Câu hỏi được gắn thẻ «mathematical-statistics»

Lý thuyết toán học về thống kê, liên quan đến các định nghĩa chính thức và kết quả chung.




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 …


4
Hàm khả năng tối đa cho phân phối kiểu hỗn hợp
Nói chung, chúng tôi tối đa hóa một chức năng L(θ;x1,…,xn)=∏i=1nf(xi∣θ)L(θ;x1,…,xn)=∏i=1nf(xi∣θ) L(\theta; x_1, \ldots, x_n) = \prod_{i=1}^n f(x_i \mid \theta) Trong đó là hàm mật độ xác suất nếu phân phối cơ bản là liên tục và hàm khối lượng xác suất (có tổng thay vì sản phẩm) nếu phân …


1
Về sự tồn tại của UMVUE và sự lựa chọn của ước lượng bình quân trong dân số
Hãy là một mẫu ngẫu nhiên rút ra từ dân nơi .(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R Tôi đang tìm UMVUE của .θθ\theta Mật độ chung của là(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1,x2,⋯,xn)=∏i=1n1θ2π−−√exp[−12θ2(xi−θ)2]=1(θ2π−−√)nexp[−12θ2∑i=1n(xi−θ)2]=1(θ2π−−√)nexp[1θ∑i=1nxi−12θ2∑i=1nx2i−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈Rfθ(x1,x2,⋯,xn)=∏i=1n1θ2πexp⁡[−12θ2(xi−θ)2]=1(θ2π)nexp⁡[−12θ2∑i=1n(xi−θ)2]=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} , trong đó và .h(x)=1g(θ,T(x))=1(θ2π√)nexp[1θ∑ni=1xi−12θ2∑ni=1x2i−n2]g(θ,T(x))=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]g(\theta, T(\mathbf x))=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right]h(x)=1h(x)=1h(\mathbf x)=1 Ở đây, phụ thuộc vào …



2
Dễ dàng chứng minh
Hãy Z1, ⋯ , ZnZ1,⋯,ZnZ_1,\cdots,Z_n được tiêu chuẩn độc lập biến ngẫu nhiên bình thường. Có nhiều bằng chứng (dài) ngoài kia, cho thấy rằng Σi = 1n( ZTôi- 1nΣj = 1nZj)2∼ χ2n - 1ΣTôi= =1n(ZTôi-1nΣj= =1nZj)2~χn-12 \sum_{i=1}^n \left(Z_i - \frac{1}{n}\sum_{j=1}^n Z_j \right)^2 \sim \chi^2_{n-1} Nhiều bằng chứng khá dài …

2
Liệu Nghịch lý của Simpson có bao gồm tất cả các trường hợp đảo ngược từ một biến ẩn không?
Sau đây là một câu hỏi về nhiều hình ảnh được cung cấp dưới dạng "bằng chứng bằng hình ảnh" về sự tồn tại của nghịch lý Simpson và có thể là một câu hỏi về thuật ngữ. Nghịch lý của Simpson là một hiện tượng khá đơn giản để …



2
Chính xác những gì
Những gì hiện ~˙~˙\dot\sim ký hiệu (dấu chấm trên dấu ngã) có nghĩa là, trong bối cảnh như x ∼˙N( 0 , 1 )x~˙N(0,1)x \mathrel{\dot\sim} \mathcal N(0,1) ? Hóa ra việc tìm cách sắp xếp nó một cách chính xác sẽ dễ dàng hơn: tex.SE giải thích rằng người ta …

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.