Domande taggate «self-study»

Nell'economia introduttiva di Wooldridge c'è una citazione: L'argomento che giustifica la distribuzione normale degli errori di solito esegue qualcosa del genere: poiché la somma di molti diversi fattori non osservati che influenzano , possiamo invocare il teorema del limite centrale per concludere che una distribuzione normale approssimativa.uuuyyyuuu Questa citazione si …

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

Sto attraversando i problemi dei problemi di assegnazione scritta del corso di apprendimento profondo della PNL di Stanford http://cs224d.stanford.edu/assignment1/assignment1_soln Sto cercando di capire la risposta per 3a dove stanno cercando la derivata del vettore per la parola centrale. Supponiamo che ti venga dato un vettore di parola previsto corrispondente alla …

9 self-study  neural-networks  backpropagation  word2vec 

Il numero di incidenti al giorno è una variabile casuale di Poisson con parametro , in 10 giorni scelti a caso il numero di incidenti è stato osservato come 1,0,1,1,2,0,2,0,0,1, quale sarà uno stimatore imparziale di e λ ?λλ\lambdaeλeλe^{\lambda} Ho provato a tentare in questo modo: sappiamo che , ma …

9 self-study  estimation  poisson-distribution 

Considera la perdita quadratica , con il precedente dato dove . Sia la probabilità. Trova lo stimatore di 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>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπδπ\delta^\pi Considera la perdita quadratica ponderata dove con precedente . Sia sia la probabilità. Trova lo stimatore di 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>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπ1δ1π\delta^\pi_1 Confronta eδπδπ\delta^\piδπ1δ1π\delta^\pi_1 Per prima cosa ho …

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

La domanda si basa sull'articolo intitolato: Ricostruzione dell'immagine nella tomografia ottica diffusa utilizzando il modello di trasporto-diffusione radiativo accoppiato Link per scaricare Gli autori applicano l'algoritmo EM con regolarizzazione della sparsità di un vettore sconosciuto per stimare i pixel di un'immagine. Il modello è dato dal1l1l_1μμ\mu y=Aμ+e(1)(1)y=Aμ+ey=A\mu + e \tag{1} …

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

Supponiamo che le variabili casuali e siano indipendenti e distribuite da . Mostra che ha un \ text {Exp} (1) distribuzione.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) Ho iniziato questo problema impostando {X1,...,Xn,Y1,...Yn}={Z1,...,Zn}{X1,...,Xn,Y1,...Yn}={Z1,...,Zn}\{X_1,...,X_n,Y_1,...Y_n\} = \{Z_1,...,Z_n\} Quindi il max(Yn,Xn)=Z(2n)max(Yn,Xn)=Z(2n)\max(Y_n,X_n)= Z_{(2n)} verrebbe distribuito come (za)2n(za)2n(\frac{z}{a})^{2n} e min(Yn,Xn)=Z(1)min(Yn,Xn)=Z(1)\min(Y_n,X_n)= Z_{(1)} verrebbe distribuito come 1−(1−za)2n1−(1−za)2n1 …

9 self-study  data-transformation  order-statistics 

Questo è in realtà uno dei problemi della 4a edizione di Basic Econometrics del Gujarati (Q3.11) e afferma che il coefficiente di correlazione è invariante rispetto al cambio di origine e scala, cioè dove a , b , c , d sono costanti arbitrarie.corr ( una X+ b , c …

9 self-study  correlation  linear-algebra  mathematical-statistics 

Ho cercato di stabilire la disuguaglianza | Tio| = ∣|Xio- 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}} dove è la media del campione e la deviazione standard del campione, ovvero .X¯X¯\bar{X}SSSS= ∑ni = 1( Xio- 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}} È facile vedere che e così …

9 self-study  descriptive-statistics  bounds 

Sto leggendo l'utile voce di Wikipedia sull'aumento del gradiente ( https://en.wikipedia.org/wiki/Gradient_boosting ), e cerco di capire come / perché possiamo approssimare i residui con la fase di discesa più ripida (chiamata anche pseudo-gradiente ). Qualcuno può darmi l'intuizione su come la discesa più ripida è collegata / simile ai residui? …

9 self-study  gradient-descent 

Un dado a 6 facce viene lanciato ripetutamente. Qual è il numero previsto di tiri richiesti per fare una somma maggiore o uguale a K? Prima della modifica P(Sum>=1 in exactly 1 roll)=1 P(Sum>=2 in exactly 1 roll)=5/6 P(Sum>=2 in exactly 2 rolls)=1/6 P(Sum>=3 in exactly 1 roll)=5/6 P(Sum>=3 in …

9 self-study  mean  expected-value  dice  saddlepoint-approximation 

Sto studiando il modello di miscela gaussiana e mi pongo questa domanda da solo. Supponiamo che i dati sottostanti siano generati da una miscela di distribuzione gaussiana di e ciascuno di essi abbia un vettore medio , dove e ciascuno di essi ha lo stesso co- matrice di varianza e …

9 self-study  expectation-maximization  gaussian-mixture  consistency 

Ecco un problema che è emerso in un esame semestrale nella nostra università qualche anno fa che sto lottando per risolvere. Se sono variabili casuali β indipendenti con densità β ( n 1 , n 2 ) e β ( n 1 + 1X1, X2X1,X2X_1,X_2ββ\betaβ( n1, n2)β(n1,n2)\beta(n_1,n_2)rispettivamente quindi mostrano che√β( …

9 self-study  random-variable  beta-distribution  distributions  jacobian 

A pagina 180 di statistiche affidabili: l'approccio basato sulle funzioni di influenza si trova la seguente domanda: 16: Mostra che per gli stimatori invarianti di posizione sempre . Trova il limite superiore corrispondente sul punto di campione finito , entrambi nel caso in cui è dispari o è pari.ε∗≤12ε∗≤12\varepsilon^*\leq\frac{1}{2}ε∗nεn∗\varepsilon^*_nnnnnnn La …

9 self-study  robust 

Ho avuto un compito a casa per esprimere la distribuzione binomiale negativa come una famiglia esponenziale di distribuzioni dato che il parametro di dispersione era una costante nota. Questo è stato abbastanza facile, ma mi chiedevo perché avrebbero richiesto di mantenere quel parametro fisso. Ho scoperto che non riuscivo a …

9 self-study  mathematical-statistics  negative-binomial  proof  exponential-family 

Sto cercando di capire meglio il metodo Johansen, quindi ho sviluppato un esempio 3.1 del libro Likelihood-Based-Inference-Cointegrated-Autoregressive-Econometrics in cui abbiamo tre processi: X1t=∑i=1tϵ1i+ϵ2tX1t=∑i=1tϵ1i+ϵ2tX_{1t} = \sum_{i=1}^t \epsilon_{1i} + \epsilon_{2t} X2t=α∑i=1tϵ1i+ϵ3tX2t=α∑i=1tϵ1i+ϵ3t X_{2t} = \alpha \sum_{i=1}^t \epsilon_{1i} + \epsilon_{3t} X3t=ϵ4tX3t=ϵ4t X_{3t} = \epsilon_{4t} quindi i vettori di cointegrazione dovrebbero essere [a, -1, 0] …

9 self-study  cointegration  vecm