Domande taggate «self-study»

Consenti a essere un campione casuale di una distribuzione per . Vale a dire,X1,...,XnX1,...,Xn X_1, ...,X_nGeometric(θ)Geometric(θ)Geometric(\theta)0&lt;θ&lt;10&lt;θ&lt;10<\theta<1 pθ(x)=θ(1−θ)x−1I{1,2,...}(x)pθ(x)=θ(1−θ)x−1I{1,2,...}(x)p_{\theta}(x)=\theta(1-\theta)^{x-1} I_{\{1,2,...\}}(x) Trova lo stimatore imparziale con varianza minima perg(θ)=1θg(θ)=1θg(\theta)=\frac{1}{\theta} Il mio tentativo: Poiché la distribuzione geometrica proviene dalla famiglia esponenziale, la statistica è completa e sufficiente per . Inoltre, se è uno stimatore …

10 probability  self-study  estimation  unbiased-estimator  exponential-family 

La mia domanda sorge dalla lettura di "Stimare una distribuzione di Dirichlet" di Minka , che afferma quanto segue senza prove nel contesto della derivazione di uno stimatore della massima verosimiglianza per una distribuzione di Dirichlet basata su osservazioni di vettori casuali: Come sempre con la famiglia esponenziale, quando il …

10 self-study  maximum-likelihood  exponential-family  sufficient-statistics 

Nel codice seguente eseguo una regressione logistica su dati raggruppati usando glm e "a mano" usando mle2. Perché la funzione logLik in R mi dà una probabilità di log logLik (fit.glm) = - 2.336 che è diverso da quello logLik (fit.ml) = - 5.514 che ottengo a mano? library(bbmle) #successes …

10 r  self-study  generalized-linear-model 

Il libro di testo genera prima alcuni dati di 2 classi tramite: che dà: e poi chiede: Cerco di risolverlo modellando prima questo con questo modello grafico: dove è l'etichetta, è l'indice della media selezionata e è il punto dati. Questo daràhcccm c h xh(1≤h≤10)h(1≤h≤10)h\,(1\le h \le 10)mchmhcm_h^cxxx Pr ( …

10 self-study  bayesian 

Sto cercando di adattare un modello a tempo discreto in R, ma non sono sicuro di come farlo. Ho letto che puoi organizzare la variabile dipendente in diverse righe, una per ogni osservazione temporale e utilizzare la glmfunzione con un collegamento logit o cloglog. In questo senso, ho tre colonne: …

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

Questo è solo un esempio che ho riscontrato più volte, quindi non ho dati di esempio. Esecuzione di un modello di regressione lineare in R: a.lm = lm(Y ~ x1 + x2) x1è una variabile continua. x2è categorico e ha tre valori, ad esempio "Basso", "Medio" e "Alto". Tuttavia, l'output …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

Permettere X1X1X_1 e X2X2X_2 essere variabili casuali esponenziali indipendenti e identicamente distribuite con rate λλ\lambda. PermettereS2=X1+X2S2=X1+X2S_2 = X_1 + X_2. Q: DimostraloS2S2S_2 ha PDF fS2(x)=λ2xe−λx,x≥0fS2(x)=λ2xe−λx,x≥0f_{S_2}(x) = \lambda^2 x \text{e}^{-\lambda x},\, x\ge 0. Si noti che se gli eventi si sono verificati secondo un processo di Poisson (PP) con velocità λλ\lambda, …

10 self-study  distributions  convolution  exponential-distribution 

Ho trovato una soluzione che affermava che se il quadrato di una serie storica è stazionario, lo è anche la serie storica originale e viceversa. Tuttavia non mi sembra in grado di dimostrarlo, qualcuno ha un'idea se questo è vero e se è come derivarlo?

9 time-series  self-study  data-transformation  stationarity 

Supponiamo che X1X1X_1 e X2X2X_2 siano variabili casuali geometriche indipendenti con il parametro ppp . Qual è la probabilità che X1≥X2X1≥X2X_1 \geq X_2 ? Sono confuso su questa domanda perché non ci viene detto nulla su X1X1X_1 e X2X2X_2 se non che sono geometrici. Non sarebbe del 50%50%50\% perché X1X1X_1 …

9 self-study  random-variable  geometric-distribution 

Sia un campione casuale dalla distribuzione gamma .G a m m a ( α , β )X1,...,XnX1,...,XnX_1,...,X_nGamma(α,β)Gamma(α,β)\mathrm{Gamma}\left(\alpha,\beta\right) Sia X¯X¯\bar{X} e S2S2S^2 la media e la varianza del campione. Quindi prova o confuta che X¯X¯\bar{X} e S2/X¯2S2/X¯2S^2/\bar{X}^2 sono indipendenti. Il mio tentativo: poiché S2/ X¯2= 1n - 1Σni = 1( XioX¯- …

9 self-study  distributions  independence  gamma-distribution 

Quindi ho fatto un test di probabilità e non sono riuscito a rispondere a questa domanda. Ha appena chiesto qualcosa del genere: "Considerando che è una variabile casuale, 0 , usa la disuguaglianza corretta per dimostrare ciò che è superiore o uguale, E (X ^ 2) ^ 3 o E …

9 probability  self-study  probability-inequalities 

Se X∼C(0,1)X∼C(0,1)X\sim\mathcal C(0,1) , trova la distribuzione di Y=2X1−X2Y=2X1−X2Y=\frac{2X}{1-X^2} . Abbiamo FY(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} Mi chiedo se la distinzione di cui sopra sia corretta o meno. D'altra parte, il seguente sembra un metodo più semplice: Possiamo scrivere Y=tan(2tan−1X)Y=tan⁡(2tan−1⁡X)Y=\tan(2\tan^{-1}X) usando l'identità 2tanz1−tan2z=tan2z2tan⁡z1−tan2⁡z=tan⁡2z\frac{2\tan z}{1-\tan^2z}=\tan 2z …

9 self-study  distributions  mathematical-statistics  random-variable 

Casella e Berger dichiarano la proprietà di invarianza dello stimatore ML come segue: Tuttavia, mi sembra che definiscano la "probabilità" di in un modo completamente ad hoc e senza senso:ηη\eta Se applico le regole di base della teoria della probabilità al caso semplice se , ottengo invece quanto segue: L …

9 self-study  bayesian  maximum-likelihood  frequentist  invariance 

Esempi: ho una frase nella descrizione del lavoro: "Ingegnere senior Java nel Regno Unito". Voglio usare un modello di apprendimento profondo per prevederlo in 2 categorie: English e IT jobs. Se uso il modello di classificazione tradizionale, posso solo prevedere 1 etichetta con la softmaxfunzione all'ultimo livello. Quindi, posso usare …

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 

Come si interpreta una curva di sopravvivenza dal modello di rischio proporzionale cox? In questo esempio di giocattolo, supponiamo di avere un modello di rischio proporzionale cox su agevariabile nei kidneydati e generare la curva di sopravvivenza. library(survival) fit &lt;- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Ad esempio, al momento …

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