Domande taggate «self-study»

Un esercizio di routine da un libro di testo, un corso o un test utilizzato per una lezione o uno studio autonomo. La politica di questa comunità è di "fornire suggerimenti utili" per tali domande piuttosto che risposte complete.

1
MLE del parametro location in una distribuzione di Cauchy
Dopo il centraggio, si può presumere che le due misurazioni x e -x siano osservazioni indipendenti da una distribuzione di Cauchy con funzione di densità di probabilità: f(x:θ)=f(x:θ)=f(x :\theta) = 1π(1+(x−θ)2)1π(1+(x−θ)2)1\over\pi (1+(x-\theta)^2) ,−∞&lt;x&lt;∞,−∞&lt;x&lt;∞, -∞ < x < ∞ Mostra che se x2≤1x2≤1x^2≤ 1 l'MLE di θθ\theta è 0, ma se …
1
La 2SLS Just-Identified è mediana non distorta?
In Mostly Harmless Econometrics: An Empiricist's Companion (Angrist and Pischke, 2009: pagina 209) Ho letto quanto segue: (...) In effetti, 2SLS appena identificato (diciamo, il semplice stimatore Wald) è approssimativamente imparziale . Questo è difficile da mostrare formalmente perché la 2SLS appena identificata non ha momenti (cioè, la distribuzione del …
1
Statistiche sufficienti congiuntamente complete: uniforme (a, b)
Sia X=(x1,x2,…xn)X=(x1,x2,…xn)\mathbf{X}= (x_1, x_2, \dots x_n) un campione casuale dalla distribuzione uniforme su (a,b)(a,b)(a,b) , dove a&lt;ba&lt;ba < b . Sia Y1Y1Y_1 e YnYnY_n le statistiche degli ordini più grandi e più piccole. Mostra che la statistica (Y1,Yn)(Y1,Yn)(Y_1, Y_n) è una statistica sufficiente congiuntamente completa per il parametro θ=(a,b)θ=(a,b)\theta = …
1
In generale, fare inferenza è più difficile che fare previsioni?
La mia domanda viene dal seguente fatto. Ho letto post, blog, lezioni e libri sull'apprendimento automatico. La mia impressione è che i professionisti dell'apprendimento automatico sembrano essere indifferenti a molte cose a cui tengono gli statistici / econometrici. In particolare, i professionisti dell'apprendimento automatico enfatizzano l'accuratezza della previsione sull'inferenza. Uno …
5
quando e indipendentemente
XXX e sono variabili casuali distribuite indipendentemente in cui e . Qual è la distribuzione di ?YYYX∼χ2(n−1)X∼χ(n−1)2X\sim\chi^2_{(n-1)}Y∼Beta(n2−1,n2−1)Y∼Beta(n2−1,n2−1)Y\sim\text{Beta}\left(\frac{n}{2}-1,\frac{n}{2}-1\right)Z=(2Y−1)X−−√Z=(2Y−1)XZ=(2Y-1)\sqrt X La densità articolare di è data da(X,Y)(X,Y)(X,Y) fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}f_{X,Y}(x,y)=f_X(x)f_Y(y)=\frac{e^{-\frac{x}{2}}x^{\frac{n-1}{2}-1}}{2^{\frac{n-1}{2}}\Gamma\left(\frac{n-1}{2}\right)}\cdot\frac{y^{\frac{n}{2}-2}(1-y)^{\frac{n}{2}-2}}{B\left(\frac{n}{2}-1,\frac{n}{2}-1\right)}\mathbf1_{\{x>0\,,\,00\,,\,|z|<w\}} Il pdf marginale di è quindi , che non mi porta da nessuna parte.f Z ( z ) = ∫ ∞ | z | …
2
Come calcolare i pesi del criterio Fisher?
Sto studiando il riconoscimento di modelli e l'apprendimento automatico e ho incontrato la seguente domanda. Considera un problema di classificazione di due classi con uguale probabilità di classe precedenteP(D1)=P(D2)=12P(D1)=P(D2)=12P(D_1)=P(D_2)= \frac{1}{2} e la distribuzione delle istanze in ciascuna classe data da p(x|D1)=N([00],[2001]),p(x|D1)=N([00],[2001]), p(x|D_1)= {\cal N} \left( \begin{bmatrix} 0 \\0 \end{bmatrix}, \begin{bmatrix} …
2
Come trovare
Come posso risolvere questo? Ho bisogno di equazioni intermedie. Forse la risposta è −tf(x)−tf(x)-tf(x) . ddt[∫∞txf(x)dx]ddt[∫t∞xf(x)dx] \frac{d}{dt} \left [\int_t^\infty xf(x)\,dx \right ] f(x)f(x)f(x) è la funzione di densità di probabilità. limx→∞f(x)=0limx→∞f(x)=0\lim\limits_{x \to \infty} f(x) = 0limx→∞F(x)=1limx→∞F(x)=1\lim\limits_{x \to \infty} F(x) = 1 fonte: http://www.actuaries.jp/lib/collection/books/H22/H22A.pdf p.40 Prova delle equazioni intermedie di seguito: …
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.