Câu hỏi được gắn thẻ «conditional-probability»

Xác suất xảy ra một sự kiện A, khi một sự kiện B khác được biết là xảy ra hoặc đã xảy ra. Nó thường được ký hiệu là P (A | B).

1
Kiểm tra chính xác và phân phối siêu âm của Fisher
Tôi muốn hiểu thử nghiệm chính xác của ngư dân tốt hơn, vì vậy tôi đã nghĩ ra ví dụ đồ chơi sau đây, trong đó f và m tương ứng với nam và nữ, và n và y tương ứng với "tiêu thụ soda" như thế này: > soda_gender …
1
Lấy mẫu từ phân phối biên sử dụng phân phối có điều kiện?
Tôi muốn lấy mẫu từ mật độ đơn biến nhưng tôi chỉ biết mối quan hệ:fXfXf_X fX(x)=∫fX|Y(x|y)fY(y)dy.fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. Tôi muốn tránh việc sử dụng MCMC (trực tiếp trên biểu diễn tích phân) và, vì và rất dễ lấy mẫu, tôi đã nghĩ đến việc sử …
1
Mô hình Bayes sử dụng đa biến thông thường với hiệp phương sai
Giả sử bạn có một biến giải thích trong đó đại diện cho tọa độ đã cho. Bạn cũng có một biến trả lời . Bây giờ, chúng ta có thể kết hợp cả hai biến như:X=(X(s1),…,X(sn))X=(X(s1),…,X(sn)){\bf{X}} = \left(X(s_{1}),\ldots,X(s_{n})\right)sssY=(Y(s1),…,Y(sn))Y=(Y(s1),…,Y(sn)){\bf{Y}} = \left(Y(s_{1}),\ldots,Y(s_{n})\right) W(s)=(X(s)Y(s))∼N(μ(s),T)W(s)=(X(s)Y(s))∼N(μ(s),T){\bf{W}}({\bf{s}}) = \left( \begin{array}{ccc}X(s) \\ Y(s) \end{array} \right) \sim …
2
Làm thế nào để các chương trình như BUGS / JAGS tự động xác định phân phối có điều kiện để lấy mẫu Gibbs?
Có vẻ như các điều kiện đầy đủ thường khá khó để lấy được, nhưng các chương trình như JAGS và BUGS tự động lấy chúng. Ai đó có thể giải thích làm thế nào họ thuật toán tạo ra các điều kiện đầy đủ cho bất kỳ đặc tả …
1
R / mgcv: Tại sao các sản phẩm tenor te () và ti () tạo ra các bề mặt khác nhau?
Các mgcvgói cho Rcó hai chức năng cho phù hợp tương tác sản phẩm tensor: te()và ti(). Tôi hiểu sự phân công lao động cơ bản giữa hai người (phù hợp với sự tương tác phi tuyến tính so với việc phân tách tương tác này thành các hiệu ứng …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
Tại sao mật độ sau tỷ lệ thuận với chức năng khả năng mật độ lần trước?
Theo định lý của Bayes, . Nhưng theo văn bản kinh tế lượng của tôi, nó nói rằng . Tại sao nó như thế này? Tôi không hiểu tại sao bị bỏ qua.P(y|θ)P(θ)=P(θ|y)P(y)P(y|θ)P(θ)=P(θ|y)P(y)P(y|\theta)P(\theta) = P(\theta|y)P(y)P(θ|y)∝P(y|θ)P(θ)P(θ|y)∝P(y|θ)P(θ)P(\theta|y) \propto P(y|\theta)P(\theta)P(y)P(y)P(y)
1
Làm thế nào để xác định một phân phối sao cho rút ra từ nó tương quan với một phân phối từ một phân phối được chỉ định trước khác?
Làm cách nào để xác định phân phối của biến ngẫu nhiên sao cho một lần rút từ có tương quan với , trong đó là một lần rút từ một phân phối có hàm phân phối tích lũy ? YYYYYYρρ\rhox1x1x_1x1x1x_1FX(x)FX(x)F_{X}(x)
1
Chứng minh / Từ chối
Chứng minh / Từ chối E[1A|Ft]=0 or 1 a.s. ⇒E[1A|Fs]=E[1A|Ft] a.s.E[1A|Ft]=0 or 1 a.s. ⇒E[1A|Fs]=E[1A|Ft] a.s.E[1_A | \mathscr{F_t}] = 0 \ \text{or} \ 1 \ \text{a.s.} \ \Rightarrow E[1_A | \mathscr{F_{s}}] = E[1_A | \mathscr{F_t}] \ \text{a.s.} Cho một không gian xác suất lọc (Ω,F,{Fn}n∈N,P)(Ω,F,{Fn}n∈N,P)(\Omega, \mathscr{F}, \{\mathscr{F}_n\}_{n \in \mathbb{N}}, \mathbb{P}) …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.