Si son variables aleatorias independientes distribuidas idénticamente, ¿qué se puede decir sobre la distribución de en general?X1,...,XnX1,...,XnX_1, ..., X_nmin(X1,...,Xn)min(X1,...,Xn)\min(X_1, ...,
Leí que el algoritmo k-means solo converge a un mínimo local y no a un mínimo global. ¿Por qué es esto? Puedo pensar lógicamente cómo la inicialización podría afectar la agrupación final y existe la posibilidad de una agrupación subóptima, pero no encontré nada que lo demostrara...
Suponga que X∼N(μx,σ2x)X∼N(μx,σx2)X \sim \mathcal{N}(\mu_x, \sigma^2_x) e Y∼N(μy,σ2y)Y∼N(μy,σy2)Y \sim \mathcal{N}(\mu_y, \sigma^2_y) z=min(μx,μy)z=min(μx,μy)z = \min(\mu_x, \mu_y)zzz El estimador simple de donde y son medias de muestra de e , por ejemplo, está sesgado (aunque es consistente)....
Esta es mi primera vez aquí, así que avíseme si puedo aclarar mi pregunta de alguna manera (incluido el formato, las etiquetas, etc.). (¡Y espero poder editar más tarde!) Traté de encontrar referencias e intenté resolverme usando la inducción, pero fallé en ambas. Estoy tratando de simplificar una...
Estoy atrapado en cómo resolver este problema. Entonces, tenemos dos secuencias de variables aleatorias, e para . Ahora, e son distribuciones exponenciales independientes con parámetros y . Sin embargo, en vez de observar y , observamos en lugar y
Supongamos que tengo el mínimo, la media y el máximo de algún conjunto de datos, por ejemplo, 10, 20 y 25. ¿Hay alguna manera de: crear una distribución a partir de estos datos y saber qué porcentaje de la población probablemente se encuentra por encima o por debajo de la media Editar: Según...
En R hay una función nlm () que realiza una minimización de una función f usando el algoritmo Newton-Raphson. En particular, esa función genera el valor del código variable definido de la siguiente manera: codifique un número entero que indique por qué terminó el proceso de optimización. 1:...
ACTUALIZACIÓN 25 de enero de 2014: el error ahora está corregido. Ignore los valores calculados del valor esperado en la imagen cargada, están equivocados, no elimino la imagen porque ha generado una respuesta a esta pregunta. ACTUALIZACIÓN 10 de enero de 2014: se encontró el error: un error...
Suponga la siguiente configuración: Sea Zi=min{ki,Xi},i=1,...,nZi=min{ki,Xi},i=1,...,nZ_i = \min\{k_i, X_i\}, i=1,...,n . También Xi∼U[ai,bi],ai,bi>0Xi∼U[ai,bi],ai,bi>0X_i \sim U[a_i, b_i], \; a_i, b_i >0 . Además ki=cai+(1−c)bi,0<c<1ki=cai+(1−c)bi,0<c<1k_i = ca_i + (1-c)b_i,\;\;...
Supongamos que tengo nnn parámetros positivos para estimar μ1,μ2,...,μnμ1,μ2,...,μn\mu_1,\mu_2,...,\mu_n y sus correspondientes nnn estimaciones insesgadas producidos por los estimadores μ1^,μ2^,...,μn^μ1^,μ2^,...,μn^\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n} , es decir, E[μ1^]=μ1E[μ1^]=μ1\mathrm...
Estoy viendo cómo la distancia euclidiana mínima esperada entre puntos aleatorios uniformes y el origen cambia a medida que aumentamos la densidad de puntos aleatorios ( puntos por unidad de cuadrado ) alrededor del origen. He logrado llegar a una relación entre los dos descritos como...