«probability» etiketlenmiş sorular

olduğunu varsayalım . Köşegen elemanların marjinal dağılımı ile ilgileniyorum . alt maddelerinin dağılımı konusunda birkaç basit sonuç vardır (en azından bazıları Wikipedia'da listelenmiştir). Bundan, köşegen üzerindeki herhangi bir elemanın marjinal dağılımının ters Gamma olduğunu anlayabilirim. Ancak ortak dağılımı tespit edemedim.diag ( X ) = ( x 11 , … , …

21 distributions  probability  pdf 

Parametrik olmayan Bayesian (ve ilgili) teknikleri hakkında daha fazla bilgi edinmek istiyorum. Arka planım bilgisayar biliminde ve ölçüm teorisi veya olasılık teorisi konusunda bir ders almadığım halde olasılık ve istatistik konusunda sınırlı miktarda formal eğitim aldım. Kimse beni başlatmak için bu kavramlara okunaklı bir giriş önerebilir mi?

21 probability  bayesian  references  theory 

Rastgele değişken kavramını fonksiyon olarak anlamakta sorunlar yaşıyorum. Mekaniği anlıyorum (sanırım) ama motivasyonu anlamıyorum ... Diyelim ki bir olasılık üçlüsüdür , burada , bu aralıktaki Borel- cebiri ve normal Lebesgue ölçüsüdür. Let rasgele bir değişken için öyle ki , , ..., , bu nedenle , 1'den 6'ya kadar değerler üzerinde …

21 probability  random-variable  measure-theory 

Maksimum iid Standardnormals , Aşırı Değer Teorisine göre Standart Gumbel Dağılımına yakınsar .X1,…,Xn.∼X1,…,Xn.∼X_1,\dots,X_n. \sim Bunu nasıl gösterebiliriz? Sahibiz P(maxXi≤x)=P(X1≤x,…,Xn≤x)=P(X1≤x)⋯P(Xn≤x)=F(x)nP(maxXi≤x)=P(X1≤x,…,Xn≤x)=P(X1≤x)⋯P(Xn≤x)=F(x)nP(\max X_i \leq x) = P(X_1 \leq x, \dots, X_n \leq x) = P(X_1 \leq x) \cdots P(X_n \leq x) = F(x)^n an>0,bn∈Ran>0,bn∈Ra_n>0,b_n\in\mathbb{R} sabit dizilerini şu şekilde bulmamız / seçmeliyiz : F(anx+bn)n→n→∞G(x)=e−exp(−x)F(anx+bn)n→n→∞G(x)=e−exp⁡(−x)F\left(a_n …

21 probability  normal-distribution  convergence  extreme-value 

Özellikle, iki olayım var, A ve B ve bazı dağıtım parametreleri θθ \theta , ve bakmak istiyorum .P( A | B , θ )P(bir|B,θ)P(A | B,\theta) Dolayısıyla, koşullu olasılığın en basit tanımı, bazı A ve B olayları göz önüne alındığında, . Bu nedenle, yukarıdaki gibi, üzerinde koşullandırılacak birden fazla olay …

21 probability  conditional-probability 

Olasılık sınıfımda "rastgele değişkenlerin toplamı" terimleri sürekli olarak kullanılmaktadır. Ancak, bunun tam olarak ne anlama geldiğini bilmiyorum? Rastgele bir değişkenden bir grup gerçekleşmenin toplamından mı bahsediyoruz? Öyleyse, bu tek bir sayı eklemiyor mu? Rasgele değişken gerçekleşmelerinin toplamı bizi nasıl bir dağılıma veya herhangi bir tür cdf / pdf / fonksiyona …

21 probability  self-study  random-variable  terminology 

Toplam bir zar kombinasyonu için olasılık dağılımını hesaplamak istiyorum. Toplam olasılık sayısının (zarın düzgün bir dağılımına sahip olduğu varsayılarak) toplam sayıların toplamı olan kombinasyon sayısı olduğunu hatırlıyorum. Formüller nelerdir Toplam kombinasyon sayısı Belirli bir sayıyı toplayan kombinasyon sayısı

21 probability  dice 

Günlük olasılıkta (kuantum fiziği değil), olasılıklar gerçekten bilinmeyenlerin yerine geçiyor. Örneğin bir bozuk para alın. "Rastgele" diyoruz,% 50 kafa değişimi ve% 50 kuyruk şansı. Ancak, madalyonun yoğunluğunu, boyutunu ve şeklini tam olarak bilseydim; hava yoğunluğu; madalyonun ne kadar kuvvet çevirdiğini; tam olarak bu kuvvetin yerleştirildiği yer; madalyonun zemine mesafesi; vb., …

20 probability  philosophical 

Bir oyuncuya adil, altı taraflı bir kalıp verilir. Kazanmak için 4'ten büyük bir sayı (yani 5 veya 6) yuvarlaması gerekir. Eğer 4 yuvarlarsa, yine yuvarlanmalı. Kazanma ihtimali nedir? Bence kazanma olasılığı, tekrar tekrar şöyle ifade edilebilir:P(W)P(W)P(W) P(W)=P(r=5∪r=6)+P(r=4)⋅P(W)P(W)=P(r=5∪r=6)+P(r=4)⋅P(W) P(W) = P(r = 5 \cup r = 6) + P(r = 4) …

20 probability 

Bu ev ödevi değil. Bu basit istatistik probleminde mantığımın doğru olup olmadığını anlamak istiyorum. Diyelim ki bir kafayı çevirme olasılığının P( H)P(H)P(H) ve kuyruğu çevirme olasılığının olduğu 2 taraflı bir param var 1 - P( H)1−P(H)1-P(H). Tüm döndürmelerin bağımsız olasılıklara sahip olduğunu varsayalım. Şimdi diyelim ki madalyonun bir sonraki kapakta …

20 probability 

İlk olasılık sınıfımdan beri aşağıdakileri merak ediyorum. Olasılıkların hesaplanması genellikle "tercih edilen olayların" toplam olası olaylara oranı ile verilir. İki 6 taraflı zarın yuvarlanması durumunda, olası olayların miktarı aşağıdaki tabloda gösterildiği gibi .363636 1234561(1,1)(2,1)(3,1)(4,1)(5,1)(6,1)2(1,2)(2,2)(3,2)(4,2)(5,2)(6,2)3(1,3)(2,3)(3,3)(4,3)(5,3)(6,3)4(1,4)(2,4)(3,4)(4,4)(5,4)(6,4)5(1,5)(2,5)(3,5)(4,5)(5,5)(6,5)6(1,6)(2,6)(3,6)(4,6)(5,6)(6,6)1234561(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)2(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)3(3,1)(3,2)(3,3)(3,4)(3,5)(3,6)4(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)5(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)6(6,1)(6,2)(6,3)(6,4)(6,5)(6,6)\begin{array} {|c|c|c|c|c|c|c|} \hline &1 & 2 & 3 & 4 & 5 & 6 \\ \hline 1 …

20 probability  dice 

Örneklerin iki sınıftan birine ait olma olasılıklarını ortaya çıkaran sınıflandırıcılar arıyorum. Lojistik regresyon ve saf Bayes'i biliyorum, ama bana benzer şekilde çalışan diğerlerinden bahseder misiniz? Yani, örneklerin ait olduğu sınıfları değil, örneklerin belirli bir sınıfa uyma olasılığını tahmin eden sınıflandırıcılar? Bu farklı sınıflandırıcıların (lojistik regresyon ve naif Bayes dahil) avantajları …

20 machine-learning  probability  logistic  classification  naive-bayes 

Jüri görevine çağrıldım. İstatistiklerin bazı jüri duruşmalarıyla ilgisinin farkındayım. Örneğin, "taban ücret" kavramı ve olasılık hesaplamalarına uygulanması bazen - belki de her zaman - önemlidir. Durumumdaki bir kişi hangi istatistiksel konuları yararlı bir şekilde inceleyebilir ve geçmişim olan biri için hangi materyaller uygun olur? Bir "sert bilim" derecem var ve …

20 probability  bayesian  references 

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 

Klasik bir kupon Collector problemi , iyi zaman olduğu bilinmektedir gerekli bir dizi tamamlamak için rastgele seçilmiş kuponlar tatmin , ve .TTTnnnE[T]∼nlnnE[T]∼nln⁡nE[T] \sim n \ln n Var(T)∼n2Var(T)∼n2Var(T) \sim n^2Pr(T&gt;nlnn+cn)&lt;e−cPr(T&gt;nln⁡n+cn)&lt;e−c\Pr(T > n \ln n + cn) < e^{-c} Bu üst sınır, kabaca olan Chebyshev eşitsizliğinin verdiği sınırdan daha iyidir .1/c21/c21/c^2 Sorum …

20 probability  probability-inequalities  coupon-collector-problem