«probability» etiketlenmiş sorular

Yüklü zarlar hakkında bir video yapmaya çalışıyorum ve videoda bir noktada yaklaşık 200 zar atıyoruz, altıları da alıyoruz, tekrar yuvarlıyoruz ve altıları alıp üçüncü kez yuvarlıyoruz. Biz bir satır 6 6 kez üst üste geldi, hangi olağandışı değil çünkü bu 1/216 şansı olmalı ve biz yaklaşık 200 zar vardı. Peki …

16 probability  dice  law-of-large-numbers 

İki rastgele değişkenim var, αi∼iid U(0,1),i=1,2αi∼iid U(0,1),i=1,2\alpha_i\sim \text{iid }U(0,1),\;\;i=1,2 buradaU(0,1)U(0,1)U(0,1) eşit 0-1 dağılımıdır. Sonra, bunlar bir süreç verir, örneğin: P(x)=α1sin(x)+α2cos(x),x∈(0,2π)P(x)=α1sin⁡(x)+α2cos⁡(x),x∈(0,2π)P(x)=\alpha_1\sin(x)+\alpha_2\cos(x), \;\;\;x\in (0,2\pi) Şimdi, bir kapalı form ekspresyon olup olmadığını merak F−1(P(x);0.75)F−1(P(x);0.75)F^{-1}(P(x);0.75) teorik yüzde 75 quantile P(x)P(x)P(x) , belirli bir için x∈(0,2π)x∈(0,2π)x\in(0,2\pi) herhalde -I bir bilgisayar ve birçok gerçekleştirmeleri ile yapabilirsiniz …

16 distributions  probability  stochastic-processes 

Olasılık teorisi ile olasılık dağılım fonksiyonları ve kümülatif dağılım fonksiyonları gibi önemli kavramları açıklayan iyi kitaplar var mı? Lütfen, John Rice'ın basit permütasyon kavramları ile başlayan ve daha sonra (2. bölümde) gerçek analiz, çoklu ve yüzey integrallerinde bilgi alarak ve CDF'leri tanımlamaya başlayan bir adım atın ve CDF'leri tanımlamaya başlayın. …

16 probability  self-study  distributions  references  theory 

Kitap örüntü tanıma ve makine öğrenmesinde (formül 1.27), py(y)=px(x)∣∣∣dxdy∣∣∣=px(g(y))|g′(y)|py(y)=px(x)|dxdy|=px(g(y))|g′(y)|p_y(y)=p_x(x) \left | \frac{d x}{d y} \right |=p_x(g(y)) | g'(y) | burada,değişkenin değişmesine görekarşılık gelen.p x ( x ) p y ( y )x=g(y)x=g(y)x=g(y)px(x)px(x)p_x(x)py(y)py(y)p_y(y) Kitaplar bunun nedeni, aralığına düşen gözlemlerin , küçük değerleri için aralığa dönüştürüleceğini söylüyor .δ x ( y , …

16 machine-learning  probability  self-study  derivative  jacobian 

Permütasyon testleri (randomizasyon testi, yeniden randomizasyon testi veya kesin test olarak da adlandırılır) çok faydalıdır ve örneğin normal dağıtım varsayımı t-testkarşılanmadığında ve değerlerin parametrik olmayan test Mann-Whitney-U-test, daha fazla bilginin kaybolmasına neden olur. Bununla birlikte, bu tür bir test kullanılırken bir ve sadece bir varsayım göz ardı edilmemelidir, örneklerin sıfır …

16 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

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 

dağılımının beklenen değeri ortalama, yani ağırlıklı ortalama değer f(x)f(x)f(x)E[x]=∫+∞−∞xf(x)dxE[x]=∫−∞+∞xf(x)dxE[x]=\int_{-\infty}^{+\infty} x \, \, f(x) dx En olası değer, en olası değer olan moddur. Ancak bir şekilde birçok kez görmeyi umuyoruz ? Buradan alıntı :E[x]E[x]E[x] sonuçları eşit derecede olası değilse, o zaman basit ortalama, bazı sonuçların diğerlerinden daha muhtemel olduğu gerçeğini dikkate …

16 probability  distributions  chi-squared  expected-value  mode 

Not: Bu yinelenen bir durum varsa özür dilerim, aramamda benzer bir q bulamadım Diyelim ki gerçek bir parametreniz var p. Bir güven aralığı (C (X)), örneğin% 95 oranında p içeren bir RV'dir. Şimdi X'i gözlemlediğimizi ve C (X) hesapladığımızı varsayalım. Yaygın cevap, bunu "% 95 p içermesi şansına sahip" olarak …

16 probability  confidence-interval 

Bunlar yalnızca üslupsal sözleşmeler (italik veya italik olmayan) mı yoksa bu notasyonların anlamları arasında önemli farklılıklar var mı? Bu soruda dikkate alınması gereken " olasılığı " anlamına gelen başka gösterimler var mı?

16 probability  notation 

CLT'nin tutunabilmesi için ortalama ve sonlu varyans σ 2'ye sahip olmak istediğimiz dağılıma ihtiyacımız var . Cauchy dağılımı söz konusu olduğunda, ortalamanın ve varyansının tanımlanmamış olduğu, Merkezi Limit Teoreminin asemptotik olarak bile iyi bir yaklaşım sağlayamadığını söylemek doğru olur mu?μμ\muσ2σ2\sigma^2

16 probability  central-limit-theorem  asymptotics  cauchy 

Marjinal genellikle küçük bir etki, daha büyük bir sistemin dışında olan bir şey anlamına gelir. "Marjinal" olarak tanımlanan her şeyin önemini azaltma eğilimindedir. Peki bu, rastgele değişkenlerin bir alt kümesinin olasılığı için nasıl geçerlidir? Kelimelerin anlamları nedeniyle kullanıldığını varsayarsak, matematikte riskli bir öneri olabilir, bu yüzden burada mutlaka bir cevap …

15 probability  terminology 

Sanırım P(A|B)=P(A|B,C)∗P(C)+P(A|B,¬C)∗P(¬C)P(A|B)=P(A|B,C)∗P(C)+P(A|B,¬C)∗P(¬C)P(A|B) = P(A | B,C) * P(C) + P(A|B,\neg C) * P(\neg C) oysa doğru P(A|B)=P(A|B,C)+P(A|B,¬C)P(A|B)=P(A|B,C)+P(A|B,¬C)P(A|B) = P(A | B,C) + P(A|B,\neg C) yanlış. Ancak, daha sonra ilgili bir "sezgi" var, yani, iki vakayı (C veya C değil) bölerek P (A | B) olasılığını düşünürsünüz. Bu sezgi neden yanlış?

15 probability  bayesian 

tamsayılarında başlangıç ​​durumuna sahip 1 boyutlu rastgele bir yürüyüş düşünün :ZZ\mathbb{Z}x∈Zx∈Zx\in\mathbb{Z} Sn=x+∑i=1nξiSn=x+∑i=1nξi\begin{equation} S_n=x+\sum^n_{i=1}\xi_i \end{equation} burada artışları , öyle ki .ξiξi\xi_iP{ξi=1}=P{ξi=−1}=12P{ξi=1}=P{ξi=−1}=12P\{\xi_i=1\}=P\{\xi_i=-1\}=\frac{1}{2} Biri kanıtlanabilir (1) Px{Sn reaches +1 eventually}=1Px{Sn reaches +1 eventually}=1\begin{equation} P^x{\{S_n \text{ reaches +1 eventually}\}} = 1 \end{equation} burada alt simge başlangıç ​​konumunu belirtir. Let durumuna ilk geçiş zamanı . …

15 probability  terminology  stochastic-processes  randomness  random-walk 

Gradyan arttırıcı makine algoritmasını caretR'deki paket üzerinden deniyorum. Küçük bir kolej veri kümesi kullanarak, aşağıdaki kodu koştu: library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

İstatistik / makine öğrenimi / veri madenciliği bağlamında algoritma geliştirici / araştırmacı pozisyonu için insanlarla röportaj yapıyorum. Özellikle bir adayın temel teoriye aşinalığını, anlayışını ve akışkanlığını, örneğin beklenti ve varyansın temel özellikleri, bazı yaygın dağılımları, vb. Belirlemek için sorulacak sorular arıyorum. Şu anki sorularım: " Tahmin etmek istediğimiz bilinmeyen bir …

15 machine-learning  probability  distributions