Perguntas com a marcação «central-limit-theorem»

Estou lendo um artigo que afirma que (isto é, a Transformada Discreta de Fourier, DFT) pelo CLT tende para um (complexo) variável aleatória gaussiana. No entanto, eu sei que isso não é verdade em geral. Depois de ler esse argumento (falacioso), pesquisei na net e encontreieste artigo de 2010 da …

10 time-series  central-limit-theorem  fourier-transform 

\newcommand{\E}{\mathbb{E}}\newcommand{\P}{\mathbb{P}} O Teorema do Limite Central (CLT) afirma que, para X1,X2,…X1,X2,…X_1,X_2,\dots independentes e distribuídos de forma idêntica (iid) com E[Xi]=0E[Xi]=0\E[X_i]=0 e Var(Xi)&lt;∞Var⁡(Xi)&lt;∞\operatorname{ Var} (X_i)<\infty , a soma converge para uma distribuição normal como n→∞n→∞n\to\infty : ∑i=1nXi→N(0,n−−√).∑i=1nXi→N(0,n). \sum_{i=1}^n X_i \to N\left(0, \sqrt{n}\right). Suponha que X1,X2,…X1,X2,…X_1,X_2,\dots formem uma cadeia Markov de estado …

10 markov-process  central-limit-theorem 

Alguém pode fornecer uma explicação simples (leiga) da relação entre as distribuições de Pareto e o Teorema do Limite Central (por exemplo, aplica-se? Por que / por que não?)? Estou tentando entender a seguinte declaração: "o Teorema do Limite Central não funciona com todas as distribuições. Isso se deve a …

10 variance  central-limit-theorem  intuition  pareto-distribution  fat-tails 

Li em algum lugar que a razão pela qual calculamos as diferenças em vez de assumir valores absolutos ao calcular a variação é que a variação definida da maneira usual, com quadrados no nomeador, desempenha um papel único no Teorema do Limite Central. Bem, então qual é exatamente o papel …

10 variance  central-limit-theorem  dispersion 

Eu sempre discordei, e nunca recebi uma boa resposta, de como é possível que o teorema do limite central - a versão clássica em que a distribuição da amostra se aproxima da normalidade - possa ser aplicado para dizer uma distribuição de Poisson ou Gama, em que . Ou, nesse …

10 mean  sample  central-limit-theorem 

Sejam X1,…,Xn∼U(0,1)X1,…,Xn∼U(0,1)X_1,\dots,X_n \sim U(0,1) independentes e variáveis ​​aleatórias uniformes padrão distribuídas de forma idêntica. Let Yn=∑inX2iI seek: E[Yn−−√]Let Yn=∑inXi2I seek: E[Yn]\text{Let }\quad Y_n=\sum_i^nX_i^2 \quad \quad \text{I seek: } \quad \mathbb{E}\big[\sqrt{Y_n } \big] A expectativa de YnYnY_n é fácil: E[X2]E[Yn]=∫10y2y√=13=E[∑inX2i]=∑inE[X2i]=n3E[X2]=∫01y2y=13E[Yn]=E[∑inXi2]=∑inE[Xi2]=n3\begin{align} \mathbb{E}\left[X^2\right] &=\int_0^1\frac{y}{2\sqrt{y}}=\frac{1}{3}\\ \mathbb{E}\left[Y_n\right] &=\mathbb{E}\left[\sum_i^nX_i^2\right] = \sum_i^n\mathbb{E}\left[X_i^2\right]=\frac{n}{3} \end{align} Agora, a parte chata. …

9 probability  expected-value  uniform  central-limit-theorem  mgf 

Na Econometria Introdutória de Wooldridge, há uma citação: O argumento que justifica a distribuição normal dos erros geralmente é algo como isto: como é a soma de muitos fatores não observados que afetam , podemos invocar o teorema do limite central para concluir que tem uma distribuição normal aproximada.e vcvocêuuyyyvocêuu …

9 self-study  linear-model  econometrics  normality-assumption  central-limit-theorem 

Pelo Teorema do Limite Central, a função densidade de probabilidade da soma de grandes variáveis ​​aleatórias independentes tende a Normal. Portanto, podemos dizer que a soma de um grande número de variáveis ​​aleatórias independentes de Cauchy também é Normal?

9 random-variable  central-limit-theorem  cauchy 

Tenho lutado bastante para reconciliar meu entendimento intuitivo das distribuições de probabilidade com as propriedades estranhas que quase todas as topologias nas distribuições de probabilidade possuem. Por exemplo, considere uma variável aleatória mista : escolha uma Gaussiana centrada em 0 com variação 1 e com probabilidade 1XnXnX_n , adicionenao resultado. …

9 mathematical-statistics  convergence  central-limit-theorem  topologies 

Para testes t, de acordo com a maioria dos textos, há uma suposição de que os dados da população são normalmente distribuídos. Não vejo por que isso é. Um teste t não exige apenas que a distribuição amostral da média amostral seja normalmente distribuída, e não a população? Se o …

9 hypothesis-testing  t-test  assumptions  normality-assumption  central-limit-theorem 

Suponha a seguinte configuração: Seja . Também . Além disso, ie é uma combinação convexa dos limites dos respectivos suportes. é comum para todos .Zi=min{ki,Xi},i=1,...,nZi=min{ki,Xi},i=1,...,nZ_i = \min\{k_i, X_i\}, i=1,...,nXi∼U[ai,bi],ai,bi&gt;0Xi∼U[ai,bi],ai,bi&gt;0X_i \sim U[a_i, b_i], \; a_i, b_i >0ki=cai+(1−c)bi,0&lt;c&lt;1ki=cai+(1−c)bi,0&lt;c&lt;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 …

9 distributions  central-limit-theorem  censoring  minimum 

ConsidereXn= ⎧⎩⎨1 1- 12kwp ( 1 - 2- n) / 2wp ( 1 - 2- n) / 2wp 2- k para k &gt; nXn={1w.p. (1−2−n)/2−1w.p. (1−2−n)/22kw.p. 2−k for k&gt;nX_n = \begin{cases} 1 & \text{w.p. } (1 - 2^{-n})/2\\ -1 & \text{w.p. } (1 - 2^{-n})/2\\ 2^k & \text{w.p. } 2^{-k} …

9 probability  self-study  central-limit-theorem  moments  asymptotics 

Dado que N= nN=nN = n , a distr condicional. de YYY é χ2( 2 n )χ2(2n)\chi ^2(2n) . NNN tem distr marginal. de Poisson ( θθ\theta ), θθ\theta é uma constante positiva. Mostre que, como θ → ∞θ→∞\theta \rightarrow \infty , ( Y - E ( Y ) ) …

9 self-study  poisson-distribution  conditional-probability  convergence  central-limit-theorem 

Os seguintes enxertos são retirados deste artigo . Eu sou novato no bootstrap e estou tentando implementar o bootstrap paramétrico, semiparamétrico e não paramétrico para o modelo misto linear com o R bootpacote. Código R Aqui está o meu Rcódigo: library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + Cult …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

Portanto, tenho 16 ensaios em que estou tentando autenticar uma pessoa de uma característica biométrica usando a Distância de Hamming. Meu limite está definido como 3,5. Meus dados estão abaixo e apenas o teste 1 é um verdadeiro positivo: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction