审查分发
背景和上下文
审查分发 [ { x个 最小值 , x个 最大值 } , 距离 ] 表示已知来自单变量分布的统计分布建模数据 距离 为所有人 在间隔中 假设它一直等于 (分别,始终等于 )的 (分别用于 ). 术语未审查、左审查、右审查和双审查用于描述单变量审查,其中 { x个 最小值 , x个 最大值 } 有表单 { - ∞ , ∞ } , { x个 最小值 , ∞ } , { - ∞ , x个 最大值 } 、和 { x个 最小值 , x个 最大值 } 分别为,而单变量 距离 可以是连续的(例如。 常态分配 , 伽马分布 ,或 Beta分销 )或离散(例如。 泊松分布 , 二项分布 ,或 伯努利分布 )可以根据转换、审查或截断(通过 转换后的分布 , 审查分发 、和 截断分布 )的已知分布。 多元 审查分发 [ { { , } , { , } , … , { , } } , 距离 ] 是类似定义的,因此表示向量的分布 从多元分布中提取 距离 和谁的 成分 被审查为处于区间 与单变量情况一样,多变量 距离 也可以是连续的(例如。 多正态分布 )或离散的(例如。 多变量超几何分布 ),也可以定义为copula或乘积(使用 Copula分布 和 产品分销 )的已知分布。 当对数值仅为部分已知的数据建模时(即那些仅包含部分观测数据或精度受限数据的数据集),出现截尾分布,而对包含截尾值的数据集的分析可以追溯到18世纪丹尼尔·伯努利(Daniel Bernoulli)的天花调查。 此类数据的存在在医学和生理学等领域以及可靠性和制造业中相对常见,在这些领域,有时必须在没有观察到实际故障的情况下进行故障预测。 截尾分布也是生存分析中常用的工具,存在各种专门的统计工具(如截尾回归)来分析此类数据集。 根据定义, 审查分发 [ { x个 最小值 , x个 最大值 } , 距离 ] 等于 转换后的分布 [ (f) , x个 距离 ] ,其中 (f) 由提供 分段 [ { { x个 最小值 , x个 <= x个 最小值 } , { x个 , x个 最小值 < x个 < x个 最大值 } , { x个 最大值 , x个 >= x个 最大值 } } ] . 审查分发 经常被混淆 截断分布 虽然这两种方法有着本质上的不同,即审查将概率放在审查区间的末尾,而概率通过截断分布在截断区间上。