Als «probability» getaggte Fragen

Eine Wahrscheinlichkeit liefert eine quantitative Beschreibung des wahrscheinlichen Auftretens eines bestimmten Ereignisses.


1
Wie kann ein Algorithmus zur Vorhersage von Zeitreihen am besten bewertet werden?
Was ist die beste Vorgehensweise zum Trainieren und Bewerten eines Vorhersagealgorithmus für eine Zeitreihe? Zum Lernen von Algorithmen, die im Batch-Modus trainiert werden, kann ein naiver Programmierer den Rohdatensatz [(sample, expected prediction),...]direkt an die train()Methode des Algorithmus weitergeben . Dies zeigt normalerweise eine künstlich hohe Erfolgsrate, da der Algorithmus effektiv …

1
Erwartung von
Ich versuche den erwarteten Wert von zu finden e−xe−x e^{-x} wann xx xist logarithmisch normal. Ich weiß das wennx∼N(μ,σ)x∼N(μ,σ) x \sim N(\mu, \sigma) dann E[ex]=eμ+12σ2E[ex]=eμ+12σ2 E[e^x] = e^{\mu + \frac{1}{2}\sigma^2} , die Erwartung einer logarithmischen Normalität. Ich versuche, die Erwartung des Exponenten des Negativs einer logarithmischen Normalen zu finden: E[e−ex]E[e−ex] …

4
Magisches Urnenproblem
ADDENDUM: Zunächst einmal danke ich Ihnen allen für Ihre aufschlussreichen Antworten auf dieses Wochenende, das lustige Problem und insbesondere Mark L Stone für seinen ersten Kommentar. Ich vermisse wahrscheinlich den Punkt in einigen Antworten. In diesem Fall ändern Sie sie bitte leicht, damit ich sie sehe und sie gerne annehmen …



2
Verhältnisse von Wahrscheinlichkeiten zu Quoten
Angenommen, wir wissen, dass die Wahrscheinlichkeit, dass eine Frau in ein Programm und für Männer . Dann wissen wir:p=.7p=.7p=.7q=1−.7=.3q=1- -.7=.3q=1-.7=.3 odds(female)=.7/.3=2.33333Chancen(weiblich)=.7/..3=2.33333\mbox{odds}(\mbox{female}) = .7/.3 = 2.33333 odds(male)=.3/.7=.42857Chancen(männlich)=.3/..7=.42857\mbox{odds}(\mbox{male}) = .3/.7 = .42857 Wir könnten diese Informationen verwenden, um ein Quotenverhältnis zu berechnen: OR=2.3333/.42857=5.44OR=2.3333/.42857=5.44OR = 2.3333/.42857 = 5.44 Somit ist die Wahrscheinlichkeit, dass …


3
Bedingter erwarteter Wert des Produkts der Normal- und Log-Normalverteilung
Könnte jemand bitte die Antwort und die Schritte zur Lösung dieses Ausdrucks geben? E[(eXY+k)∣∣(eXY+k)&gt;0]E[(eXY+k)|(eXY+k)&gt;0]\begin{eqnarray*} E\left[\left.\left(e^{X}Y+k\right)\right|\left.\left(e^{X}Y+k\right)>0\right]\right. \end{eqnarray*} EEE ist der Erwartungsoperator. X∼N(μX,σ2X);Y∼N(μY,σ2Y);Xand Y are independent. Also, k&lt;0X∼N(μX,σX2);Y∼N(μY,σY2);Xand Y are independent. Also, k&lt;0\begin{eqnarray*} X\sim N\left(\mu_{X},\sigma_{X}^{2}\right);Y\sim N\left(\mu_{Y},\sigma_{Y}^{2}\right);X\;\text{and }Y\text{ are independent. Also, }k<0 \end{eqnarray*} KEY MISSING LINK Der obige Ausdruck hängt davon ab, ob …

1
Ausreichende Statistik für nicht exponentielle Familienverteilung
Frage: Sei eine iid-Stichprobe aus . Ich möchte zeigen, dass dieses Modell kein Mitglied der Exponentialfamilie ist, und eine ausreichende Statistik fürX1,X2,…,XnX1,X2,…,XnX_1,X_2,\ldots,X_nN(θ,4θ2)N(θ,4θ2)N(\theta , 4 \theta^2 )θθ\theta Versuch : f( x–– ;θ)=∏i=1n18πθ2−−−−√exp(−18θ2∑i=1n(xi−θ)2)=exp(ln(8πθ2)−n/2−18θ2∑i=1nx2i+14θ∑i=1nxi−n8)f( x_ ;θ)=∏i=1n18πθ2exp⁡(−18θ2∑i=1n(xi−θ)2)=exp⁡(ln⁡(8πθ2)−n/2−18θ2∑i=1nxi2+14θ∑i=1nxi−n8)\begin{align*} f(~\underline{x}~;\theta) &= \prod_{i=1}^n \frac{1}{\sqrt{8 \pi \theta^2}} \exp\left(\frac{-1}{8 \theta^2} \sum_{i=1}^n (x_i - \theta)^2\right)\\ &=\exp \left(\ln(8\pi \theta^2)^{-n/2}- \frac{1}{8 \theta^2}\sum_{i=1}^n …

2
Eine Frage zur effektiven Stichprobengröße in Lebenstabellen
Ich studiere derzeit grundlegende Methoden der Überlebensanalyse und bin auf diesen seltsamen Schätzer der effektiven Stichprobengröße in einem bestimmten Intervall gestoßen. Für das j-te Intervall ist der Schätzer gegeben durchn'jnj′n^{\prime}_j n'j=nj- -cj2nj′=nj−cj2n^{\prime}_j=n_j-\frac{c_j}{2} Dabei ist die Anzahl der Personen, bei denen zu Beginn des j-ten Intervalls das Risiko eines Todes besteht, …


2
Eine stetige Funktion einer Folge von Zufallsvektoren konvergiert mit der Wahrscheinlichkeit gegen die Funktion der Grenze
Satz: Wenn eine Folge von k-dimensionalen Zufallsvektoren st und wenn eine kontinuierliche Abbildung ist, dann ist .{Xn}{Xn}\{ X_n \}Xn→pXXn→pXX_n \overset{p}{\to} Xg:Rk→Rmg:Rk→Rmg: R^k \rightarrow R^mg(Xn)→pg(X)g(Xn)→pg(X)g(X_n) \overset{p}{\to} g(X) Beweis: Sei eine positive reelle Zahl. Dann geben wir ein wir haben KKKϵ&gt;0ϵ&gt;0\epsilon > 0 Ich verstehe nicht, warum einheitlich stetig ist und könnte …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.