タグ付けされた質問 「conditional-probability」

ある病気（DDD）の有病率 3100031000\dfrac3{1000}。また、ある症状（SSS）有病率（一般集団=その病気の人） Dおよびその疾患のない人（おそらく他の疾患にかかっているが、それは重要ではない））の 5100051000\dfrac5{1000}。以前の研究では、条件付き確率がP(S|D)=30%P(S|D)=30%P(S|D) = 30\% （症状が出る確率 SSS、病気を考えると DDD です 30%30%30\%）。 最初の質問：P(S|D)P(S|D)P(S|D) 症状の有病率と同等と解釈される SSS 病気にかかっている人々のグループで DDD？ 2番目の質問：Rでデータセットを作成します。 P(D|S)=P(S|D)P(D)P(S)P(D|S)=P(S|D)P(D)P(S)P(D|S) = \frac{P(S|D)P(D)} {P(S)} 私の架空のデータを使って、 P(D|S)=0.18P(D|S)=0.18P(D|S)=0.18、それはこのように解釈されます：症状のある患者がいる場合 SSS、彼が病気にかかっている確率 DDD です 18%18%18\%。 これを行う方法？sample関数を単純に使用すると、データセットには次の情報が不足しています。P(S|D)=30%P(S|D)=30%P(S|D)=30\%： symptom <- sample(c("yes","no"), 1000, prob=c(0.005, 0.995), rep=T) disease <- sample(c("yes","no"), 1000, prob=c(0.002, 0.998), rep=T) だから私の質問は：私が望む条件付き確率を含めて、良いデータセットを作成する方法は？ 編集：私の意見では、私の質問のため、私は同じ質問をstackoverflow.com（/programming/7291935/how-to-create-a-dataset-with-conditional-probability）にも投稿しましたR言語プログラムに継承されますが、統計理論にも継承されます。

8 r  probability  conditional-probability 

実験的処理変数に2つのレベル（条件）がある被験者内および項目内の要因計画を考えます。をm1最大モデルとm2非ランダム相関モデルにします。 m1: y ~ condition + (condition|subject) + (condition|item) m2: y ~ condition + (1|subject) + (0 + condition|subject) + (1|item) + (0 + condition|item) Dale Barr はこの状況について次のように述べています。 編集（2018年4月20日）：Jake Westfallが指摘したように、次のステートメントはこの Webサイトの図1および2に示されているデータセットのみを参照しているようです。ただし、基調講演は変わりません。 偏差コーディング表現（条件：-0.5 vs. 0.5）m2では、被験者のランダムな切片が被験者のランダムな傾きと無相関である分布が可能です。最大モデルのみm1が、2つが相関している分布を許可します。 治療コーディング表現（条件：0対1）では、被験者のランダム切片が被験者のランダムな傾きと無相関であるこれらの分布は、無作為相関モデルを使用してフィッティングできません。治療コード表現における勾配と切片。 なぜ治療コーディングは 常に ランダムな傾きと切片の間に相関関係が生じますか？

7 r  mixed-model  lme4-nlme  categorical-encoding  machine-learning  pandas  proportion  r  irt  distributions  conditional-probability  kernel-smoothing  r  data-visualization  r  mixed-model  sas  curve-fitting  matplotlib  data-visualization  python  matplotlib  regression  logistic  simulation  sas  jmp  logit  beta-regression  regression  maximum-likelihood  posterior 

私が持っていると仮定し、パラメータのポアソン分布から確率変数をIID。ことを考えると、正確確率何であるのゼロですか？X1,X2,X3,...XnX1,X2,X3,...XnX_1,X_2,X_3,...X_nλλ\lambdaX1+X2+X3+...+Xn=tX1+X2+X3+...+Xn=tX_1 +X_2+X_3 +...+X_n = tkkkX1,X2,X3,...XnX1,X2,X3,...XnX_1,X_2,X_3,...X_n - 私のアプローチ：あり、がゼロである結合確率質量関数を検討することから始めましたが、続行する方法がわかりませんここから。二項モデルを使用してk個のゼロがある確率を計算する場合、の合計に制約を課す方法がわかりません。X1+X2+X3+...+Xn=tX1+X2+X3+...+Xn=tX_1 +X_2+X_3 +...+X_n = tkkkX1,X2,X3,...XnX1,X2,X3,...XnX_1,X_2,X_3,...X_nXnXnX_n

7 probability  poisson-distribution  conditional-probability  sum 

バックグラウンド 一般的な偶然と、それにもかかわらず（不当に）平均的な人に印象を与える「近い」偶然を研究しています。以下の質問は、「2人が同じ誕生日を共有する確率が50％になるためには、ランダムに選択された人は何人必要か？」と尋ねる有名な誕生日問題の拡張です。答えはです。（実際には、誕生日が年間を通じて均一に分散されていないという事実を組み込むと、少し低くなりますが、代わりに特定の月に「まとまり」になり、2人が同じ誕生日を共有する可能性が高くなります。）条件を緩和し、同じ誕生日である、または1日だけ異なるという「ほぼ」の偶然を許可します。答えはに下がります。232323141414 以下は誕生日の問題の拡張ですが、もっと面白くて複雑です。 ランダムに選択されたアメリカ人のうち、2人がa）同じ州に住んでいる、またはb）同じまたは隣接した州に住んでいる可能性が50％になるには、どれくらいの数のアメリカ人が必要ですか？ 50の州とその人口のリストが与えられていると仮定します。 S={(AL,4.803M),(AK,0.738M),(AR,2.978M),…}S={(AL,4.803M),(AK,0.738M),(AR,2.978M),…}{\cal S} = \{ (AL, 4.803M), (AK, 0.738M), (AR, 2.978M), \ldots \} 状態隣接情報（自己隣接を含む）を含む隣接行列（または無向グラフ）と同様に、境界を共有します。MM{\bf M}ggg {(CA,CA),(CA,WA),(CA,NV),(CA,AZ),(AK,AK),(ME,NH),…}{(CA,CA),(CA,WA),(CA,NV),(CA,AZ),(AK,AK),(ME,NH),…}\{ (CA, CA), (CA, WA), (CA, NV), (CA, AZ), (AK, AK), (ME, NH), \ldots \}。 条件付き確率を使用して、確率的シミュレーションに頼らずにこの問題を計算することに注意してください。このような厳密なアプローチは原則に基づいており、非常に大きな問題に対してより自然に一般化されます。 a）へのアプローチは誕生日問題の一般化ですが、b）への回答は少し複雑に見えます。 私は方程式（と説明）だけを求めています。その後、国勢調査と地理データを使用して数値を計算できます。 ここで、確率的検索を通じて、b）への答えは（おそらく驚くべき）わずか3.5人であることに注意します。4人の場合、可能性はほぼ60％であり、少なくとも2人は同じ州または近隣の州からです。

7 conditional-probability  combinatorics  birthday-paradox 

LET（単一レートのポアソン過程におけるイベントの数であるの長さの間隔内で）。間隔内で少なくとも1つのイベントが観測されたことがわかっているので、間隔内にさらにイベントがある確率を見つけたいと思います。XTXTX_Tλ=1λ=1\lambda = 1TTT 私の直感は、です。Pr(XT>1∣XT>0)=Pr(XT>0)Pr(XT>1∣XT>0)=Pr(XT>0)\Pr(X_T > 1 \mid X_T > 0) = \Pr(X_T > 0) 背後にある理論的根拠は 観測されたイベントが間隔の最初から時間tにあった場合、（0、t）または（t、T）の開いた間隔でtttイベントが発生しなかった確率を計算するだけで十分です：\ Pr（X_T = 1 \ mid X_T> 0）= \ Pr（X_t = 0）\ Pr（X_ {Tt} = 0）= e ^ {-t} e ^ {t-T} = e ^ {-T} = \ Pr（X_T = 0 ）、(0,t)(0,t)(0, t)(t,T)(t,T)(t, T)Pr(XT=1∣XT>0)=Pr(Xt=0)Pr(XT−t=0)=e−tet−T=e−T=Pr(XT=0)Pr(XT=1∣XT>0)=Pr(Xt=0)Pr(XT−t=0)=e−tet−T=e−T=Pr(XT=0)\Pr(X_T = …

7 self-study  conditional-probability  poisson-process  paradox 

確率的リグレッサがある場合、固定されているが未知の確率分布から、いわゆるランダムサンプルである束に対してランダムペアを描画します。理論的には、ランダムサンプルを使用すると、分布いくつかのパラメーターについて学習または推定できます。（y私、バツ⃗ 私）(yi、x→私）(y_i,\vec{x}_i)私私i（y、バツ⃗ ）(y、バツ→）(y,\vec{x})（y、バツ⃗ ）（y、バツ→）(y,\vec{x}) 理論的に言えば、固定回帰子がある場合、 条件付き分布に関する特定のパラメーター、つまり、各が確率変数ではない、または固定されているのみを推測できます。より具体的には、確率リグレッサでは分布全体の一部のパラメータを推定できますが、固定リグレッサでは条件付き分布特定のパラメータのみを推定できます。kkky|バツ私y|バツ私y\mid x_i私は= 1 、2 、... 、K私=1、2、…、ki=1,2,\dots,kバツ私バツ私x_i（y、バツ⃗ ）（y、バツ→）(y,\vec{x})（y、バツ私→）∣バツ私（y、バツ私→）|バツ私(y,\vec{x_i})\mid x_i その結果、固定リグレッサをディストリビューション全体に一般化することはできません。たとえば、サンプルに固定リグレッサとしてしかない場合またはについては推論できませんが、確率リグレッサは推論できます。x=1,2,3,…,99バツ=1、2、３、…、99x=1,2,3,\dots,9910010010099.999.999.9 多くの教科書は数学的導出の違いについてのみ述べているが、理論的に一般化できる程度の違いについては議論しないので、これは実際にはかなりあいまいな質問です。私は統計学の教授に助けを求めましたが、彼は答えを知りません。

7 regression  distributions  conditional-probability  stochastic-processes  likelihood 

この例に出くわしたとき、私は限界密度に関するチュートリアルを読んでいました（言い換え）。 人が通りを横断しているときに、信号機の色に応じて、通過する車にぶつかる確率を計算したいとします。 Hが人に命中するかどうかを、Lを信号の色とする。 したがって、およびです。H={hit, not hit}H={hit, not hit}H = \{\text{hit, not hit} \}L={red, yellow, green}L={red, yellow, green}L = \{\text{red, yellow, green} \} ライトが赤である場合にヒットする確率は、と書くことができます。明らかにこれは条件付き確率です。P(H=hit|L=red)P(H=hit|L=red)P(H = \text{hit}| L = \text{red}) ライトが何であってもヒットする確率は、ように書くことができます。私が最近理解したように、これは限界です。P(H=hit)P(H=hit)P(H = \text{hit}) どのように言うことができます：。これは同時確率です。それをどのように「素人の文」に翻訳しますか？「当たる確率が赤く光る」とどう違うの？P(H,L)P(H,L)P(H,L) あなたの洞察をありがとう。

7 conditional-probability  joint-distribution 

私はこの謎がインターネットでラウンドをしているのを見ました：https : //ed.ted.com/lessons/can-you-solve-the-frog-riddle-derek-abbott 要約すれば; 50:50の比率で発生するオス：メスのカエルの個体数があります。あなたの近くに地面の2つのパッチがあり、1つは1つのカエルを含み、もう1つは2つのカエルを含みます。あなたの生存は、これらの2つのパッチの1つでメスのカエルを見つけることに依存しますが、1つの試みしかできません。2つのカエルがいるパッチのカエルの1つがオスであることを知っていることを除いて、どのカエルがどれであるかを事前に知ることはできません。 謎を解くには、1匹のカエルが女性である確率は50％ですが、2匹のカエルの1つが女性である確率は2/3（67％）です。男性と女性のペアには4つの組み合わせがあると説明されています。1つはカエルが男性であることがわかっているため除外されます。したがって、ペアで2/3の組み合わせでメスのカエルが見つかり、見つからない場合は1/3です。 確率は私には間違っているようです。これが事実である理由を誰かが明確にできますか？ 私が見逃している質問のフレーミングに微妙にあると思います。 私が問題を読んでいるとき、私たちは2つのオプションを選択できます。どちらも、1匹のカエルがオスかメスかを単に50:50の確率で示します。ペアのどのカエルが確実に男性であるかを知らなくても、もう一方のカエルの確率に影響はありません。 私が間違っているのなら、その理由を本当に理解したいと思います。

7 probability  conditional-probability