প্রশ্ন ট্যাগ «gamma-distribution»

দুটি কঠোর ইতিবাচক পরামিতি দ্বারা সূচিত একটি অ-নেতিবাচক ক্রমাগত সম্ভাবনা বিতরণ।

4
কখন গামা জিএলএম ব্যবহার করবেন?
গামা বিতরণ আকারের বেশ বিস্তৃত পরিসর নিতে পারে এবং এর দুটি পরামিতিগুলির মধ্য দিয়ে এবং ভিন্নতার মধ্যবর্তী লিঙ্কটি দেওয়া হয়, এটি অ-নেতিবাচক তথ্যগুলিতে হেটেরোস্কেস্টাস্টিকির সাথে আচরণ করার পক্ষে উপযুক্ত বলে মনে হয়, যাতে লগ-রুপান্তরিত ওএলএস পারে ডাব্লুএলএস বা কোনও ধরণের হেটেরোস্কেস্টাস্টিটি-সামঞ্জস্যপূর্ণ ভিসিভি অনুমানকারী ছাড়া না করে। আমি এটি রুটিন অ-নেতিবাচক …

4
লগ-ট্রান্সফর্মড রেসপন্স ভেরিয়েবলের জন্য LM এবং GLM এর মধ্যে নির্বাচন করা
আমি জেনারালাইজড লিনিয়ার মডেল (জিএলএম) বনাম লিনিয়ার মডেল (এলএম) ব্যবহার করার পিছনে দর্শনটি বোঝার চেষ্টা করছি। আমি নীচে সেট করে একটি উদাহরণ ডেটা তৈরি করেছি যেখানে: log(y)=x+εlog⁡(y)=x+ε\log(y) = x + \varepsilon উদাহরণটির মধ্যে ত্রুটি নেই এর এর ফাংশন হিসাবে , তাই আমি ধরে নেব যে লগ-ট্রান্সফর্মড y এর লিনিয়ার মডেলটি …

3
ভারী লেজ, লগনারমাল বা গামা কোনটি?
(এটি এমন প্রশ্নের ভিত্তিতে যা কেবল ইমেলের মাধ্যমে আমার কাছে এসেছিল; আমি একই ব্যক্তির সাথে আগের সংক্ষিপ্ত কথোপকথন থেকে কিছু প্রসঙ্গ যুক্ত করেছি।) গত বছর আমাকে বলা হয়েছিল যে গামা বিতরণ লগনরমালের তুলনায় ভারী লেজযুক্ত, এবং তখন থেকেই আমাকে বলা হয়েছে যে এটি ঘটেনি। কোনটি হয় গুরুতর টেইলড? সম্পর্কটি অন্বেষণ …

4
আর-তে নেতিবাচক ভেরিয়েবলের ঘনত্বের প্লটগুলির জন্য ভাল পদ্ধতিগুলি?
plot(density(rexp(100)) স্পষ্টতই শূন্যের বামে সমস্ত ঘনত্ব পক্ষপাতকে প্রতিনিধিত্ব করে। আমি অ-পরিসংখ্যানবিদদের জন্য কিছু ডেটা সংক্ষিপ্ত করতে চাই এবং আমি কেন অ-নেতিবাচক ডেটা শূন্যের বামে ঘনত্ব নিয়েছে এমন প্রশ্নগুলি এড়াতে চাই। প্লটগুলি এলোমেলোভাবে যাচাইয়ের জন্য; আমি চিকিত্সা এবং নিয়ন্ত্রণ গ্রুপগুলি দ্বারা ভেরিয়েবলগুলির বিতরণটি দেখাতে চাই। বিতরণগুলি প্রায়শই তাত্পর্যপূর্ণ - ইশ হয়। …

4
গামা র্যান্ডম ভেরিয়েবলের জেনেরিক যোগফল
আমি পড়েছি যে একই স্কেল প্যারামিটার সহ গামা র্যান্ডম ভেরিয়েবলগুলির যোগফল হ'ল অন্য গামা র্যান্ডম ভেরিয়েবল। আমি মোছোপৌলসের কাগজটিও গামা র্যান্ডম ভেরিয়েবলগুলির একটি সাধারণ সেটের সংমিশ্রনের জন্য একটি পদ্ধতি বর্ণনা করে দেখেছি । আমি মোছোপ্লোস পদ্ধতিটি বাস্তবায়নের চেষ্টা করেছি তবে এখনও সাফল্য পাইনি । গামা র্যান্ডম ভেরিয়েবলগুলির একটি সাধারণ সেটের …

2
গামা বনাম লগনারাল বিতরণ
আমার একটি পরীক্ষামূলকভাবে পর্যবেক্ষণ বিতরণ রয়েছে যা দেখতে গামা বা লগনারাল বিতরণের সাথে খুব মিল similar আমি পড়েছি যে লগনরমাল ডিস্ট্রিবিউশনটি এলোমেলো পরিবর্তিত সর্বাধিক এনট্রপি সম্ভাব্যতা বন্টন, যার জন্য and এর গড় এবং বৈকল্পিক স্থির করা হয়। গামা বিতরণে কি একই জাতীয় বৈশিষ্ট্য রয়েছে?এলএন ( এক্স )এক্সXXLn( এক্স)ln⁡(X)\ln(X)

5
সাধারণ বিতরণের বাস্তব জীবনের উদাহরণ
আমি পরিসংখ্যানগুলির জন্য আগ্রহ বিকাশকারী একটি গ্রেড শিক্ষার্থী। আমি সামগ্রীতে সামগ্রিকভাবে পছন্দ করি তবে মাঝে মাঝে বাস্তব জীবনে প্রয়োগের বিষয়ে চিন্তা করতে আমার খুব কষ্ট হয়। বিশেষত, আমার প্রশ্নটি সাধারণত ব্যবহৃত পরিসংখ্যান বিতরণ সম্পর্কে (সাধারণ - বিটা-গামা ইত্যাদি)। আমি অনুমান করি যে কয়েকটি ক্ষেত্রে আমি সেই বিশেষ বৈশিষ্ট্যগুলি পেয়েছি যা …

3
গামা বিতরণ এবং সাধারণ বিতরণের মধ্যে সম্পর্ক
সম্প্রতি আমি গড় 0 সহ একটি সাধারণ র্যান্ডম ভেরিয়েবলের বর্গক্ষেত্রের জন্য পিডিএফ প্রাপ্ত করার প্রয়োজনীয়তা পেয়েছি কারণ যাই হোক না কেন, আমি আগে থেকেই বৈকল্পিকতা স্বাভাবিক না করার জন্য বেছে নিয়েছি। আমি যদি এটি সঠিকভাবে করে থাকি তবে এই পিডিএফটি নিম্নরূপ: N2(x;σ2)=1σ2π−−√x−−√e−x2σ2N2(x;σ2)=1σ2πxe−x2σ2 N^2(x; \sigma^2) = \frac{1}{\sigma \sqrt{2 \pi} \sqrt{x}} e^{\frac{-x}{2\sigma^2}} …

2
পরিবারের সাথে গ্যালামিতে প্যারামিটারগুলি কীভাবে ব্যাখ্যা করবেন am
এই প্রশ্নটি স্ট্যাক ওভারফ্লো থেকে স্থানান্তরিত হয়েছিল কারণ ক্রস ভ্যালিডেটে উত্তর দেওয়া যেতে পারে। ৫ বছর আগে হিজরত হয়েছে । গামা বিতরিত নির্ভরশীল ভেরিয়েবল সহ একটি জিএলএমের জন্য পরামিতি ব্যাখ্যা সম্পর্কে আমার একটি প্রশ্ন রয়েছে। লগ-লিঙ্কটি দিয়ে আমার জিএলএম-এর জন্য এটিই ফিরে আসে: Call: glm(formula = income ~ height + …

2
কোন ডায়াগনস্টিকস জিএলএমের কোনও নির্দিষ্ট পরিবারের ব্যবহারকে বৈধতা দিতে পারে?
এটি এত প্রাথমিক বলে মনে হচ্ছে তবে আমি সর্বদা এই মুহূর্তে আটকে যাই ... আমি যে ডেটাগুলি নিয়ে কাজ করি সেগুলির বেশিরভাগই অ-স্বাভাবিক এবং কোনও GLM কাঠামোর উপর ভিত্তি করে বিশ্লেষণের বেশিরভাগ। আমার বর্তমান বিশ্লেষণের জন্য, আমার একটি প্রতিক্রিয়া পরিবর্তনশীল যা "ওয়াকিং স্পিড" (মিটার / মিনিট)। আমি ওএলএস ব্যবহার করতে …

3
থেকে কীভাবে নমুনা পাবেন
আমি ঘনত্বের যেখানে এবং অনুসারে নমুনা নিতে চাই কঠোরভাবে ইতিবাচক। (অনুপ্রেরণা: গামা ঘনত্বের আকারের প্যারামিটারের পূর্বে ইউনিফর্ম থাকলে এটি গীবস স্যাম্পলিংয়ের জন্য কার্যকর হতে পারে))f(a)∝cada−1Γ(a)1(1,∞)(a)f(a)∝cada−1Γ(a)1(1,∞)(a) f(a) \propto \frac{c^a d^{a-1}}{\Gamma(a)} 1_{(1,\infty)}(a) cccddd সহজেই কীভাবে এই ঘনত্ব থেকে নমুনা নেওয়া যায় কেউ জানেন? হয়তো এটি স্ট্যান্ডার্ড এবং ঠিক এমন কিছু যা আমি …

2
নমুনা গড় এবং স্ট্যান্ড ব্যবহার করে গামা বিতরণ পরামিতি অনুমান করা
আমি গামা বিতরণের পরামিতিগুলি অনুমান করার চেষ্টা করছি যা আমার ডেটা নমুনায় সবচেয়ে উপযুক্ত। আমি কেবলমাত্র ডেটা নমুনা থেকে গড় , এসটিডি (এবং তাই বৈকল্পিক ) ব্যবহার করতে চাই , আসল মানগুলি না - যেহেতু এগুলি সর্বদা আমার অ্যাপ্লিকেশনটিতে পাওয়া যায় না। এই দস্তাবেজ অনুসারে , আকার এবং স্কেল অনুমানের …

3
ঘনিষ্ঠভাবে র্যান্ডম ভেরিয়েবলগুলির যোগফল গামাকে অনুসরণ করে, পরামিতিগুলি দ্বারা বিভ্রান্ত
গমন বিতরণকে অনুসরণ করে আমি ক্ষতিকারক এলোমেলো ভেরিয়েবলগুলির যোগফল শিখেছি। তবে আমি যেখানেই পড়ি প্যারামিট্রাইজেশন আলাদা। উদাহরণস্বরূপ, উইকি সম্পর্কের বর্ণনা দিয়েছেন, তবে তাদের প্যারামিটারগুলি আসলে কী বোঝায় তা বলবেন না? আকার, স্কেল, হার, 1 / হার? সূচকীয় বিতরণ: ~e x p ( λ ) f ( x | λ ) …

1
গামা বিতরণ দিয়ে ডিরিচলেট বিতরণ নির্মাণ
যাক হতে পারস্পরিক স্বাধীন র্যান্ডম ভেরিয়েবল, প্রতিটি পরামিতি সঙ্গে একটি গামা বন্টন থাকার শো ots , jointX1,…,Xk+1X1,…,Xk+1X_1,\dots,X_{k+1}αi,i=1,2,…,k+1αi,i=1,2,…,k+1\alpha_i,i=1,2,\dots,k+1Yi=XiX1+⋯+Xk+1,i=1,…,kYi=XiX1+⋯+Xk+1,i=1,…,kY_i=\frac{X_i}{X_1+\cdots+X_{k+1}},i=1,\dots,kDirichlet(α1,α2,…,αk;αk+1)Dirichlet(α1,α2,…,αk;αk+1)\text{Dirichlet}(\alpha_1,\alpha_2,\dots,\alpha_k;\alpha_{k+1}) যুগ্ম পিডিএফ .Then যৌথ এটি (Y_1, \ বিন্দু, Y_ {k + 1}) এর পিডিএফ আমি জ্যাকোবিয়ান অর্থাৎ জে (\ frac rac x_1, ots বিন্দু, x_ {কে + 1}} {y_1, ots বিন্দু, y_ {কে …

2
গামা র্যান্ডম ভেরিয়েবলের লোগারিদমের স্কিউনেস
বিবেচনা করুন গামা দৈব চলক X∼Γ(α,θ)X∼Γ(α,θ)X\sim\Gamma(\alpha, \theta) । গড়, বৈকল্পিকতা এবং স্কিউনেসের জন্য ঝরঝরে সূত্র রয়েছে: E[X]Var[X]Skewness[X]=αθ=αθ2=1/α⋅E[X]2=2/α−−√E[X]=αθVar⁡[X]=αθ2=1/α⋅E[X]2Skewness⁡[X]=2/α\begin{align} \mathbb E[X]&=\alpha\theta\\ \operatorname{Var}[X]&=\alpha\theta^2=1/\alpha\cdot\mathbb E[X]^2\\ \operatorname{Skewness}[X]&=2/\sqrt{\alpha} \end{align} এখন লগ-ট্রান্সফর্মড এলোমেলো ভেরিয়েবল । উইকিপিডিয়া গড় এবং বিভিন্নতার জন্য সূত্র দেয়:Y=log(X)Y=log⁡(X)Y=\log(X) E[Y]Var[Y]=ψ(α)+log(θ)=ψ1(α)E[Y]=ψ(α)+log⁡(θ)Var⁡[Y]=ψ1(α)\begin{align} \mathbb E[Y]&=\psi(\alpha)+\log(\theta)\\ \operatorname{Var}[Y]&=\psi_1(\alpha)\\ \end{align} ডিগামা এবং ট্রিগমা ফাংশনগুলির মাধ্যমে যা গামা ফাংশনের লগারিদমের প্রথম …

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.