拓端tecdat|R語言視覺化漸近正態性、收斂性:大數定律、中心極限定理、經驗累積分佈函式
阿新 • • 發佈:2021-09-14
原文連結: http://tecdat.cn/?p=23777
原文出處:拓端資料部落公眾號
在我們的數理統計課程中,已經看到了大數定律(這在概率課程中已經被證明),證明
給出一組i.i.d.隨機變數,其中有
為了直觀地看到這種收斂性,我們可以使用
- > for(i in 1:20)B[,i]=mean_samples(i*10)
- > boxplot(B)
也可以直觀地看到邊界(用於中心極限定理,獲得極限的非退化分佈)。
我們一直在討論經驗累積分佈函式的特點。
我們已經看到了格利文科-坎特利定理,該定理指出
為了直觀地看到這種收斂。這裡我使用了一個技巧視覺化
獲得兩個矩陣之間的最大值(分量)。
- + Df=(D1+D2)/2+abs(D2-D1)/2
- > boxplot(B)
我們還討論了經驗累積分佈函式的逐點漸近正態性
在這裡,又可以把它形象化。第一步是計算經驗累積分佈函式的幾條軌跡
> plot(u,u)
請注意,我們可以計算(逐點)置信帶
- > lines(u,apply(M,1,function(x) quantile(x,.05)
- > lines(u,apply(M,1,function(x) quantile(x,.95)
現在,如果我們專注於一個特定的點,我們可以直觀地看到漸近正態性(即當我們有一個大小為100的樣本時,幾乎是正態的)。
- > hist(y)
- > lines(vu,dnorm(vu,pnorm(x0)
- + sqrt((pnorm(x0)*(1-pnorm(x0)))/100)
最受歡迎的見解
1.Matlab馬爾可夫鏈蒙特卡羅法(MCMC)估計隨機波動率(SV,Stochastic Volatility) 模型
3.WinBUGS對多元隨機波動率模型:貝葉斯估計與模型比較
4.R語言迴歸中的hosmer-lemeshow擬合優度檢驗
5.matlab實現MCMC的馬爾可夫切換ARMA – GARCH模型估計
9.
R語言如何在生存分析與Cox迴歸中計算IDI,NRI指標