Pertanyaan yang diberi tag «intuition»

Saya mencoba untuk mendapatkan pemahaman intuitif tentang bagaimana analisis komponen utama (PCA) bekerja di ruang subjek (ganda) . Pertimbangkan dataset 2D dengan dua variabel, dan , dan titik data (matriks data adalah dan dianggap berpusat). Presentasi PCA yang umum adalah bahwa kami mempertimbangkan poin dalam , tulis matriks kovarian , …

19 pca  linear-algebra  intuition  geometry 

Pertimbangkan identitas dasar varian: Var(X)===E[(X−E[X])2]...E[X2]−(E[X])2Var(X)=E[(X−E[X])2]=...=E[X2]−(E[X])2 \begin{eqnarray} Var(X) &=& E[(X - E[X])^2]\\ &=& ...\\ &=& E[X^2] - (E[X])^2 \end{eqnarray} Ini adalah manipulasi aljabar sederhana dari definisi momen sentral menjadi momen non-sentral. Ini memungkinkan manipulasi yang mudah dari dalam konteks lain. Ini juga memungkinkan perhitungan varians melalui data single pass over daripada …

18 variance  descriptive-statistics  intuition 

Saya telah melihat dan menikmati pertanyaan Memahami analisis komponen utama , dan sekarang saya memiliki pertanyaan yang sama untuk analisis komponen independen. Maksud saya, saya ingin membuat pertanyaan komprehensif tentang cara intuitif untuk memahami ICA? Saya ingin memahaminya . Saya ingin mendapatkan tujuan itu. Saya ingin merasakannya. Saya sangat mempercayai …

18 intuition  ica 

Saya sudah berpikir tentang menulis posting blog tentang analisis yang menarik ini oleh Kleinberg (2002) yang mengeksplorasi kesulitan pengelompokan. Kleinberg menguraikan tiga desiderata yang tampaknya intuitif untuk fungsi pengelompokan dan kemudian membuktikan bahwa tidak ada fungsi tersebut. Ada banyak algoritma pengelompokan yang memuaskan dua dari tiga kriteria; Namun, tidak ada …

17 mathematical-statistics  clustering  intuition  hierarchical-clustering 

Saya membaca di sini bahwa diberi sampel dari distribusi kontinu dengan cdf , sampel yang sesuai dengan mengikuti distribusi seragam standar.F X U i = F X ( X i )X1,X2,...,XnX1,X2,...,Xn X_1,X_2,...,X_n FXFX F_X Ui=FX(Xi)Ui=FX(Xi) U_i = F_X(X_i) Saya telah memverifikasi ini menggunakan simulasi kualitatif dengan Python, dan saya dengan …

17 pdf  uniform  cdf  intuition 

Saya telah bekerja di bawah keyakinan bahwa median sampel adalah ukuran yang lebih kuat dari kecenderungan sentral daripada rata-rata sampel, karena mengabaikan outlier. Karena itu saya terkejut mengetahui (dalam jawaban untuk pertanyaan lain ) bahwa untuk sampel yang diambil dari distribusi normal, varians dari mean sampel kurang dari varians median …

17 distributions  median  intuition  mean  efficiency 

Pertanyaan: Apa gagasan dan intuisi di balik estimasi kemungkinan maksimum kuasi (QMLE; juga dikenal sebagai estimasi kemungkinan maksimum semu, PMLE)? Apa yang membuat estimator berfungsi ketika distribusi kesalahan yang sebenarnya tidak cocok dengan distribusi kesalahan yang diasumsikan? Situs Wikipedia untuk QMLE baik-baik saja (singkat, intuitif, to the point), tetapi saya …

17 maximum-likelihood  references  intuition  quasi-likelihood 

Saya bingung tentang persamaan yang berfungsi sebagai definisi tingkat bahaya. Saya mendapatkan ide tentang tingkat bahaya, tetapi saya tidak melihat bagaimana persamaan itu mengekspresikan intuisi itu. Jika adalah variabel acak yang mewakili titik waktu kematian seseorang pada interval waktuxxx[0,T][0,T][0,T] . Maka tingkat bahaya adalah: h(x)=f(x)1−F(x)h(x)=f(x)1−F(x)h(x)=\frac{f(x)}{1-F(x)} Di mana mewakili probabilitas kematian …

16 survival  intuition  hazard 

Hari ini saya mengajar kelas pengantar statistik dan seorang siswa mendatangi saya dengan sebuah pertanyaan, yang saya ulangi di sini sebagai: "Mengapa standar deviasi didefinisikan sebagai sqrt of variance dan bukan sebagai sqrt dari jumlah kuadrat atas N?" Kami mendefinisikan varians populasi:σ2=1N∑(xi−μ)2σ2=1N∑(xi−μ)2\sigma^2=\frac{1}{N}\sum{(x_i-\mu)^2} Dan standar deviasi: .σ=σ2−−√=1N√∑(xi−μ)2−−−−−−−−−−√σ=σ2=1N∑(xi−μ)2\sigma=\sqrt{\sigma^2}=\frac{1}{\sqrt{N}}\sqrt{\sum{(x_i-\mu)^2}} Interpretasi kami dapat memberikan …

16 variance  standard-deviation  intuition  teaching 

Prosedur EM muncul, bagi yang belum tahu, sebagai kurang lebih ilmu hitam. Taksir parameter HMM (misalnya) menggunakan data yang dilindungi. Kemudian decode data yang tidak ditandai, menggunakan maju-mundur untuk 'menghitung' peristiwa seolah-olah data tersebut ditandai, lebih atau kurang. Mengapa ini membuat model lebih baik? Saya tahu sesuatu tentang matematika, tetapi …

16 expectation-maximization  intuition 

Saya telah membaca berkali-kali bahwa efek acak (BLUP / mode kondisional untuk, katakanlah, subjek) bukan parameter dari model efek campuran linier tetapi sebaliknya dapat diturunkan dari estimasi varians / parameter kovarian. Misalnya Reinhold Kliegl et al. (2011) menyatakan: Efek acak adalah penyimpangan subjek dari grand mean RT dan penyimpangan subyek …

15 mixed-model  intuition  blup 

Dalam video ceramah dari Harvard's Statistics 110: Probability course yang dapat ditemukan di iTunes dan YouTube, saya mengalami masalah ini. Saya mencoba merangkumnya di sini: Misalkan kita diberikan dua kartu acak dari dek standar. Berapa probabilitas bahwa kedua kartu as itu diberikan bahwa kita memiliki setidaknya satu kartu as? P(both …

15 probability  conditional-probability  intuition 

Sejauh yang saya mengerti, korelasi jarak adalah cara yang kuat dan universal untuk memeriksa apakah ada hubungan antara dua variabel numerik. Misalnya, jika kita memiliki satu set pasangan angka: (x1, y1) (x2, y2) ... (xn, yn) kita dapat menggunakan korelasi jarak untuk memeriksa apakah ada hubungan (tidak harus linier) antara …

15 correlation  independence  intuition  distance-covariance 

Dalam buku Steven Pinker, Better Angels of Our Nature , ia mencatat itu Probabilitas adalah masalah perspektif. Dilihat dari jarak yang cukup dekat, peristiwa individu memiliki penyebab yang menentukan. Bahkan flip koin dapat diprediksi dari kondisi awal dan hukum fisika, dan pesulap yang ahli dapat mengeksploitasi hukum tersebut untuk melempar …

15 probability  central-limit-theorem  intuition 

Ketika kita mempertimbangkan skenario teori Antrian di mana individu tiba ke node penayangan dan mengantri, biasanya proses Poisson digunakan untuk memodelkan waktu kedatangan. Skenario ini muncul dalam masalah perutean jaringan. Saya menghargai penjelasan intuitif mengapa proses Poisson paling cocok untuk memodelkan kedatangan.

15 poisson-distribution  intuition  queueing