タグ付けされた質問 「self-study」

クラスまたは自習用に使用される教科書、コース、またはテストからの定期的な練習。このコミュニティのポリシーは、完全な回答ではなく、そのような質問に「役立つヒントを提供する」ことです。

5
Coxの2つのルールからP(C | A + B)を導出する
私はETジェインズの本の確率論-科学の論理-を通して自分のやり方(自習)をしています 元の問題 演習2.1では、「[式類似した一般式を見つけることはできますか ]積と合計のルールから。そうである場合はそれを導き出し、そうでない場合は、これを実行できない理由を説明してください。」p (C| A+B)p(C|A+B)p(C|A+B)p (A + B | C)= p (A | C)+ p (B | C)− p (A B | C)p(A+B|C)=p(A|C)+p(B|C)−p(AB|C)p(A+B|C)=p(A|C)+p(B|C)-p(AB|C) ギブンズ 私が使用しなければならないルールは次のとおりです。 p (A B | C)= p (A | C)p (B | A C)= p (B | C)p (A | B C)p(AB|C)=p(A|C)p(B|AC)=p(B|C)p(A|BC)p(AB | C) = …

3
2SLSの分散がOLSの分散よりも大きいのはなぜですか?
... 2SLSおよびその他のIV手順を適用する際のもう1つの潜在的な問題は、2SLS標準誤差が「大きくなる」傾向があることです。このステートメントが通常意味するのは、2SLS係数が統計的に有意でないか、2SLS標準であることです。エラーは、OLSの標準エラーよりもはるかに大きくなります。当然のことながら、2SLS標準誤差の大きさは、とりわけ、推定に使用される計測器の品質に依存します。 この引用は、Wooldridgeの「断面およびパネルデータの計量分析」からのものです。なぜこれが起こるのでしょうか?数学的な説明をお願いします。 OLSの(推定)漸近分散簡単のためhomoskedasticityを想定推定によって与えられる 、一方2SLS推定量の場合 ここで、 Avarˆ(β^OLS)=nσ2(X′X)−1Avar^(β^OLS)=nσ2(X′X)−1\widehat{Avar}(\hat{\beta}_{OLS}) = n\sigma^2(X'X)^{-1}Avarˆ(β^2SLS)=nσ2(X^′X^)−1Avar^(β^2SLS)=nσ2(X^′X^)−1\widehat{Avar}(\hat{\beta}_{2SLS}) = n\sigma^2(\hat{X}'\hat{X})^{-1}X^=PzX=Z(Z′Z)−1Z′X.X^=PzX=Z(Z′Z)−1Z′X.\hat{X} = P_zX = Z(Z'Z)^{-1}Z'X. XXXは、内生変数を含むリグレッサの行列であり、は、インストルメンタル変数の行列です。ZZZ したがって、2SLSの分散を書き換えると、 Avarˆ(β^2SLS)=nσ2(X′Z(Z′Z)−1Z′X)−1.Avar^(β^2SLS)=nσ2(X′Z(Z′Z)−1Z′X)−1.\widehat{Avar}(\hat{\beta}_{2SLS}) = n\sigma^2\left(X'Z(Z'Z)^{-1}Z'X\right)^{-1}. ただし、上記の式からと結論付けることはできません。Avarˆ(β^2SLS)≥Avarˆ(β^OLS)Avar^(β^2SLS)≥Avar^(β^OLS)\widehat{Avar}(\hat{\beta}_{2SLS}) \geq \widehat{Avar}(\hat{\beta}_{OLS})

3
正規分布
残念ながら、どこから始めればよいかわからないという統計上の問題があります(私は独力で勉強しているので、何かがわからなければ、誰にも尋ねることができません。 質問は iid N (a 、b 2); a = 0 ; b 2 = 6 ; v a r (X 2 + Y 2)= ?バツ、YX,YX,YN(a 、b2); a = 0 ; b2= 6 ; v a r (X2+ Y2)= ?N(a,b2);a=0;b2=6;var(X2+Y2)=?N(a,b^2); a=0; b^2=6; var(X^2+Y^2)=?

1
分布を制限しています
ましょう(Xn)(バツん)(X_n) IIDの配列であるN(0,1)N(0、1)\mathcal N(0,1)ランダム変数。定義S0=0S0=0S_0=0及びSn=∑nk=1XkSn=∑k=1nXkS_n=\sum_{k=1}^n X_kためのn≥1n≥1n\geq 1。1の極限分布を見つける1n∑k=1n|Sk−1|(X2k−1)1n∑k=1n|Sk−1|(Xk2−1)\frac1n \sum_{k=1}^{n}|S_{k-1}|(X_k^2 - 1) この問題は、中心極限定理の章にある、確率論の問題集にあります。 以降Sk−1Sk−1S_{k-1}とXkXkX_k、独立しているE(|Sk−1|(X2k−1))=0E(|Sk−1|(Xk2−1))=0E(|S_{k-1}|(X_k^2 - 1))=0とV( | Sk − 1|(X2k− 1 ))= E(S2k − 1(X2k− 1 )2)= E(S2k − 1)E(X2k− 1 )2)= 2 (k − 1 )V(|Sk−1|(バツk2−1))=E(Sk−12(バツk2−1)2)=E(Sk−12)E(バツk2−1)2)=2(k−1)V(|S_{k-1}|(X_k^2 - 1)) = E(S_{k-1}^2(X_k^2 - 1)^2)= E(S_{k-1}^2)E(X_k^2 - 1)^2) =2(k-1) ことに注意してください| Sk − 1| (X2k− 1 )|Sk−1|(バツk2−1)|S_{k-1}|(X_k^2 …

1
エフロンとハスティの「コンピュータ時代統計推論」の姿を再現
私の質問の要約版 (2018年12月26日) EfronとHastieによるComputer Age Statistical Inferenceから図2.2を再現しようとしていますが、理解できない何らかの理由で、数値が本の数値と一致していません。 観測データ 2つの可能な確率密度関数、帰無仮説密度と代替密度間で決定しようとしていると仮定します。テストルールは、データを観測することを選択するまたはを示します。このようなルールには、2つの頻度エラーの確率が関連付けられています。実際にが生成したときに選択すること、およびその逆xxxf0(x)f0(x)f_0\left(x\right)f1(x)f1(x)f_1\left(x\right)t(x)t(x)t\left(x\right)000111xxxf1f1f_1f0f0f_0xxx α = Prf0{ t (x )= 1 } 、α=Prf0{t(バツ)=1}、 \alpha = \text{Pr}_{f_0} \{t(x)=1\}, β= Prf1{ t (x )= 0 } 。β=Prf1{t(バツ)=0}。 \beta = \text{Pr}_{f_1} \{t(x)=0\}. ましょうである尤度比、L (x )L(バツ)L(x) L (x )= f1(x )f0(x )L(バツ)=f1(バツ)f0(バツ) L(x) = \frac{f_1\left(x\right)}{f_0\left(x\right)} したがって、Neyman–Pearson補題は、形式のテストルールが最適な仮説テストアルゴリズムであると述べています。tc(x )tc(バツ)t_c(x) tc(x )= { …

2
Aさんは、一様分布からランダムに数値を選択します。それからB氏は繰り返し、そして独立して、数字を描きます
Aさんは、一様分布からランダムに数値を選択します。次に、B氏はの一様分布から、独立して、繰り返し描画し、 より大きい数値を取得して停止します。与えられた場合、B氏が描く数の予想される合計は、等しいですか?XXX[0,1][0,1][0, 1][ 0 、1 ] XY1,Y2,...Y1,Y2,...Y_1, Y_2, ...[0,1][0,1][0, 1] X=xX2X2\frac{X}{2}X=xX=xX = x これに対する答えはです。パラメータ幾何分布に従うドロー数のランダム変数としてをとることにより、予想されるドロー数をとして取得しました。しかし、予想される合計を計算する方法がわかりません。任意の助けいただければ幸いです。1(2−x)1(2−x)\frac{1}{(2-x)}Z p = 1 − xln4ln4ln 4ZZZp=1−x2p=1−x2p= 1 - \frac{x}{2}YiYiY_{i}

1
とがPDFでiidである場合の分布
私は次の問題に取り組んでいます: LET及び一般的な密度を有する独立したランダム変数である。してみましょうU = \分(X、Y)とV = \ MAX(X、Y) 。(U、V)の結合密度を求め、したがってU + Vの確率密度関数を求めます。XXXYYYf(x)=αβ−αxα−110&lt;x&lt;βf(x)=αβ−αxα−110&lt;x&lt;βf(x)=\alpha\beta^{-\alpha}x^{\alpha-1}\mathbf1_{0<x<\beta}α⩾1α⩾1\alpha\geqslant1U=min(X,Y)U=min(X,Y)U=\min(X,Y)V=max(X,Y)V=max(X,Y)V=\max(X,Y)(U,V)(U,V)(U,V)U+VU+VU+V U+V=X+YU+V=X+YU+V=X+Y、私は単にのPDFファイルを見つけることができますX+YX+YX+YのPDFものを見るためにU+VU+VU+Vなければなりません。 T = X + Yのpdf T=X+YT=X+YT=X+YがfT(t)=∫f(t−y)f(y)dy=α2β−2α∫min(t,β)max(t−β,0)(y(t−y))α−1dy10&lt;t&lt;2β(1)(1)fT(t)=∫f(t−y)f(y)dy=α2β−2α∫max(t−β,0)min(t,β)(y(t−y))α−1dy10&lt;t&lt;2βf_T(t)=\int f(t-y)f(y)\,\mathrm{d}y=\alpha^2\beta^{-2\alpha}\int_{\max(t-\beta,0)}^{\min(t,\beta)}(y(t-y))^{\alpha-1}\,\mathrm{d}y\,\mathbf1_{0<t<2\beta}\tag{1} ただし、その積分を単純化できるかどうかはわかりません。 実際の質問に戻ってくるの関節PDF (U,V)(U,V)(U,V)によって与えられます。 fU,V(u,v)=2f(u)f(v)10&lt;u&lt;v&lt;β=2α2β−2α(uv)α−110&lt;u&lt;v&lt;βfU,V(u,v)=2f(u)f(v)10&lt;u&lt;v&lt;β=2α2β−2α(uv)α−110&lt;u&lt;v&lt;βf_{U,V}(u,v)=2f(u)f(v)\mathbf1_{0<u<v<\beta}=2\alpha^2\beta^{-2\alpha}(uv)^{\alpha-1}\mathbf1_{0<u<v<\beta} 変数(U,V)→(W,Z)(U,V)→(W,Z)(U,V)\to(W,Z)ましたW=U+VW=U+VW=U+VおよびZ=UZ=UZ=Uです。ヤコビアンの絶対値は1です。また、0&lt;u&lt;v&lt;β⟹0&lt;z&lt;w2&lt;β0&lt;u&lt;v&lt;β⟹0&lt;z&lt;w2&lt;β0<u<v<\beta\implies 0<z<\frac{w}{2}<\betaです。したがって、Wの限界pdf WWWは fW(w)=2α2β−2α∫w/20(z(w−z))α−1dz10&lt;w&lt;2β(2)(2)fW(w)=2α2β−2α∫0w/2(z(w−z))α−1dz10&lt;w&lt;2βf_W(w)=2\alpha^2\beta^{-2\alpha}\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}\,\mathbf1_{0<w<2\beta}\tag{2} 確率変数の適切なサポートで、いくつかのエラーを犯した可能性があります。また、積分が基本関数の観点から解を持たない可能性もあります。いずれにしても、積分を進めることができませんでした。したがって、がと同じpdf であることを確認することさえできませんでした。と分布が異なるようです。そして、好奇心から、の分布には名前がありますか(その場合、そのような2つの確率変数のたたみ込みを検索したでしょう)。W=U+VW=U+VW=U+VT=X+YT=X+YT=X+YWWWTTTXXX 編集。 手で取得した最後の積分を続行 ∫w/20(z(w−z))α−1dz=w2α−1∫1/20tα−1(1−t)α−1dt=w2α−1I1/2(α,α)B(α,α)∫0w/2(z(w−z))α−1dz=w2α−1∫01/2tα−1(1−t)α−1dt=w2α−1I1/2(α,α)B(α,α)\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}=w^{2\alpha-1}\int_0^{1/2}t^{\alpha-1}(1-t)^{\alpha-1}\,\mathrm{dt}=w^{2\alpha-1}I_{1/2}(\alpha,\alpha)B(\alpha,\alpha)ここで、は正則化された不完全ベータ関数です。プロパティ、を取得します。最後に、IxIxI_{x}Ix(a,b)=1−I1−x(b,a)Ix(a,b)=1−I1−x(b,a)I_x(a,b)=1-I_{1-x}(b,a)I1/2(α,α)=12I1/2(α,α)=12I_{1/2}(\alpha,\alpha)=\frac{1}{2}∫w/20(z(w−z))α−1dz=12w2α−1B(α,α)∫0w/2(z(w−z))α−1dz=12w2α−1B(α,α)\int_0^{w/2}(z(w-z))^{\alpha-1}\,\mathrm{dz}=\frac{1}{2}w^{2\alpha-1}B(\alpha,\alpha) これは、 fW(w)=α2β−2αB(α,α)w2α−110&lt;w&lt;2βfW(w)=α2β−2αB(α,α)w2α−110&lt;w&lt;2βf_W(w)=\alpha^2\beta^{-2\alpha}B(\alpha,\alpha)w^{2\alpha-1}\mathbf1_{0<w<2\beta} これがの特定の範囲内の密度ではないことは容易にわかります。だから、どこかで大きな間違いをしたような気がします。Mathematicaで計算を確認しましたが、彼らは同意しているようです。www

1
MAPがMLEに収束するのはなぜですか?
ケビンマーフィーの「機械学習:確率論的視点」の3.2章では、著者は「数値ゲーム」と呼ばれる例でベイズの概念学習を示していからサンプルを観察した後、サンプルを生成したルールを最もよく表す仮説を選びます。たとえば、「偶数」または「素数」。{ 1 、。。。、100 } 時間NNN{ 1 、。。。、100 }{1、。。。、100}\{1,...,100\}hhh 最大事後推定と最尤推定は次のように定義されます。 h^M A P= arg最高h p (D | h )p (h )= arg最高h[ ログp (D | h )+ ログp (h )] 、h^MあP=arg⁡最高h p(D|h)p(h)=arg⁡最高h[ログ⁡p(D|h)+ログ⁡p(h)]、\hat h_\mathrm{MAP}={\arg\max}_h\ p(\mathcal{D}|h)p(h)={\arg\max}_h[\log p(\mathcal{D}|h)+\log p(h)], h^M L E= arg最高h p (D | h )= arg最高hログp (D | h )、h^MLE=arg⁡最高h p(D|h)=arg⁡最高hログ⁡p(D|h)、\hat …

2
十分な統計量が最小限では不十分であることをどのように示すか?
私の宿題の問題は、特定の統計が一般に最小限では不十分である反例を示すことです。この特定の統計の特定の反例を見つけることの詳細に関係なく、これは私に次の質問を引き起こします: 質問:十分な統計量が条件を満たしていることを証明できる方法で、最小の十分な統計量ではないという条件をどのように定式化できますか? これまでのところ:私の教科書(Keener、Theoretical Statistics:Topics for a Core Course)での最小の十分な統計量の定義は次のとおりです。 統計量は、が十分であれば最小で十分であり、十分な統計量ごとに、 aeような関数が存在します。T 〜T F T = F (〜T)PTTTTTTT~T~\tilde{T}fffT=f(T~)T=f(T~)T = f(\tilde{T})PP\mathcal{P} (ae)は、統計モデル、すべての確率分布について、等式が失敗するセットがnullセットであることを意味します。 P P P ∈ PPP\mathcal{P}PPPPP\mathcal{P}P∈PP∈PP \in \mathcal{P} これを否定しようとすると、私は次の場所に到着します: 統計値は、以下の少なくとも1つが成り立つ場合、最小値ではありません。 TTT TTTは十分ではありません。 aeような関数が存在しない、少なくとも1つの十分な統計 が存在します。T~T~\tilde{T}T = F (〜T)PfffT=f(T~)T=f(T~)T = f(\tilde{T})PP\mathcal{P} したがって、統計が十分である場合、たとえそれが十分に不十分でなくても、統計が十分ではないことを示すことは非常に難しいようです。(1が偽であるため、1が、代わりに1の2を表示しなければならないので-しかし、1つは、反例の統計がある場合でも、ので、2が示すのは非常に難しいだろう念頭に置いて、1はまだ持っています非存在表示する任意のそのプロパティと機能を。そして、非存在は示すことは困難であることが多いです。)T~T~\tilde{T} 私の教科書では、統計が最小の十分な統計となるための同等の(つまり、必要かつ十分な)条件を示していません。(十分な統計であることに加えて)統計が最小の十分な統計となるための代替の必要条件さえも与えません。 したがって、私の宿題の問題で、統計が不十分であることを示すことができない場合(それが原因で)、統計が十分でないことをどのようにして示すことができますか?

1
単純なマトリックス結果の検証を要求する
仮定であるK × 1確率変数のベクトル。次にしてください確認しているE X "(E X X ")- 1 E X ≤ 1。バツXXk × 1k×1k\times 1Eバツ』(Eバツバツ』)− 1Eバツ≤ 1EX′(EXX′)−1EX≤1EX^{\prime}(EXX^{\prime})^{-1}EX\leq 1 ときこれは、よく知られた結果である(E X )2 ≤ E X 2。しかし、これを一般的にどのように主張するのでしょうか?K= 1K=1K=1(EX)2≤EX2(EX)2≤EX2(EX)^{2}\leq EX^{2}

3
どのように計算できますか?
が連続分布関数からのランダムサンプルであると仮定します。ましょから独立しさん。どのように計算できますか?Y1、… 、Yn + 1Y1、…、Yん+1Y_1,\dots,Y_{n+1}FFFバツ〜U N I Fo r m {1、…、n}バツ〜Uん私forメートル{1、…、ん}X\sim\mathrm{Uniform}\{1,\dots,n\}Y私Y私Y_iE[ ∑バツi = 1私{ Y私≤ Yn + 1}]E[Σ私=1バツ私{Y私≤Yん+1}]\mathrm{E}\!\left[\sum _{i=1}^X I_{\{Y_i\leq Y_{n+1}\}}\right]


2
エレクトロニクス企業は、95%の時間正常に動作するデバイスを製造しています
エレクトロニクス企業は、95%の時間正常に動作するデバイスを製造しています。新しいデバイスは400の箱で出荷されます。会社は、箱ごとにk以上のデバイスが機能することを保証したいと考えています。ボックスの少なくとも95%が保証を満たすための最大のkは何ですか? 試行:この問題には中央極限定理を使用する必要があることはわかっていますが、各ボックスには400個のデバイスがあり、ボックスの数は不明であるため、セットアップにどのNが必要かはわかりません。誰かがセットアップのヒントを教えてくれませんか?ありがとう!

1
積分できない確率変数を使用したCLT
Klenkeの「Probability Theory:A Comprehensive Course」の演習15.5.1は次のように解釈されます。配列検索有する独立した実際の確率変数のを全てについてよう このケースで平均が定義されていない場合、これがどのように可能かはわかりません。未定義の平均値を持つ変数について考えることができるすべてのケースは、スケーリングを使用した中心極限定理を満たしていません。どんな助けでもありがたいです。E [ | X n | ] = ∞ N ∈ N X 1 + ⋯ + X NX1,X2,…X1,X2,…X_1, X_2, \ldotsE[|Xn|]=∞E[|Xn|]=∞\mathbb{E}[|X_n|]=\inftyn∈Nn∈Nn\in \mathbb{N}√X1+⋯+Xnn−−√⟹n→∞N(0,1).X1+⋯+Xnn⟹n→∞N(0,1). \frac{X_1+ \cdots + X_n}{\sqrt{n}} \stackrel{n \to \infty}{\Longrightarrow} N(0,1). n−−√n\sqrt{n}

2
場合
教科書で以下を見ましたが、その概念を理解するのに苦労しました。は通常E(X n)= 0およびVar(X n)= 1で分布することを理解していますバツんXnX_nバツんXnX_nバツんXnX_n。1ん1n\frac{1}{n} ただし、に√を乗算する理由がわかりません バツんXnX_n は、標準の標準にします。ん−−√n\sqrt n

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.