순환 통계에서 더 높은 순간에 대한 직감


13

원형 통계에서, 랜덤 변수의 기대 값 원호의 값 S는 로서 정의된다 m (1) ( Z ) = S Z P Z ( θ ) θ (참조 : 위키 ). 분산 V a r ( Z ) = 1 | m 1 ( Z ) | . 따라서 분산을 정의하기 위해 두 번째 순간이 필요하지 않았습니다!ZS

m1(Z)=SzPZ(θ)dθ
Var(Z)=1|m1(Z)|.

그럼에도 불구하고, 우리는 더 높은 모멘트 나는 이것이 처음에는 자연스럽고 선형 통계의 정의와 매우 유사하다는 것을 인정합니다. 그러나 여전히 조금 불편하고 다음과 같은 것들이 있습니다.

mn(Z)=SznPZ(θ)dθ.

질문 :

1. 위에서 정의한 더 높은 순간 (직관적으로)으로 무엇을 측정 합니까? 분포의 어떤 특성이 순간에 의해 특성화 될 수 있습니까?

2. 더 높은 모멘트를 계산할 때는 복소수의 곱셈을 사용하지만 랜덤 변수의 값은 단순히 평면의 벡터 또는 각도로 생각합니다. 이 경우 복잡한 곱셈이 본질적으로 각도를 추가한다는 것을 알고 있지만 여전히 복잡한 곱셈이 순환 데이터에 의미있는 연산입니까?

답변:


8

PZZ1Z[0,2π)

두 번째 질문에 관해서는 이미 "복잡한 곱셈은 본질적으로 각도를 추가하는 것"이라고 답했습니다.


고맙습니다. 정말 도움이됩니다. (때 그것을 향해 돌진 심지어 푸리에 급수를 인정하지 않는 날 부끄러운 ...)
라스무스

이것은 순환 분포의 모멘트가 모멘트가 아닌 선형 분포의 특성 함수와 비교되어야한다는 것을 의미합니까?
Rasmus

@ Rasmus : 나는 그것이 당신이 정보로 무엇을하고 싶은지에 달려 있다고 생각합니다. 그러나 일반적으로 나는 그렇습니다.
Mark Meckes
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.