«exponential-family» etiketlenmiş sorular

Belirli bir formu paylaşan bir dizi dağılım (ör. Normal, , Poisson, vb.). Üstel ailedeki dağılımların çoğu standarttır, istatistikteki iş gücü dağılımları, uygun istatistiksel özellikler. χ2


2
Üstel Ailenin Avantajları: Neden çalışmalı ve kullanmalıyız?
Burada çıkarım okuyorum. Birisinin üstel ailenin avantajlarını numaralandırmasını istiyorum. Üstel aileye göre, f(x|θ)=h(x)exp{η(θ)T(x)−B(θ)}f(x|θ)=h(x)exp⁡{η(θ)T(x)−B(θ)}\begin{align*} f(x|\theta) = h(x)\exp\left\{\eta(\theta)T(x) - B(\theta)\right\} \end{align*} desteği parametresine bağlı olmayan . İşte öğrendiğim bazı avantajlar:θθ\theta (a) Çok çeşitli dağıtımları içerir. (b) Neyman-Fisher teoremine göre doğal yeterli istatistik .T(x)T(x)T(x) (c) in moment üretme fonksiyonu için güzel bir formül …

2
Üstel aile neden tüm dağıtımları içermiyor?
Kitap okuyorum: Piskopos, Örüntü Tanıma ve Makine Öğrenmesi (2006) üstel aileyi formun dağılımları olarak tanımlar (Denk. 2.194): p(x|η)=h(x)g(η)exp{ηTu(x)}p(x|η)=h(x)g(η)exp⁡{ηTu(x)}p(\mathbf x|\boldsymbol \eta) = h(\mathbf x) g(\boldsymbol \eta) \exp \{\boldsymbol \eta^\mathrm T \mathbf u(\mathbf x)\} Ancak veya üzerinde herhangi bir kısıtlama görmüyorum . Bu , h (\ mathbf x) ve \ mathbf u …

3
Poisson, Gama-Poisson neye göre üsteldir?
Poisson dağılımı birim zaman başına olayları ölçebilir ve parametre . Üstel dağılım, parametresi ile bir sonraki olaya kadar geçen süreyi ölçer . Olayları veya zamanları modellemenin daha kolay olmasına bağlı olarak, bir dağıtım diğerine dönüştürülebilir.λλ\lambda1λ1λ\frac{1}{\lambda} Şimdi, bir gama-poisson, daha büyük bir varyansa sahip "gerilmiş" bir zehirdir. Weibull dağılımı, daha büyük …

1
GLM'deki log olasılığı küresel maksimumlara yakınsamayı garantiledi mi?
Sorularım: Genelleştirilmiş doğrusal modellerin (GLM'ler) küresel bir maksimuma yaklaşması garanti ediliyor mu? Öyleyse neden? Ayrıca, konveksliği sağlamak için link fonksiyonunda ne gibi kısıtlamalar vardır? GLM'leri anladığım, oldukça doğrusal olmayan bir olasılık fonksiyonunu en üst düzeye çıkarmalarıdır. Böylece, birkaç yerel maxima olduğunu ve yakınsama parametre kümesi optimizasyon algoritması için başlangıç ​​koşullarına …

2
GLM'ler için normalleştirici dönüşümün türetilmesi
Üstel aile \newcommand{\E}{\mathbb{E}}için A(⋅)=∫duV1/3(μ)A(⋅)=∫duV1/3(μ)A(\cdot) = \displaystyle\int\frac{du}{V^{1/3}(\mu)} normalleştirme dönüşümü nasıl türetilmişk Daha spesifik olarak : Sayfa 3'teki Taylor genişletme taslağını takip etmeye çalıştım, burada slayt 1, ancak birkaç sorum var. İle XXX bir üstel ailesinden, dönüşüm h(X)h(X)h(X) ve κiκi\kappa _i belirten ithithi^{th} kümülant lamlar iddia: κ3(h(X¯))≈h′(μ)3κ3(X¯)N2+3h′(μ)2h′′(μ)σ4N+O(N−3),κ3(h(X¯))≈h′(μ)3κ3(X¯)N2+3h′(μ)2h″(μ)σ4N+O(N−3), \kappa _3(h(\bar{X})) \approx h'(\mu)^3\frac{\kappa _3(\bar{X})}{N^2} …

2
İki gama dağılımı arasındaki Kullback – Leibler ayrılığı
Gama dağılımını Γ(b,c)Γ(b,c)\Gamma(b,c) pdf g ( x ; b , c ) = 1 ile parametreleştirmeyi seçmeull(bq,cq)veΓ(bp,cp) arasındaki Kullback-Leibler sapması[1]g(x;b,c)=1Γ(c)xc−1bce−x/bg(x;b,c)=1Γ(c)xc−1bce−x/bg(x;b,c) = \frac{1}{\Gamma(c)}\frac{x^{c-1}}{b^c}e^{-x/b}Γ(bq,cq)Γ(bq,cq)\Gamma(b_q,c_q)Γ(bp,cp)Γ(bp,cp)\Gamma(b_p,c_p) KLGa(bq,cq;bp,cp)=(cq−1)Ψ(cq)−logbq−cq−logΓ(cq)+logΓ(cp)+cplogbp−(cp−1)(Ψ(cq)+logbq)+bqcqbpKLGa(bq,cq;bp,cp)=(cq−1)Ψ(cq)−log⁡bq−cq−log⁡Γ(cq)+log⁡Γ(cp)+cplog⁡bp−(cp−1)(Ψ(cq)+log⁡bq)+bqcqbp\begin{align} KL_{Ga}(b_q,c_q;b_p,c_p) &= (c_q-1)\Psi(c_q) - \log b_q - c_q - \log\Gamma(c_q) + \log\Gamma(c_p)\\ &\qquad+ c_p\log b_p - (c_p-1)(\Psi(c_q) + \log b_q) + \frac{b_qc_q}{b_p} \end{align} Bunu tahmin ediyorum olan …

3
Bir dağılım ailesinin tanımı?
Bir dağıtım ailesinin istatistik için diğer disiplinlerden farklı bir tanımı var mı? Genel olarak, bir eğri ailesi , her biri bir veya daha fazla parametrenin değiştiği bir fonksiyon veya parametrelerle verilen bir eğriler kümesidir. Bu tür aileler, örneğin, elektronik bileşenleri karakterize etmek için kullanılır . İstatistikler için, bir kaynağa göre …



1
Üst düzey anlarla Gauss benzeri dağıtım
Ortalama ve varyansı bilinmeyen Gauss dağılımı için standart üstel aile formundaki yeterli istatistikler . olan bir dağıtım var , burada N tür bir tasarım parametresi gibi. Bu tür yeterli istatistik vektörü için karşılık gelen bilinen bir dağılım var mı? Bu dağıtımdan örneklere ihtiyacım var, bu yüzden dağıtımdan kesin örnekler almak …

1
UMVUE değerini bul
İzin Vermek X1,X2, . . . ,XnX1,X2,...,XnX_1, X_2, . . . , X_n pdf'ye sahip rastgele değişkenlerin olması fX( x ∣ θ ) = θ ( 1 + x)- ( 1 + θ )ben( 0 , ∞ )( x )fX(x∣θ)=θ(1+x)−(1+θ)I(0,∞)(x)f_X(x\mid\theta) =\theta(1 +x)^{−(1+\theta)}I_{(0,\infty)}(x) nerede θ > 0θ>0\theta >0. UMVUE değerini verin1θ1θ\frac{1}{\theta} …


1
Üstel Aile: Gözlemlenen ve Beklenen Yeterli İstatistikler
Benim sorum, Minka'nın rastgele vektörlerin gözlemlerine dayanan bir Dirichlet dağılımı için maksimum olabilirlik tahmincisi türetme bağlamında aşağıdakileri kanıtsız olarak ifade eden "Bir Dirichlet Dağılımını Tahmin Etme" okumasını okumaktan kaynaklanmaktadır: Her zaman olduğu gibi üstel ailede olduğu gibi, eğim sıfır olduğunda, beklenen yeterli istatistikler gözlemlenen yeterli istatistiklere eşittir. Bu şekilde sunulan …

1
Üstel dağılımın ML tahmini (sansürlenmiş verilerle)
Hayatta Kalma Analizinde, bir rv hayatta kalma süresinin katlanarak dağıtıldığını . Ben şimdi düşünüldüğünde iid RV ait "çıktıları" . Bu sonuçların sadece bir kısmı aslında "tamamen gerçekleşir", yani geriye kalan gözlemler hala "canlıdır".XiXiX_ix1,…,xnx1,…,xnx_1,\dots,x_nXiXiX_i Dağılımın rate parametresi için bir ML tahmini yapmak istersem, gerçekleştirilmeyen gözlemleri tutarlı / uygun bir şekilde nasıl …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.