«conditional-probability» etiketlenmiş sorular

Hassasiyet şu şekilde tanımlanır: p = true positives / (true positives + false positives) Gibi, bu doğru mu true positivesve false positiveshassas 1 yaklaşır yaklaşım 0? Hatırlama için aynı soru: r = true positives / (true positives + false negatives) Şu anda bu değerleri hesaplamam gereken bir istatistiksel test uyguluyorum …

20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

Bayes teoremi P( model | veri ) = P( model ) × P( veri | model )P( veri )P(model|veri)=P(model)xP(veri|model)P(veri) P(\textrm{model}|\textrm{data}) = \frac{P(\textrm{model}) \times P(\textrm{data}|\textrm{model})}{P(\textrm{data})} Her şey yolunda. Ama bir yerde okudum: Temel olarak, P (veri) normalleştirici bir sabitten başka bir şey değildir, yani arka yoğunluğu bire entegre eden bir sabittir. …

20 probability  bayesian  conditional-probability  bayes 

Let rastgele değişken verilen, bir olasılık uzay ve \ Sigma cebiri \ mathscr {G} \ subseteq \ mathscr {F} şartlı beklenti olan yeni bir rastgele değişken E [\ xi | \ mathscr {G}] oluşturabiliriz.( Ω , F , μ ) (Ω,F,μ)(\Omega,\mathscr{F},\mu)ξ : Ω → Rξ:Ω→R\xi:\Omega \to \mathbb{R} σ σ\sigmaG ⊆ …

20 probability  conditional-probability  conditional-expectation  conditioning  sigma-algebra 

Kanıtıyla ilgili bir sorunum var E(Y|X)∈argming(X)E[(Y−g(X))2]E(Y|X)∈arg⁡ming(X)E[(Y−g(X))2]E(Y|X) \in \arg \min_{g(X)} E\Big[\big(Y - g(X)\big)^2\Big] bu da büyük olasılıkla beklentilerin ve koşullu beklentilerin daha derin bir yanlış anlaşılmasını ortaya koymaktadır. Bildiğim kanıt şu şekildedir (bu kanıtın başka bir versiyonunu burada bulabilirsiniz ) ===argming(X)E[(Y−g(x))2]argming(X)E[(Y−E(Y|X)+E(Y|X)−g(X))2]argming(x)E[(Y−E(Y|X))2+2(Y−E(Y|X))(E(Y|X)−g(X))+(E(Y|X)−g(X))2]argming(x)E[2(Y−E(Y|X))(E(Y|X)−g(X))+(E(Y|X)−g(X))2]arg⁡ming(X)E[(Y−g(x))2]=arg⁡ming(X)E[(Y−E(Y|X)+E(Y|X)−g(X))2]=arg⁡ming(x)E[(Y−E(Y|X))2+2(Y−E(Y|X))(E(Y|X)−g(X))+(E(Y|X)−g(X))2]=arg⁡ming(x)E[2(Y−E(Y|X))(E(Y|X)−g(X))+(E(Y|X)−g(X))2]\begin{align*} &\arg \min_{g(X)} E\Big[\big(Y - g(x)\big)^2\Big]\\ = &\arg \min_{g(X)} E \Big[ …

19 mathematical-statistics  conditional-probability  proof  conditional-expectation 

Lütfen bana bilgi verir misiniz, birkaç olayın koşullu olasılığını nasıl hesaplayabilirim? Örneğin: P (A | B, C, D) -? Bunu biliyorum: P (A | B) = P (A B) / P (B)∩∩\cap Ancak, ne yazık ki, A olayı birkaç değişkene bağlıysa herhangi bir formül bulamıyorum. Şimdiden teşekkürler.

19 conditional-probability 

Bayes formülünde: P(x|a)=P(a|x)P(x)P(a)P(x|a)=P(a|x)P(x)P(a)P(x|a) = \frac{P(a|x) P(x)}{P(a)} arka olasılık 1'i aşabilir mi?P(x|a)P(x|a)P(x|a) Örneğin, ve ve . Ama bundan emin değilim, çünkü bir olasılığın birden fazla olması ne anlama gelir?0&lt;P(a)&lt;10&lt;P(a)&lt;10 < P(a) < 1P(a)&lt;P(x)&lt;1P(a)&lt;P(x)&lt;1P(a) < P(x) < 1P(a)/P(x)&lt;P(a|x)&lt;1P(a)/P(x)&lt;P(a|x)&lt;1P(a)/P(x) < P(a|x) < 1

18 probability  bayesian  conditional-probability 

Bu Çapraz Onaylı soru , sabit bir meblağa sahip olmak için şartlı bir örnek taklit etme sorusunu bana George Casella'nın belirlediği bir sorunu hatırlattı . Parametrik bir model göz önüne alındığında, f(x|θ)f(x|θ)f(x|\theta) , ve bu model bir iid örnek (X1,…,Xn)(X1,…,Xn)(X_1,\ldots,X_n) , maksimum olabilirlik tahmininin θθ\theta verilir İçeride ISTV melerin RWMAIWi'nin …

17 maximum-likelihood  conditional-probability  random-variable  simulation  t-distribution 

Borel'in paradoksuyla ve koşullu olasılıkla ilgili diğer ilişkili "paradokslarla" zihinsel olarak nasıl uğraştığım konusunda biraz tedirgin hissediyorum. Bunu okuyanlar, aşina olmayanlar için bu bağlantıya bakın . Bu noktaya kadarki zihinsel tepkim çoğunlukla onu görmezden gelmekti çünkü kimse bu konuda konuşmuyor gibi görünüyor, ama bunu düzeltmem gerektiğini hissediyorum. Bu paradoksun var …

17 probability  conditional-probability  conditional-expectation 

İki normal dağılım bağımsız rastgele değişkenler varsa ve anlamına ile ve ve standart sapmalar ve ve I keşfetmek , koşullu dağılımı (herhangi bir hata yapılmaması varsayarak) ve ve belirli bir , normalde anlamına ile dağıtılan ve standart sapma Y μ X μ Y σ X σ Y X + Y …

16 normal-distribution  conditional-probability 

anlıyorum P( A ∩ B ) / P( B ) = P( A | B )P(A∩B)/P(B)=P(A|B)P(A\cap B)/P(B) = P(A|B). Koşul, A ve B'nin tüm B alanına bölünmüş kesişimidir. Peki neden P( A ∩ B | C) / P( B | C) = P( A | B ∩ C)P(A∩B|C)/P(B|C)=P(A|B∩C)P(A\cap B|C)/P(B|C) = …

16 probability  conditional-probability 

Harvard'ın iTunes ve YouTube'da bulunan İstatistik 110: Olasılık kursunun video derslerinde bu sorunla karşılaştım . Burada özetlemeye çalıştım: Standart bir desteden rastgele iki kartlı bir el verildiğimizi varsayalım. En az bir asımız olduğu için her iki kartın da as olma olasılığı nedir? P( b o t h a c e …

15 probability  conditional-probability  intuition 

Soru Eğer , IID, o zaman işlem olup , .X1,⋯,Xn∼N(μ,1)X1,⋯,Xn∼N(μ,1)X_1,\cdots,X_n \sim \mathcal{N}(\mu, 1)E(X1∣T)E(X1∣T)\mathbb{E}\left( X_1 \mid T \right)T=∑iXiT=∑iXiT = \sum_i X_i Deneme : Lütfen aşağıdakilerin doğru olup olmadığını kontrol edin. Diyelim ki, şu koşullu beklentilerin toplamını alalım, böylece Her demektir yana IID vardır.∑iE(Xi∣T)=E(∑iXi∣T)=T.∑iE(Xi∣T)=E(∑iXi∣T)=T.\begin{align} \sum_i \mathbb{E}\left( X_i \mid T \right) = \mathbb{E}\left( …

14 probability  self-study  mathematical-statistics  conditional-probability  conditional-expectation 

Titanik için aşağıdaki ifadeleri göz önünde bulundurun: Varsayım 1: Gemide sadece erkekler ve kadınlar vardı Varsayım 2: Kadınların yanı sıra çok sayıda erkek vardı Açıklama 1: Tüm kadınların yüzde 90'ı hayatta kaldı İfade 2: Hayatta kalanların yüzde 90'ı kadındı Birincisi, kadınların kurtarılmasının muhtemelen yüksek önceliğe sahip olduğunu gösterir (erkeklerin kurtarılıp …

14 conditional-probability  descriptive-statistics  reporting 

Bu denklemin nasıl türetildiğini anlamıyorum. P(I|M1∩M2)≤P(I)P(I′)⋅P(M1|I)P(M2|I)P(M1|I′)P(M2|I′)P(I|M1∩M2)≤P(I)P(I′)⋅P(M1|I)P(M2|I)P(M1|I′)P(M2|I′)P(I|M_{1}\cap M_{2}) \leq \frac{P(I)}{P(I')}\cdot \frac{P(M_{1}|I)P(M_{2}|I)}{P(M_{1}|I')P(M_{2}|I')} Bu denklem, OJ Simpson vakasına örnek bir problem olarak verildiği "Olasılıkla Deneme" adlı makaleden alınmıştır. Sanık çifte cinayetten yargılanıyor ve aleyhine iki delil sunuluyor. M1M1M_{1} , sanığın kanının bir suç mahallinde bulunan bir damla kanla eşleşmesi olayıdır. kurbanın kanının davalıya …

13 bayesian  conditional-probability  bayes 

Rastgele değişken 0 ve 10 parametreleriyle sürekli bir Düzgün dağılım izlediğini varsayalım (yani )U ∼ U ( 0 , 10 )UUUU∼U(0,10)U∼U(0,10)U \sim \rm{U}(0,10) Şimdi A'yı = 5 ve B olarak ifade eden ve veya 6'ya eşit olduğu olayını gösterelim. Anladığım kadarıyla, her iki olayın da sıfır olma olasılığı vardır.U 5UUUUUU555 …

12 conditional-probability  continuous-data  uniform