«conditional-probability» etiketlenmiş sorular

Aşağıdakileri çözerken sorun yaşıyorum. Bir as alana kadar, kartları standart bir 52 kartlık desteden yedek olmadan alırsınız. 2 elde edene kadar kalandan çekiyorsunuz. 3 ile devam ediyorsunuz. İzin vermek doğaldı Ti=first position of card whose value is iTi=first position of card whose value is iT_i = \text{first position of card …

12 self-study  conditional-probability  conditional-expectation  games  conditioning 

Kendi Naive Bayes çanta modelimi prototiplendiriyorum ve özellik olasılıklarını hesaplamakla ilgili bir sorum vardı. Diyelim ki iki dersim var, herkesin kullandığı için spam değil spam kullanacağım. Örnek olarak "viagra" kelimesini ele alalım. Eğitim setimde 10 e-posta var, 5 spam ve 5 spam olmayan. "spam", 5 spam dokümanın tamamında görünür. Eğitim …

12 classification  conditional-probability  naive-bayes 

Belirli bir değerin altında (örneğin, ortalama değerin altında) göz önüne alındığında, normal dağıtılmışsa x'in Beklenen değerini bulmanın mümkün olup olmadığını merak etmektir.

12 normal-distribution  conditional-probability  expected-value 

Balıkçı testini daha iyi anlamak istedim, bu yüzden f ve m erkek ve kadına karşılık gelen ve n ve y "soda tüketimine" karşılık gelen aşağıdaki oyuncak örneğini tasarladım: > soda_gender f m n 0 5 y 5 0 Açıkçası, bu büyük bir basitleştirme, ama bağlamın önüne geçmesini istemedim. Burada sadece …

12 fishers-exact  hypergeometric  clustering  supervised-learning  modeling  econometrics  r  regression  residuals  heteroscedasticity  independence  distributions  self-study  matlab  libsvm  self-study  conditional-probability  conditional-expectation  hypothesis-testing  self-study  multiple-comparisons  mode  statistical-significance  chi-squared  multiple-comparisons  maximum-likelihood  poisson-process  optimization  uncertainty  genetic-algorithms  bayesian  model-selection  overfitting  maximum-likelihood  optimization  approximation  r  prediction  model-evaluation  r  machine-learning  survival  neural-networks  cox-model  machine-learning  bayesian  bayesian-network  hierarchical-bayesian  pooling 

Birisi aşağıdaki gibi bir açıklama yaparsa: "Genel olarak, çevresel dumana maruz kalan sigara içmeyenlerin, dumansız sigara içmeyenlere kıyasla 1,25 (yüzde 95 güven aralığı, 1,17 ila 1,32) koroner kalp hastalığı riski vardı." Bir bütün olarak nüfus için göreceli risk nedir? Koroner kalp hastalığı ile kaç şey bağlantılı? Test edilebilen çok sayıda …

12 probability  statistical-significance  confidence-interval  conditional-probability  philosophical 

Bir tek değişkenli yoğunluktan numuneye istiyorum ama sadece ilişkiyi biliyorum:fXfXf_X fX( x ) = ∫fX| Y( x | y) fY( y) dy.fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. MCMC (doğrudan integral gösterimi üzerinde) kullanımından kaçınmak istiyorum ve ve den örnek almak kolay olduğundan, aşağıdaki örnekleyiciyi kullanmayı düşünüyordum :fX| Y( x …

12 sampling  conditional-probability  monte-carlo  marginal 

Nasıl bir rastgele değişkenin dağılımını tanımlarım örneğin bir çekme olduğu bir ilişki vardır ile , kümülatif dağılım fonksiyonu ile bir dağılımdan tek beraberlik ? Y ρ x 1 x 1 F X ( x )YYYYYYρρ\rhox1x1x_1x1x1x_1FX(x)FX(x)F_{X}(x)

12 distributions  probability  correlation  random-variable  conditional-probability 

Bir açıklayıcı değişken olduğunu varsayalım s koordinat verilen temsil eder. Ayrıca Y = ( Y ( s 1 ) , … , Y ( s n ) ) bir yanıt değişkeniniz de vardır . Şimdi her iki değişkeni şu şekilde birleştirebiliriz:X=(X(s1),…,X(sn))X=(X(s1),…,X(sn)){\bf{X}} = \left(X(s_{1}),\ldots,X(s_{n})\right)sssY=(Y(s1),…,Y(sn))Y=(Y(s1),…,Y(sn)){\bf{Y}} = \left(Y(s_{1}),\ldots,Y(s_{n})\right) W(s)=(X(s)Y(s))∼N(μ(s),T)W(s)=(X(s)Y(s))∼N(μ(s),T){\bf{W}}({\bf{s}}) = \left( \begin{array}{ccc}X(s) \\ …

11 probability  bayesian  conditional-probability  gibbs 

Tam koşullu koşulların türetilmesi genellikle zordur, ancak JAGS ve HATA gibi programlar otomatik olarak türetilir. Birisi herhangi bir keyfi model belirtimi için algoritmik olarak tam koşulların nasıl oluşturulduğunu açıklayabilir mi?

11 bayesian  conditional-probability  jags  bugs  gibbs 

mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 <- …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

Bayes teoremine göre . Ama ekonometrik metnime göre P ( θ | y ) ∝ P ( y | θ ) P ( θ ) diyor . Neden böyle? P ( y ) ' nin neden göz ardı edildiğini anlamıyorum .P(y|θ)P(θ)=P(θ|y)P(y)P(y|θ)P(θ)=P(θ|y)P(y)P(y|\theta)P(\theta) = P(\theta|y)P(y)P(θ|y)∝P(y|θ)P(θ)P(θ|y)αP(y|θ)P(θ)P(\theta|y) \propto P(y|\theta)P(\theta)P(y)P(y)P(y)

11 bayesian  conditional-probability  likelihood 

Diyelim ki YYY sürekli rasgele bir değişken ve XXX de ayrık bir değişken . Pr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y)Pr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y) \Pr(X=x|Y=y) = \frac{\Pr(X=x)\Pr(Y=y|X=x)}{\Pr(Y=y)} Bilindiği gibi, Pr(Y=y)=0Pr(Y=y)=0\Pr(Y=y) = 0 için YYY bir sürekli rastgele değişkendir. Ve buna dayanarak, Pr(X=x|Y=y)Pr(X=x|Y=y)\Pr(X=x|Y=y) olasılığının tanımsız olduğu sonucuna varıyorum . Ancak Wikipedia burada aslında şu şekilde tanımlandığını iddia ediyor: Pr(X=x|Y=y)=Pr(X=x)fY|X=x(y)fY(y)Pr(X=x|Y=y)=Pr(X=x)fY|X=x(y)fY(y) \Pr(X=x|Y=y) …

11 conditional-probability  pdf 

XXX ve YYY ortalama μ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2) ve kovaryans ile iki değişkenli normal olduğunu varsayalım Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix} . \ Pr \ left (X &lt;Y | \ min \ left (X, Y \ right) \ right) olasılığı nedir Pr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right)?

10 probability  normal-distribution  conditional-probability 

\newcommand{\P}{\mathbb{P}} Adil bir kalıp atıyorum. 1, 2 veya 3 aldığımda '1' yazıyorum; 4 aldığımda '2' yazıyorum; 5 veya 6 aldığımda '3' yazıyorum. Let N-NN Olmam yazdım tüm sayıların ürün için ihtiyaç atar toplam sayısının ≥ 100000≥100000\geq 100000 . Hesaplamak (veya yaklaşık) P (N≥ 25 )P(N≥25)\P(N\geq 25) ve Normal dağılımın bir …

10 probability  normal-distribution  conditional-probability  multinomial  distributions 

İspat / ReddetmeE[1A|Ft]=0 or 1 a.s. ⇒E[1A|Fs]=E[1A|Ft] a.s.E[1A|Ft]=0 or 1 a.s. ⇒E[1A|Fs]=E[1A|Ft] a.s.E[1_A | \mathscr{F_t}] = 0 \ \text{or} \ 1 \ \text{a.s.} \ \Rightarrow E[1_A | \mathscr{F_{s}}] = E[1_A | \mathscr{F_t}] \ \text{a.s.} Filtrelenmiş bir olasılık alanı , .(Ω,F,{Fn}n∈N,P)(Ω,F,{Fn}n∈N,P)(\Omega, \mathscr{F}, \{\mathscr{F}_n\}_{n \in \mathbb{N}}, \mathbb{P})A∈FA∈FA \in \mathscr{F} Diyelim ki Bunu …

10 probability  conditional-probability  random-variable  filter