«self-study» etiketlenmiş sorular

Bir sınıf veya kendi kendine çalışma için kullanılan bir ders kitabı, kurs veya testten rutin bir alıştırma. Bu topluluğun politikası, bu tür sorular için tam cevaplar yerine "yararlı ipuçları sağlamak" tır.



4
Göstermek istediğim
Let olasılık uzayında rastgele değişken .show buX: Ω → NX:Ω→NX:\Omega \to \mathbb N( Ω , B, P)(Ω,B,P)(\Omega,\mathcal B,P)E( X) = ∑n = 1∞P( X≥ n ) .E(X)=∑n=1∞P(X≥n).E(X)=\sum_{n=1}^\infty P(X\ge n). dan eşittir E( X)E(X)E(X)E( X) = ∫ΩXdP.E(X)=∫ΩXdP.E(X)=\int_\Omega X \, dP. Teşekkürler.

1
Orantılı ve binom dağılımlı örneklem büyüklüğünün belirlenmesi
Sokal ve Rohlf (3e) adlı Biyometri kitabını kullanarak bazı istatistikleri öğrenmeye çalışıyorum. Bu, 5. bölümde olasılık, binom dağılımı ve Poisson dağılımını kapsayan bir alıştırmadır. Bu soruya cevap verecek bir formül olduğunu anlıyorum: Ancak, bu denklem bu metinde yer almamaktadır. Sadece olasılık, istenen güven düzeyi ve binom dağılımını bilerek örneklem büyüklüğünü …

4
Bu durumda x'in y üzerindeki regresyonu x üzerindeki y'den açıkça daha mı iyidir?
Bir kişinin kanındaki glikoz seviyelerini ölçmek için kullanılan bir cihaz, 10 kişilik rastgele bir örnek üzerinde izlenir. Seviyeler ayrıca çok hassas bir laboratuvar prosedürü kullanılarak ölçülür. Alet ölçüsü x ile gösterilir. Laboratuvar prosedürü ölçüsü y ile gösterilir. Şahsen x'in y'nin daha doğru olduğunu düşünüyorum çünkü amaç laboratuvar okumalarını tahmin etmek …

1
Luce seçim aksiyomu, koşullu olasılık hakkında soru [kapalı]
Kapalı . Bu sorunun ayrıntılara veya açıklığa ihtiyacı var . Şu anda cevapları kabul etmiyor. Bu soruyu geliştirmek ister misiniz? Bu yayını düzenleyerek ayrıntıları ekleyin ve sorunu giderin . 2 yıl önce kapalı . Luce (1959) okuyorum . Sonra şu ifadeyi buldum: Bir kişi alternatifler arasından seçim yaptığında, tepkileri genellikle …




1
İstatistiksel test önerisi
Aşağıdakiler üzerinde uygun bir istatistiksel test (olasılık oranı testi, t-testi, vb.) Bulmam gerekiyor: Let , bir rasgele vektörün bir iid numune olduğu ( X , Y ) ve olduğunu varsayalım ( Y X ) ~ N- [ ( μ 1 μ 2 ) , ( 1 .5 .5 1 ) …

1
Anova () ve drop1 () neden GLMM'ler için farklı cevaplar verdi?
Formun bir GLMM var: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Kullandığımda , araç paketinden veya drop1(model, test="Chi")kullandığımdan farklı sonuçlar alıyorum . Bu son ikisi aynı cevapları verir.Anova(model, type="III")summary(model) Bir grup uydurma veri kullanarak, bu iki yöntemin normalde farklı olmadığını gördüm. Dengeli doğrusal …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 


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} …

3
bağımsız değişken olduğunda dağılımı
Rutin bir egzersiz olarak, ve bağımsız rasgele değişkenleri olduğu dağılımını bulmaya çalışıyorum .X2+Y2−−−−−−−√X2+Y2\sqrt{X^2+Y^2}XXXYYYU(0,1)U(0,1) U(0,1) nin eklem yoğunluğu(X,Y)(X,Y)(X,Y)fX,Y(x,y)=10&lt;x,y&lt;1fX,Y(x,y)=10&lt;x,y&lt;1f_{X,Y}(x,y)=\mathbf 1_{0\cos^{-1}\left(\frac{1}{z}\right)cosθcos⁡θ\cos\thetaθ∈[0,π2]θ∈[0,π2]\theta\in\left[0,\frac{\pi}{2}\right]zgünahθ&lt;1⟹θ&lt;sin−1(1z)zsin⁡θ&lt;1⟹θ&lt;sin−1⁡(1z)z\sin\theta<1\implies\theta<\sin^{-1}\left(\frac{1}{z}\right)sinθsin⁡θ\sin\thetaθ∈[0,π2]θ∈[0,π2]\theta\in\left[0,\frac{\pi}{2}\right] Yani, için .1&lt;z&lt;2–√1&lt;z&lt;21< z<\sqrt 2cos−1(1z)&lt;θ&lt;sin−1(1z)cos−1⁡(1z)&lt;θ&lt;sin−1⁡(1z)\cos^{-1}\left(\frac{1}{z}\right)<\theta<\sin^{-1}\left(\frac{1}{z}\right) Dönüşümün jacobianının mutlak değeri|J|=z|J|=z|J|=z Böylece ortak yoğunluğu ile verilmektedir(Z,Θ)(Z,Θ)(Z,\Theta) fZ,Θ(z,θ)=z1{z∈(0,1),θ∈(0,π/2)}⋃{z∈(1,2√),θ∈(cos−1(1/z),sin−1(1/z))}fZ,Θ(z,θ)=z1{z∈(0,1),θ∈(0,π/2)}⋃{z∈(1,2),θ∈(cos−1⁡(1/z),sin−1⁡(1/z))}f_{Z,\Theta}(z,\theta)=z\mathbf 1_{\{z\in(0,1),\,\theta\in\left(0,\pi/2\right)\}\bigcup\{z\in(1,\sqrt2),\,\theta\in\left(\cos^{-1}\left(1/z\right),\sin^{-1}\left(1/z\right)\right)\}} Entegre , biz pdf elde gibiθθ\thetaZZZ fZ(z)=πz210&lt;z&lt;1+(πz2−2zcos−1(1z))11&lt;z&lt;2√fZ(z)=πz210&lt;z&lt;1+(πz2−2zcos−1⁡(1z))11&lt;z&lt;2f_Z(z)=\frac{\pi z}{2}\mathbf 1_{0\sqrt 2 \end{cases} doğru ifadeye benziyor. Farklılaşan durumda …

1
Word2vec'de çapraz entropi kaybının türevi
Ben cs224d çevrimiçi stanford sınıfı ders materyali ilk sorun seti ile yoluma çalışıyorum ve sorun 3A ile bazı sorunlar yaşıyorum: Softmax tahmin fonksiyonu ve çapraz entropi kaybı fonksiyonu ile atlama gram word2vec modeli kullanırken, biz degradeleri tahmin edilen sözcük vektörlerine göre hesaplamak istiyorum. Softmax fonksiyonu göz önüne alındığında: wben^= Pr …

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