Pertanyaan yang diberi tag «self-study»

Misalkan dan adalah variabel acak geometris independen dengan parameter . Berapa probabilitas ?X1X1X_1X2X2X_2pppX1≥X2X1≥X2X_1 \geq X_2 Saya bingung tentang pertanyaan ini karena kami tidak diberi tahu apa pun tentang dan selain geometris. Tidakkah ini menjadi karena dan dapat berupa apa saja dalam rentang tersebut?X1X1X_1X2X2X_250%50%50\%X1X1X_1X2X2X_2 EDIT: Upaya baru P(X1≥X2)=P(X1>X2)+P(X1=X2)P(X1≥X2)=P(X1>X2)+P(X1=X2)P(X1 ≥ X2) = …

9 self-study  random-variable  geometric-distribution 

Misalkan menjadi sampel acak dari distribusi gamma .X1,...,XnX1,...,XnX_1,...,X_nGamma(α,β)Gamma(α,β)\mathrm{Gamma}\left(\alpha,\beta\right) Biarkan dan menjadi mean sampel dan varians sampel.X¯X¯\bar{X}S2S2S^2 Kemudian buktikan atau bantah bahwa dan independen.X¯X¯\bar{X}S2/X¯2S2/X¯2S^2/\bar{X}^2 Usaha saya: Karena S2/X¯2=1n−1∑ni=1(XiX¯−1)2S2/X¯2=1n−1∑i=1n(XiX¯−1)2S^2/\bar{X}^2 = \frac{1}{n-1} \sum_{i=1}^n \left(\frac{X_i}{\bar{X}}-1\right)^2 , kita perlu memeriksa independensi X¯X¯\bar{X} dan (XiX¯)ni=1(XiX¯)i=1n\left(\frac{X_i}{\bar{X}} \right)_{i=1}^{n} , tetapi bagaimana saya harus membangun kemandirian di antara mereka?

9 self-study  distributions  independence  gamma-distribution 

Jika X∼C(0,1)X∼C(0,1)X\sim\mathcal C(0,1) , temukan distribusi .Y=2X1−X2Y=2X1−X2Y=\frac{2X}{1-X^2} Kami memilikiFY(y)=Pr(Y≤y)FY(y)=Pr(Y≤y)F_Y(y)=\mathrm{Pr}(Y\le y) =Pr(2X1−X2≤y)=Pr(2X1−X2≤y)\qquad\qquad\qquad=\mathrm{Pr}\left(\frac{2X}{1-X^2}\le y\right) =⎧⎩⎨⎪⎪⎪⎪⎪⎪Pr(X∈(−∞,−1−1+y2√y])+Pr(X∈(−1,−1+1+y2√y]),ify&gt;0Pr(X∈(−1,−1+1+y2√y])+Pr(X∈(1,−1−1+y2√y]),ify&lt;0={Pr(X∈(−∞,−1−1+y2y])+Pr(X∈(−1,−1+1+y2y]),ify&gt;0Pr(X∈(−1,−1+1+y2y])+Pr(X∈(1,−1−1+y2y]),ify&lt;0\qquad\qquad=\begin{cases} \mathrm{Pr}\left(X\in\left(-\infty,\frac{-1-\sqrt{1+y^2}}{y}\right]\right)+\mathrm{Pr}\left(X\in\left(-1,\frac{-1+\sqrt{1+y^2}}{y}\right]\right),\text{if}\quad y>0\\ \mathrm{Pr}\left(X\in\left(-1,\frac{-1+\sqrt{1+y^2}}{y}\right]\right)+\mathrm{Pr}\left(X\in\left(1,\frac{-1-\sqrt{1+y^2}}{y}\right]\right),\text{if}\quad y<0 \end{cases} Saya ingin tahu apakah perbedaan kasus di atas benar atau tidak. Di sisi lain, berikut ini tampaknya metode yang lebih sederhana: Kita dapat menulis menggunakan identitas 2 tan zY=tan(2tan−1X)Y=tan⁡(2tan−1⁡X)Y=\tan(2\tan^{-1}X)2tanz1−tan2z=tan2z2tan⁡z1−tan2⁡z=tan⁡2z\frac{2\tan z}{1-\tan^2z}=\tan 2z Sekarang, …

9 self-study  distributions  mathematical-statistics  random-variable 

Jadi saya memiliki tes probabilitas dan saya tidak bisa menjawab pertanyaan ini. Itu hanya bertanya seperti ini: "Menimbang bahwa adalah variabel acak, 0 , gunakan ketidaksetaraan yang benar untuk membuktikan apa yang lebih tinggi atau sama, E (X ^ 2) ^ 3 atau E (X ^ 3) ^ 2 .XXXXXX …

9 probability  self-study  probability-inequalities 

Casella dan Berger menyatakan properti invarian penaksir ML sebagai berikut: Namun, bagi saya tampaknya mereka mendefinisikan "kemungkinan" dari dalam cara yang sepenuhnya ad hoc dan tidak masuk akal:ηη\eta Jika saya menerapkan aturan dasar teori probabilitas pada kasus sederhana apakah , saya malah mendapatkan yang berikut: Sekarang menerapkan teorema Bayes, dan …

9 self-study  bayesian  maximum-likelihood  frequentist  invariance 

Contoh: Saya memiliki kalimat dalam deskripsi pekerjaan: "Java senior engineer in UK". Saya ingin menggunakan model pembelajaran yang mendalam untuk memperkirakannya sebagai 2 kategori: English dan IT jobs. Jika saya menggunakan model klasifikasi tradisional, hanya dapat memprediksi 1 label dengan softmaxfungsi di lapisan terakhir. Dengan demikian, saya dapat menggunakan 2 …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

Bagaimana Anda menginterpretasikan kurva survival dari model hazard proporsional cox? Dalam contoh mainan ini, anggaplah kita memiliki model hazard proporsional cox pada agevariabel dalam kidneydata, dan menghasilkan kurva survival. library(survival) fit &lt;- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Misalnya, pada waktu , pernyataan mana yang benar? atau keduanya salah?200200200 Pernyataan …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

Dalam Econometrics Pengantar Wooldridge ada kutipan: Argumen yang membenarkan distribusi normal untuk kesalahan biasanya berjalan seperti ini: karena adalah jumlah dari banyak faktor yang tidak teramati yang mempengaruhi , kita dapat menggunakan teorema batas pusat untuk menyimpulkan bahwa memiliki perkiraan distribusi normal.uuuyyyuuu Kutipan ini berkaitan dengan salah satu asumsi model …

9 self-study  linear-model  econometrics  normality-assumption  central-limit-theorem 

Saya akan membahas masalah-masalah dalam tugas penugasan tertulis kelas pembelajaran mendalam di Stanford NLP http://cs224d.stanford.edu/assignment1/assignment1_soln Saya mencoba memahami jawaban untuk 3a di mana mereka mencari turunan ke vektor untuk kata pusat. Asumsikan Anda diberikan vektor kata yang diprediksi sesuai dengan kata tengah c untuk skipgram, dan prediksi kata dibuat dengan …

9 self-study  neural-networks  backpropagation  word2vec 

Jumlah kecelakaan per hari adalah variabel acak Poisson dengan parameter , pada 10 hari yang dipilih secara acak jumlah kecelakaan diamati sebagai 1,0,1,1,2,0,2,0,0,1, apa yang akan menjadi penaksir yang tidak bias dari ?e λλλ\lambdaeλeλe^{\lambda} Saya mencoba mencoba dengan cara ini: Kita tahu bahwa , tetapi . Lalu apa yang akan …

9 self-study  estimation  poisson-distribution 

Pertimbangkan kerugian kuadratik , dengan diberikan sebelumnya mana . Misalkan kemungkinan. Temukan estimator Bayes .L(θ,δ)=(θ−δ)2L(θ,δ)=(θ−δ)2L(\theta,\delta)=(\theta-\delta)^2π(θ)π(θ)\pi(\theta)π(θ)∼U(0,1/2)π(θ)∼U(0,1/2)\pi(\theta)\sim U(0,1/2)f(x|θ)=θxθ−1I[0,1](x),θ&gt;0f(x|θ)=θxθ−1I[0,1](x),θ&gt;0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπδπ\delta^\pi Pertimbangkan kehilangan kuadratik tertimbang mana dengan prior . Biarkan menjadi kemungkinannya. Temukan estimator Bayes .Lw(θ,δ)=w(θ)(θ−δ)2Lw(θ,δ)=w(θ)(θ−δ)2L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2w(θ)=I(−∞,1/2)w(θ)=I(−∞,1/2)w(\theta)=\mathbb{I}_{(-\infty,1/2)}π1(θ)=I[0,1](θ)π1(θ)=I[0,1](θ)\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)f(x|θ)=θxθ−1I[0,1](x),θ&gt;0f(x|θ)=θxθ−1I[0,1](x),θ&gt;0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπ1δ1π\delta^\pi_1 Bandingkan danδπδπ\delta^\piδπ1δ1π\delta^\pi_1 Pertama saya perhatikan bahwa , dan saya berasumsi bahwa itu adalah kemungkinannya, kalau …

9 self-study  bayesian  estimation  hierarchical-bayesian  loss-functions 

Pertanyaannya didasarkan pada makalah berjudul: Rekonstruksi gambar dalam tomografi optik difus menggunakan model transport-difusi radiatif digabungkan Tautan unduhan Penulis menerapkan EM algoritma dengan sparsity regularisasi vektor yang tidak diketahui untuk memperkirakan pixel dari suatu gambar. Model ini diberikan oleh μl1l1l_1μμ\mu y=Aμ+e(1)(1)y=Aμ+ey=A\mu + e \tag{1} Estimasi diberikan dalam Persamaan (8) sebagai …

9 self-study  bayesian  maximum-likelihood  expectation-maximization  moving-average 

X1,...,XnX1,...,XnX_1, ... , X_nY1,...,YnY1,...,YnY_1, ..., Y_nU(0,a)U(0,a)U(0,a)Zn=nlogmax(Y(n),X(n))min(Y(n),X(n))Zn=nlog⁡max(Y(n),X(n))min(Y(n),X(n))Z_n= n\log\frac{\max(Y_{(n)},X_{(n)})}{\min(Y_{(n)},X_{(n)})}Exp(1)Exp(1)\text{Exp}(1) Saya telah memulai masalah ini dengan mengatur Kemudian akan didistribusikan sebagai dan akan didistribusikan sebagai Kepadatan dapat ditemukan dengan mudah seperti dan{X1,...,Xn,Y1,...Yn}={Z1,...,Zn}{X1,...,Xn,Y1,...Yn}={Z1,...,Zn}\{X_1,...,X_n,Y_1,...Y_n\} = \{Z_1,...,Z_n\}max(Yn,Xn)=Z(2n)max(Yn,Xn)=Z(2n)\max(Y_n,X_n)= Z_{(2n)}(za)2n(za)2n(\frac{z}{a})^{2n}min(Yn,Xn)=Z(1)min(Yn,Xn)=Z(1)\min(Y_n,X_n)= Z_{(1)}1−(1−za)2n1−(1−za)2n1 - (1 - \frac{z}{a})^{2n}fZ1(z)=(2n)(1−za)2n−11afZ1(z)=(2n)(1−za)2n−11af_{Z_{1}}(z) = (2n)(1-\frac{z}{a})^{2n-1}\frac{1}{a}fZ(2n)(z)=(2n)(za)2n−11afZ(2n)(z)=(2n)(za)2n−11af_{Z_{(2n)}}(z) = (2n)(\frac{z}{a})^{2n-1} \frac{1}{a} Di sinilah saya mengalami kesulitan mengetahui ke mana …

9 self-study  data-transformation  order-statistics 

Ini sebenarnya adalah salah satu masalah di Gujarati's Basic Econometrics edisi ke-4 (Q3.11) dan mengatakan bahwa koefisien korelasi tidak berubah sehubungan dengan perubahan asal dan skala, yaitu mana a , b , c , d adalah konstanta arbitrer.corr(aX+b,cY+d)=corr(X,Y)corr(aX+b,cY+d)=corr(X,Y)\text{corr}(aX+b, cY+d) = \text{corr}(X,Y)aaabbbcccddd Tetapi pertanyaan utama saya adalah sebagai berikut: Biarkan dan …

9 self-study  correlation  linear-algebra  mathematical-statistics 

Saya telah mencoba untuk membangun ketidaksetaraan |Ti|=∣∣Xi−X¯∣∣S≤n−1n−−√|Ti|=|Xi−X¯|S≤n−1n\left| T_i \right|=\frac{\left|X_i -\bar{X} \right|}{S} \leq\frac{n-1}{\sqrt{n}} di mana adalah mean sampel dan standar deviasi sampel, yaitu .X¯X¯\bar{X}SSSS=∑ni=1(Xi−X¯)2n−1−−−−−−−−−√S=∑i=1n(Xi−X¯)2n−1S=\sqrt{\frac{\sum_{i=1}^n \left( X_i -\bar{X} \right)^2}{n-1}} Sangat mudah untuk melihat bahwa dan seterusnya tapi ini tidak terlalu dekat dengan apa yang saya cari, juga bukan ikatan yang berguna. Saya …

9 self-study  descriptive-statistics  bounds