已实现的观察结果绝不会超过计数！ 我了解到，当标准偏差明显低于平均值时，表明负值很少（“ 95％范围检查”），这可能是一个实际的假设，并且频率直方图也可以支持该偏差。但是问题似乎并不简单，快速搜索便产生了有趣的东西。 在《自然》杂志上，我们可以在DF Heath的一封信中找到以下陈述：“我想指出的是，对于某些类型的数据的统计分析，假设数据是从正常人群中提取的，通常是错误的。对数正态分布的假设更好。这种选择已被统计学家，经济学家和物理学家广泛使用，但由于某些原因，其他学科的科学家常常忽略了这一点。” Limpert指出，“对数正态模型可能在许多科学家认为正态为有效近似的意义上可以作为近似值”，同时指出正态拟合优度检验的功效较低，并且选择困难处理小样本时，凭经验得出正确的分布。 因此，问题是，“在没有进一步支持证据的情况下，何时可以接受应用科学中经验度量的正态分布？” 而且，为什么其他选择（例如对数正态）没有，甚至可能不会被采用？
1
自然界中分布的任何过程是否完全正常？
关于自然中的正态分布的重要性已有很多论述。许多测量值，例如身高或体重，大致呈正态分布。但是据我了解，它们都不是完全正常的。 考虑到正态分布是最大熵分布之一，自然应该“喜欢它”似乎是合理的。但是经过一番思考，我无法提出任何“真正的”正常随机变量的例子。 我的问题是那里有什么很好的例子来说明正态分布的随机变量？
1
X，Y是从N（0,1）开始的id。X> 2Y的概率是多少
我在想，因为来自并且它们是独立的，所以X,YX,YX, YN(0,1)N(0,1)N(0,1) X−2YX−2YX - 2Y具有）的分布。那么概率为。N(0,5)N(0,5)N(0, 5)X−2Y>0X−2Y>0X-2Y > 01/21/21/2 以上对我来说似乎是正确的，尽管看起来 概率为。好像有点不对劲。我有做错什么吗？X>nYX>nYX>nY1/21/21/2
1
对正态分布的高阶产品的期望
我有两个正态分布的变量和，均值零，协方差矩阵。我有兴趣尝试根据的条目来计算的值。X1X1X_1X2X2X_2ΣΣ\SigmaE[X21X22]E[X12X22]E[X_1^2 X_2^2]ΣΣ\Sigma 我用总概率定律得到 但我不确定内部期望会降低到什么。这里还有其他方法吗？E[X21X22]=E[X21E[X22|X1]]E[X12X22]=E[X12E[X22|X1]]E[X_1^2 X_2^2] = E[X_1^2 E[X_2^2 | X_1]] 谢谢。 编辑：变量也是多元正态分布。
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)}) …
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.