«conditional-probability» 태그된 질문

다음을 해결하는 데 문제가 있습니다. 에이스를 얻을 때까지 교체하지 않고 표준 52 카드 데크에서 카드를 가져옵니다. 당신은 2를 얻을 때까지 남은 것에서 뽑습니다. 계속해서 3을 계속합니다. 시키는 것이 자연 스러웠다 Ti=first position of card whose value is iTi=first position of card whose value is iT_i = \text{first position of card …

12 self-study  conditional-probability  conditional-expectation  games  conditioning 

내 Naive Bayes bag o 'words 모델을 프로토 타이핑하고 있으며, 기능 확률 계산에 대한 질문이있었습니다. 두 가지 클래스가 있다고 가정 해 봅시다. 모든 사람들이 사용하는 스팸이기 때문에 스팸과 스팸 아님을 사용합니다. 그리고 "viagra"라는 단어를 예로 들어 봅시다. 트레이닝 세트에 10 개의 이메일, 5 개의 스팸 및 5 개의 비 스팸이 …

12 classification  conditional-probability  naive-bayes 

특정 값보다 낮은 경우 (예를 들어, 평균 값 미만) x가 정상적으로 분포되어 있으면 x의 예상 값을 찾을 수 있는지 궁금합니다.

12 normal-distribution  conditional-probability  expected-value 

피셔의 정확한 테스트를 더 잘 이해하고 싶기 때문에 f와 m이 남성과 여성에 해당하고 n과 y가 "소다 소비"에 해당하는 다음 장난감 예제를 고안했습니다. > soda_gender f m n 0 5 y 5 0 분명히 이것은 과감한 단순화이지만 컨텍스트가 방해되는 것을 원하지 않았습니다. 여기서 나는 남자들이 음료수를 마시지 않고 여자들은 음료수를 마시고 …

12 fishers-exact  hypergeometric  clustering  supervised-learning  modeling  econometrics  r  regression  residuals  heteroscedasticity  independence  distributions  self-study  matlab  libsvm  self-study  conditional-probability  conditional-expectation  hypothesis-testing  self-study  multiple-comparisons  mode  statistical-significance  chi-squared  multiple-comparisons  maximum-likelihood  poisson-process  optimization  uncertainty  genetic-algorithms  bayesian  model-selection  overfitting  maximum-likelihood  optimization  approximation  r  prediction  model-evaluation  r  machine-learning  survival  neural-networks  cox-model  machine-learning  bayesian  bayesian-network  hierarchical-bayesian  pooling 

누군가 다음과 같은 진술을하면 : "연기 환경 흡연에 노출 된 비 흡연자는 흡연에 노출되지 않은 비 흡연자에 비해 관상 동맥 심장 질환의 위험이 1.25 (95 % 신뢰 구간, 1.17-1.32)였습니다." 전체 인구에 대한 상대적 위험은 무엇입니까? 관상 동맥 심장병과 얼마나 많은 것들이 관련되어 있습니까? 테스트 할 수있는 수많은 것들 중에서 실제로 …

12 probability  statistical-significance  confidence-interval  conditional-probability  philosophical 

일 변량 밀도 에서 샘플링하고 싶지만 관계 만 알고 있습니다.에프엑스fXf_X 에프엑스( x ) = ∫에프엑스| 와이( x | y) f와이( y) d와이.fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. 나는 때문에, (직접 적분 표현에) MCMC의 사용을 피하고 싶은 및 f Y ( y ) 는 샘플링하기 쉽고 다음 샘플러를 사용하려고 생각했습니다.에프엑스| …

12 sampling  conditional-probability  monte-carlo  marginal 

방법은 랜덤 변수의 분포를 정의 할 등으로부터 연신 것을 Y를 갖는 상관 ρ 와 X 1 , X (1)는 누적 분포 함수 분포에서 하나의 무승부 F X ( X를 ) ? 와이와이Y와이와이Yρρ\rho엑스1엑스1x_1엑스1엑스1x_1에프엑스( x )에프엑스(엑스)F_{X}(x)

12 distributions  probability  correlation  random-variable  conditional-probability 

설명 변수 있고 여기서 는 주어진 좌표를 나타냅니다. 응답 변수 있습니다. 이제 두 변수를 다음과 같이 결합 할 수 있습니다.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 N(\boldsymbol{\mu}(s), T) 이 경우 간단히 μ(s)=(μ1μ2)Tμ(s)=(μ1μ2)T\boldsymbol{\mu}(s) = \left( \mu_{1} \; \; \mu_{2}\right)^{T} 를 선택하면 TTT 는 공분산 …

11 probability  bayesian  conditional-probability  gibbs 

전체 조건부처럼 도출하기가 종종 어려운 것처럼 보이지만 JAGS 및 BUGS와 같은 프로그램은 자동으로 유도합니다. 누군가 임의의 모델 사양에 대해 알고리즘 적으로 전체 조건을 생성하는 방법을 설명 할 수 있습니까?

11 bayesian  conditional-probability  jags  bugs  gibbs 

mgcv에 대한 패키지는 R텐서 제품의 상호 작용을 피팅에 대한 두 가지 기능이 있습니다 : te()와 ti(). 나는 둘 사이의 기본 노동 분열을 이해한다 (비선형 상호 작용에 적합하고이 상호 작용을 주요 효과와 상호 작용으로 분해). 내가 이해할 수없는 것은 왜 te(x1, x2)와 ti(x1) + ti(x2) + ti(x1, x2)(약간) 다른 결과가 발생할 …

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 

베이 즈 정리에 따르면 입니다. 그러나 내 계량 텍스트에 따르면 라고 말합니다 . 왜 이런가요? 가 무시되는 이유를 모르겠습니다 .P ( θ | Y ) α P ( Y | θ ) P ( θ ) P ( Y )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)

11 bayesian  conditional-probability  likelihood 

는 연속 랜덤 변수이고 는 이산 변수 라고 가정하십시오 . YYYXXXPr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y)Pr(X=x|Y=y)=Pr(X=x)Pr(Y=y|X=x)Pr(Y=y) \Pr(X=x|Y=y) = \frac{\Pr(X=x)\Pr(Y=y|X=x)}{\Pr(Y=y)} 아시다시피, 는 연속 랜덤 변수 이므로 입니다. 그리고 이것을 바탕으로 확률 가 정의되어 있지 결론을 내립니다 .Pr(Y=y)=0Pr(Y=y)=0\Pr(Y=y) = 0YYYPr(X=x|Y=y)Pr(X=x|Y=y)\Pr(X=x|Y=y) 그러나 Wikipedia는 여기서 실제로 다음과 같이 정의되어 있다고 주장 합니다. Pr(X=x|Y=y)=Pr(X=x)fY|X=x(y)fY(y)Pr(X=x|Y=y)=Pr(X=x)fY|X=x(y)fY(y) \Pr(X=x|Y=y) = \frac{\Pr(X=x) f_{Y|X=x}(y)}{f_Y(y)} 질문 : …

11 conditional-probability  pdf 

가정 XXX 및 YYY 평균 정상 변량이다 μ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2) 및 공분산 Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix} . \ Pr \ left (X &lt;Y | \ min \ left (X, Y \ right) \ right) 확률은 Pr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right)얼마입니까?

10 probability  normal-distribution  conditional-probability 

\newcommand{\P}{\mathbb{P}} 공정한 주사위를 던지고 있습니다. 1, 2 또는 3을 얻을 때마다 '1'을 기록합니다. 4를 얻을 때마다 '2'를 기록합니다. 5 또는 6을 얻을 때마다 '3'을 기록합니다. 내가 적어 모든 숫자의 곱에 필요한 총 던지기 수를 이라고합시다 . . 을 계산하거나 근사값을 정규 분포의 함수로 제공 할 수 있습니다.NNN≥100000≥100000\geq 100000P(N≥25)P(N≥25)\P(N\geq 25) 먼저 …

10 probability  normal-distribution  conditional-probability  multinomial  distributions 

증명 / 반증E[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.} 필터링 확률 공간이 주어 ,하자 .(Ω,F,{Fn}n∈N,P)(Ω,F,{Fn}n∈N,P)(\Omega, \mathscr{F}, \{\mathscr{F}_n\}_{n \in \mathbb{N}}, \mathbb{P})A∈FA∈FA \in \mathscr{F} 가정 이 따릅니 …

10 probability  conditional-probability  random-variable  filter