Câu hỏi được gắn thẻ «central-limit-theorem»

Đối với các câu hỏi về định lý giới hạn trung tâm, trong đó nêu rõ: "Với một số điều kiện nhất định, giá trị trung bình của một số lần lặp đủ lớn của các biến ngẫu nhiên độc lập, mỗi biến có trung bình được xác định rõ và phương sai được xác định rõ, sẽ được phân phối bình thường." (Wikipedia)




1
Có bất kỳ phân phối nào khác ngoài Cauchy mà trung bình số học của một mẫu tuân theo cùng một phân phối không?
Nếu tuân theo phân phối Cauchy thì cũng tuân theo chính xác phân phối tương tự như ; xem chủ đề này .XXXY=X¯=1n∑ni=1XiY=X¯=1n∑i=1nXiY = \bar{X} = \frac{1}{n} \sum_{i=1}^n X_iXXX Liệu tài sản này có một tên? Có bất kỳ phân phối nào khác mà điều này là đúng? BIÊN TẬP …

1
Bình thường tiệm cận của một hình thức bậc hai
Hãy xx\mathbf{x} là một vector ngẫu nhiên rút ra từ PPP . Xét một mẫu {xi}ni=1∼i.i.d.P{xi}i=1n∼i.i.d.P\{ \mathbf{x}_i \}_{i=1}^n \stackrel{i.i.d.}{\sim} P . Xác định x¯n:=1n∑ni=1xix¯n:=1n∑i=1nxi\bar{\mathbf{x}}_n := \frac{1}{n} \sum_{i=1}^n \mathbf{x}_i, và C :=1C^:=1n∑ni=1(xi−x¯n)(xi−x¯n)⊤C^:=1n∑i=1n(xi−x¯n)(xi−x¯n)⊤\hat{C} := \frac{1}{n} \sum_{i=1}^n (\mathbf{x}_i - \bar{\mathbf{x}}_n) (\mathbf{x}_i - \bar{\mathbf{x}}_n)^\top. Đặtvà.μ:=Ex∼P[x]μ:=Ex∼P[x]\boldsymbol{\mu} := \mathbb{E}_{\mathbf{x}\sim P}[\mathbf{x}]C:=covx∼P[x,x]C:=covx∼P[x,x]C:=\mathrm{cov}_{\mathbf{x} \sim P}[\mathbf{x}, \mathbf{x}] Theo định lý …


3
Một câu hỏi định lý giới hạn trung tâm khác
Đặt là một chuỗi các biến ngẫu nhiên Bernoulli độc lập với Đặt Cho thấy hội tụ trong phân phối cho biến thông thường tiêu chuẩn khi có xu hướng vô cùng.{Xn:n≥1}{Xn:n≥1}\{X_n:n\ge1\}P{Xk=1}=1−P{Xk=0}=1k.P{Xk=1}=1−P{Xk=0}=1k.P\{X_k=1\}=1-P\{X_k=0\}=\frac{1}{k}.Sn=∑k=1n(Xk−1k), B2n=∑k=1nk−1k2Sn=∑k=1n(Xk−1k), Bn2=∑k=1nk−1k2S_n=\sum^{n}_{k=1}\left(X_k-\frac{1}{k}\right), \ B_n^2=\sum^{n}_{k=1}\frac{k-1}{k^2}SnBnSnBn\frac{S_n}{B_n}ZZZnnn Nỗ lực của tôi là sử dụng Lyapunov CLT, do đó chúng tôi cần …



3
Thông tin lý thuyết định lý giới hạn trung tâm
Hình thức đơn giản nhất của CLT lý thuyết thông tin là như sau: Hãy để được iid với trung bình 0 và phương sai 1 . Hãy để f n là mật độ của tổng bình thường Σ n i = 1 X iX1,X2,…X1,X2,…X_1, X_2,\dots000111fnfnf_n∑ni=1Xin√∑i=1nXin\frac{\sum_{i=1}^n X_i}{\sqrt{n}}ϕϕ\phiD(fn∥ϕ)=∫fnlog(fn/ϕ)dxD(fn‖ϕ)=∫fnlog⁡(fn/ϕ)dxD(f_n\|\phi)=\int f_n \log(f_n/\phi) dxnnnD(fn∥ϕ)→0D(fn‖ϕ)→0D(f_n\|\phi)\to …

1
MLE của bất thường không bình thường khi ?
Giả sử có pdf(X,Y)(X,Y)(X,Y) fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0f_{\theta}(x,y)=e^{-(x/\theta+\theta y)}\mathbf1_{x>0,y>0}\quad,\,\theta>0 Mật độ của mẫu được rút ra từ quần thể này là do(X,Y)=(Xi,Yi)1≤i≤n(X,Y)=(Xi,Yi)1≤i≤n(\mathbf X,\mathbf Y)=(X_i,Y_i)_{1\le i\le n} gθ(x,y)=∏i=1nfθ(xi,yi)=exp[−∑i=1n(xiθ+θyi)]1x1,…,xn,y1,…,yn>0=exp[−nx¯θ−θny¯]1x(1),y(1)>0,θ>0gθ(x,y)=∏i=1nfθ(xi,yi)=exp⁡[−∑i=1n(xiθ+θyi)]1x1,…,xn,y1,…,yn>0=exp⁡[−nx¯θ−θny¯]1x(1),y(1)>0,θ>0\begin{align} g_{\theta}(\mathbf x,\mathbf y)&=\prod_{i=1}^n f_{\theta}(x_i,y_i) \\&=\exp\left[{-\sum_{i=1}^n\left(\frac{x_i}{\theta}+\theta y_i\right)}\right]\mathbf1_{x_1,\ldots,x_n,y_1,\ldots,y_n>0} \\&=\exp\left[-\frac{n\bar x}{\theta}-\theta n\bar y\right]\mathbf1_{x_{(1)},y_{(1)}>0}\quad,\,\theta>0 \end{align} Công cụ ước tính khả năng tối đa của có thể được suy ra làθθ\theta …

3
Trong CLT, tại sao ?
Đặt là các quan sát độc lập từ một bản phân phối có ý nghĩa và phương sai , khi , sau đó L σ 2 &lt; ∞ n → ∞X1,...,XnX1,...,XnX_1,...,X_nμμ\muσ2&lt;∞σ2&lt;∞\sigma^2 < \inftyn→∞n→∞n \rightarrow \infty n−−√X¯n−μσ→N(0,1).nX¯n−μσ→N(0,1).\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma} \rightarrow N(0,1). Tại sao điều này ngụ ý rằng X¯n~ N( Μ , σ2n) …

1
Kiểm tra bình phương hai mẫu
Câu hỏi này là từ cuốn sách của Van der Vaart, Asymptotic Statistics, pg. 253. # 3: Giả sử và là các vectơ đa thức độc lập với các tham số và . Theo giả thuyết null mà chỉ ra rằngXmXm\mathbf{X}_mYnYn\mathbf{Y}_n(m,a1,…,ak)(m,a1,…,ak)(m,a_1,\ldots,a_k)(n,b1,…,bk)(n,b1,…,bk)(n,b_1,\ldots,b_k)ai=biai=bia_i=b_i ∑i=1k(Xm,i−mc^i)2mc^i+∑i=1k(Yn,i−nc^i)2nc^i∑i=1k(Xm,i−mc^i)2mc^i+∑i=1k(Yn,i−nc^i)2nc^i\sum_{i=1}^k \dfrac{(X_{m,i} - m\hat{c}_i)^2}{m\hat{c}_i} + \sum_{i=1}^k \dfrac{(Y_{n,i} - n\hat{c}_i)^2}{n\hat{c}_i} …


2
Liệu Định lý giới hạn trung tâm đa biến (CLT) có giữ được khi các biến thể hiện sự phụ thuộc hoàn toàn đương thời không?
Tiêu đề tổng hợp câu hỏi của tôi, nhưng để rõ ràng hãy xem xét ví dụ đơn giản sau đây. Đặt , i = 1, ..., n . Xác định: \ started {phương trình} S_n = \ frac {1} {n} \ sum_ {i = 1} ^ n X_i \ …

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.