原文链接:http:///?p=23777在我们的数理统计课程中,已经看到了大数定律(这在概率课程中已经被证明),证明 给出一组i.i.d.随机变量 ,其中有 为了直观地看到这种收敛性,我们可以使用 > for(i in 1:20)B\[,i\]=mean_samples(i*10)> boxplot(B) 也可以直观地看到边界 (用于中心极限定理,获得极限的非退化分布)。 我们一直在讨论经验累积分布函数的特点。 我们已经看到了格利文科-坎特利定理,该定理指出 为了直观地看到这种收敛。 点击标题查阅相关内容 左右滑动查看更多 这里我使用了一个技巧可视化 获得两个矩阵之间的最大值(分量)。 + Df=(D1+D2)/2+abs(D2-D1)/2> boxplot(B) 我们还讨论了经验累积分布函数的逐点渐近正态性 在这里,又可以把它形象化。第一步是计算经验累积分布函数的几条轨迹 > plot(u,u)请注意,我们可以计算(逐点)置信带 > lines(u,apply(M,1,function(x) quantile(x,.05)> lines(u,apply(M,1,function(x) quantile(x,.95) 现在,如果我们专注于一个特定的点,我们可以直观地看到渐近正态性(即当我们有一个大小为100的样本时,几乎是正态的)。 > hist(y)> lines(vu,dnorm(vu,pnorm(x0) + sqrt((pnorm(x0)*(1-pnorm(x0)))/100) |
|