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
Aが[8,10]で均一に分布し、[9,11]でBが均一に分布している場合、B <Aである確率はどれくらいですか?
この質問はインタビューで聞かれましたが、最初は正しく答えられませんでしたが、私の解釈は正しいと思われます。問題は: AとBの2つの配送トラックがあります。Aは午前8時から10時の間に配達を行い、Bは午前9時から11時の間に配達を行います。配送は両方に均一に分配されます。Bからの特定の配信がAからの配信の前に行われる確率はどのくらいですか? あなたの答えは何ですか、そしてなぜですか?

1
MLE of
LET PDFファイルとの分布からのランダムサンプルである X1,X2,X3,...,XnX1,X2,X3,...,XnX_{1},X_{2},X_{3},...,X_{n}f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ&gt;0f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ&gt;0f(x;\alpha,\theta)=\frac{e^{-x/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x^{\alpha-1}I_{(0,\infty)}(x ),\alpha,\theta>0 およびの最尤推定量をます。ましょうαα\alphaθθ\thetaΨ(α)=dΓ(α)dαΨ(α)=dΓ(α)dα\Psi(\alpha)=\frac{d\Gamma(\alpha)}{d\alpha} 私の試み、 L(α,θ)===∏i=1nf(xi)∏i=1ne−xi/θθαΓ(α)xα−1i1Γn(α)⋅θnα(∏i=1nxi)α−1exp(−∑i=1nxiθ)L(α,θ)=∏i=1nf(xi)=∏i=1ne−xi/θθαΓ(α)xiα−1=1Γn(α)⋅θnα(∏i=1nxi)α−1exp⁡(−∑i=1nxiθ)\begin{eqnarray*} \mathcal{L}(\alpha,\theta)&=&\prod_{i=1}^{n}f(x_i)\\ &=&\prod_{i=1}^{n}\frac{e^{-x_i/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x_i^{\alpha-1}\\ &=&\frac{1}{\Gamma^{n}(\alpha)\cdot \theta^{n \alpha}}(\prod_{i=1}^{n}x_i)^{\alpha-1}\exp(-\sum_{i=1}^{n}\frac{x_i}{\theta}) \end{eqnarray*} ℓ(α,θ)δℓ(α,θ)δθ1θ2∑i=1nxiθ^=====−nlog(Γ(α))−nαlog(θ)+(α−1)∑i=1nlog(xi)−1θ∑i=1nxi−nαθ+1θ2∑i=1nxi=0nαθ∑ni=1xinα1αx¯ℓ(α,θ)=−nlog⁡(Γ(α))−nαlog⁡(θ)+(α−1)∑i=1nlog⁡(xi)−1θ∑i=1nxiδℓ(α,θ)δθ=−nαθ+1θ2∑i=1nxi=01θ2∑i=1nxi=nαθθ^=∑i=1nxinα=1αx¯\begin{eqnarray*} \ell(\alpha,\theta)&=&-n\log(\Gamma(\alpha))-n\alpha\log(\theta)+(\alpha-1)\sum_{i=1}^{n}\log(x_i)-\frac{1}{\theta}\sum_{i=1}^{n}x_i\\ \frac{\delta \ell(\alpha,\theta)}{\delta \theta}&=&-\frac{n\alpha}{\theta}+\frac{1}{\theta^2}\sum_{i=1}^{n}x_i=0\\ \frac{1}{\theta^2}\sum_{i=1}^{n}x_i&=&\frac{n\alpha}{\theta}\\ \hat{\theta}&=&\frac{\sum_{i=1}^{n}x_i}{n\alpha}\\ &=&\frac{1}{\alpha}\bar{x}\\ \end{eqnarray*} dℓ(α,θ^)dαlog(α)−Γ′(α)Γ(α)===−n⋅Γ′(α)Γ(α)−nlog(1αx¯)+∑i=1nlog(xi)=0−n⋅Γ′(α)Γ(α)+nlog(α)−nlog(x¯)+∑i=1nlog(xi)=0log(x¯)−∑ni=1log(xi)ndℓ(α,θ^)dα=−n⋅Γ′(α)Γ(α)−nlog⁡(1αx¯)+∑i=1nlog⁡(xi)=0=−n⋅Γ′(α)Γ(α)+nlog⁡(α)−nlog⁡(x¯)+∑i=1nlog⁡(xi)=0log⁡(α)−Γ′(α)Γ(α)=log⁡(x¯)−∑i=1nlog⁡(xi)n\begin{eqnarray*} \frac{d \ell(\alpha,\hat{\theta})}{d\alpha}&=&\frac{-n \cdot \Gamma'(\alpha)}{\Gamma(\alpha)}-n\log(\frac{1}{\alpha}\bar{x})+\sum_{i=1}^{n}\log(x_i)=0\\ &=&\frac{-n \cdot \Gamma'(\alpha)}{\Gamma(\alpha)}+n\log(\alpha)-n\log(\bar{x})+\sum_{i=1}^{n}\log(x_i)=0\\ \log(\alpha)-\frac{\Gamma'(\alpha)}{\Gamma(\alpha)}&=&\log(\bar{x})-\frac{\sum_{i=1}^{n}\log(x_i)}{n} \end{eqnarray*} を見つけることができなくなった。第二に、質問で与えられているように、\ Psi(\ alpha)= \ frac {d \ Gamma(\ alpha)} {d \ alpha}の使い方がわかりません。誰かが私にそれを説明できることを願っています。αα\alphaΨ(α)=dΓ(α)dαΨ(α)=dΓ(α)dα\Psi(\alpha)=\frac{d\Gamma(\alpha)}{d\alpha} 前もって感謝します。

1
表示とを独立している:この教科書の問題に対する解決策を求めています
では一般化線形モデルへの紹介は以下のようドブソンとバーネットによって、運動1.4b&Cは次のようになります。 ましょう独立したランダム分布と各変数である。およびましょう。...Y1,...,YnY1,...,YnY_1,...,Y_nN(μ,σ2)N(μ,σ2)N(\mu,\sigma^2)Y¯¯¯¯=1n∑ni=1YiY¯=1n∑i=1nYi\overline{Y}=\frac{1}{n}\sum_{i=1}^{n}Y_iS2=1n−1∑ni=1(Yi−Y¯¯¯¯)2S2=1n−1∑i=1n(Yi−Y¯)2S^2=\frac{1}{n-1}\sum_{i=1}^{n}(Y_i-\overline{Y})^2 b。示すことS2=1n−1[∑ni=1(Yi−μ)2−n(Y¯¯¯¯−μ)2]S2=1n−1[∑i=1n(Yi−μ)2−n(Y¯−μ)2]S^2 = \frac{1}{n-1}[\sum_{i=1}^{n}(Y_i-\mu)^2-n(\overline{Y}-\mu)^2] c。(b)から、。これにより、どのようにしてとが独立していると推測できますか?∑(Yi−μ)2/σ2=(n−1)S2/σ2+[(Y¯¯¯¯−μ)2n/σ2]∑(Yi−μ)2/σ2=(n−1)S2/σ2+[(Y¯−μ)2n/σ2]\sum(Y_i-\mu)^2/\sigma^2 = (n-1)S^2/\sigma^2+[(\overline{Y}-\mu)^2n/\sigma^2] Y¯¯¯¯Y¯\overline{Y} S2S2S^2 私の問題は、cの式で太字の質問にどのように答えられるかわからないことです。 私は2つが一般に独立していることを証明する方法を知っています(以前に尋ねられました)。 さらに、私が解決策を見ると、彼らは言う: (c)と(d)はp.10の結果から続きます 10ページの使用の最も近いものは、カイ二乗分布の生殖財産であり、ない場合にのみif文なので、私はそれがここで使用することができないと思います。 だから私の質問は、c)の方程式が独立性を証明するのにどのように役立つのですか?

1
t学生のエラーがあるARMAプロセスの無条件分布
でモデルの誤差が正規分布を持つ場合、無条件の分布ノーマルです。エラーに自由度のt学生分布がある場合。の無条件分布とは何ですか?Yt∼ARMA(p,q)Yt∼ARMA(p,q)Y_t\sim ARMA(p,q)YtYtY_tνν\nuYtYtY_t したがって、 whereです。Yt=ϕ1Yt−1+⋯+ϕpYt−p+et−θ1et−1−⋯−θqet−qYt=ϕ1Yt−1+⋯+ϕpYt−p+et−θ1et−1−⋯−θqet−qY_t=\phi_1Y_{t-1}+\dots+\phi_pY_{t-p}+e_t-\theta_1e_{t-1}-\dots-\theta_q e_{t-q}et∼tνet∼tνe_t\sim t_\nu 私はそれの分布を見つける方法や、主にガウシアンエラーのケースのみをカバーしている本を見つける方法を知りません。 いくつかの参照も興味深いでしょう。

3
2つのiid正常値の最小値と最大値の分散
しましょう XXX そして YYY イードになる 〜NO r個のM L (0 、1 )〜Norメートルal(0、1)\sim Normal(0,1) しましょう A = m a x (X、Y)あ=メートルaバツ(バツ、Y)A=max(X,Y) そして B = m i n (X、Y)B=メートル私ん(バツ、Y)B=min(X,Y) なに Va r (A )Var(あ)Var(A) そして Va r (B )Var(B)Var(B)? シミュレーションから、 Va r (A )= Va r (B )Var(あ)=Var(B)Var(A)=Var(B) 約0.70。 これを分析的に取得するにはどうすればよいですか?

1
複合イベントの期待値を計算する方法は?
期待値の計算方法がわからないので、参考になれば幸いです ロットには17品目が含まれており、各品目は2人の品質保証エンジニアによる検査の対象です。各エンジニアは、ランダムに独立して、ロットから4つのアイテムを選択します。以下によって選択されるアイテムの予想数を決定します。 a。両方のエンジニアb。どちらのエンジニアc。ちょうど1人のエンジニア。

2
推定量が不偏であることを証明した場合、それはパラメーター推定量が不偏であることを証明しますか?
LETのPDF有するIIDランダム変数である、、及び。バツ私バツ私X_if(x | θ )f(バツ|θ)f(\mathbf{x}|\theta)E(バツ私)= 6θ2E(バツ私)=6θ2E(X_i) = 6\theta^2θ &gt; 0θ&gt;0\theta > 0 Iパラメータ(のための推定計算したの)あることを。これが不偏推定量であることを証明するには、であることを証明する必要があります。ただし、であるため、θθ\thetaf(x | θ )f(バツ|θ)f(\mathbf{x}|\theta)θ^=バツ¯/ 6−−−√θ^=バツ¯/6\hat{\theta} = \sqrt{\bar{x}/6}E(θ^)=E(x¯/6−−−√)E(θ^)=E(x¯/6)E(\hat{\theta}) = E\left(\sqrt{\bar{x}/6}\right)θ^2=x¯/6θ^2=x¯/6\hat{\theta}^2 = \bar{x}/6E(θ^2)=E(バツ¯/6)=16E(∑Xin)=16n∑E(Xi)=16nn6θ2=θ2.E(θ^2)=E(x¯/6)=16E(∑Xin)=16n∑E(Xi)=16nn6θ2=θ2.\begin{align} E(\hat{\theta}^2) &= E(\bar{x}/6) \\ &=\frac{1}{6}E\left(\frac{\sum X_i}{n}\right)\\ &=\frac{1}{6n}\sum E(X_i) \\ &=\frac{1}{6n}n6\theta^2 \\&= \theta^2.\end{align} 一般的に、証明証明と同じではないため、またあり得る。ただし、この場合はです。x2=4x2=4x^2 =4x=2x=2x=2xxx−2−2-2θ&gt;0θ&gt;0\theta>0 私はが不偏であることを示しましたが、これはが不偏であることを示すのに十分ですか?θ^2θ^2\hat{\theta}^2θ^θ^\hat{\theta}


3
間隔内に少なくとも1つのイベントがあるPoissonプロセスの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&gt;1∣XT&gt;0)=Pr(XT&gt;0)Pr(XT&gt;1∣XT&gt;0)=Pr(XT&gt;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&gt; 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&gt;0)=Pr(Xt=0)Pr(XT−t=0)=e−tet−T=e−T=Pr(XT=0)Pr(XT=1∣XT&gt;0)=Pr(Xt=0)Pr(XT−t=0)=e−tet−T=e−T=Pr(XT=0)\Pr(X_T = …

2
単純なニューラルネットの最小トレーニングサイズ
独立変数ごとに最低10ケースを推奨する多変量統計には古い経験則があります。しかし、多くの場合、各変数に適合するパラメーターが1つあります。 質問の理由:私は、15の予測変数と8つの非表示ノードを持つ1つの非表示レイヤーを持つ500のトレーニングケース(データセットの25000のうち)を使用するテキストの例に取り組んでいます。したがって、153個の重みを推定しています。500ケースのうち、129は1、残りは0です。したがって、予測されるポジティブケースよりも重みが多くなります。これは間違っているようです。結果のモデルはオーバーフィットします(ただし、検証はこの教科書の問題では扱われていません)。 それで、最低限のガイドは何ですか?10倍の入力変数?推定する10倍のパラメータ?他に何か? 関連する回答はありますが、最小値よりも望ましいサンプルサイズを参照しているようです。たとえば、ニューラルネットワークのトレーニングに必要なデータセットサイズを取得するにはどうすればよいですか。 ニューラルネットワークをトレーニングするためのバッチサイズと反復回数のトレードオフ または未分類分類器に必要な最小トレーニングサンプルサイズ しかし、もちろん、私は以前の良い答えを逃したかもしれません。

1
独立したNormal(0,1)変数UおよびVのX = min(U、V)およびY = max(U、V)であるcov(X、Y)とは何ですか?
みましょう: U、V〜私。私。d。N(0 、1 )U、V〜私。私。d。N(0、1)U, V \overset{i.i.d.}{\sim} \mathcal{N}(0,1)、つまり、独立した標準正規確率変数。 バツ= 分(U、V)バツ=分(U、V)X=\min(U,V) Y= 最大(U、V)Y=最高(U、V)Y=\max(U,V) バツバツXとYの共分散は何YYYですか? 関連:独立した均一(0,1)変数UおよびVのX = min(U、V)およびY = max(U、V)であるcov(X、Y)とは何ですか?

2
モーメントを使用して分布が対称であることを証明
与えられた確率変数Xの平均値、分散、および4番目の中心モーメントはそれぞれ0、2、4です。さて、どうすればそれを証明できますか (1)三次モーメントは0 (2)分布は0について対称であり、 (3)Xは有界です。 上記の情報を使用して、私が見つけることができた唯一の事柄は、分布がplatykurticであることでした。三次モーメントがゼロであることが証明されたとしても、これはどのようにして対称性につながるのでしょうか。データをプロットするだけでは対称性を証明できないのですか? 質問に間違いはありますか?

2
分散は、(分散の尺度として)正規分布データでのみ機能しますか?
ウィキペディアで言う 中心極限定理における正規分布の役割は、確率と統計の分散の有病率の一部です。 これは、 分散/ SDを分散の尺度として使用する場合、ランダム確率変数がCLTの正規分布にほぼ従う可能性があるため、実際には正規分布の「スケーリングパラメーター」を探していると理解しています。 データが正常に分布していない場合でも、分散/ SDは依然として妥当な分散の尺度ですか? データが均一に分布しているとしましょう。平均絶対偏差は、分散よりも分散のより良い尺度のように思われます。均一分布の「スケーリングパラメータ」と見なすことができるからです。 更新 つまり、サンプルの2つのセットが{1,1,1,-1,-1,-1}あり、もう1つは正規分布から、それらの分散は両方とも1であるとします。メジャーとして分散を使用する場合。N(0,1)N(0,1)N(0,1) しかし、ガウシアンが分布パラメーターを計算し、「そう、それらは分散に関して等しい」と言うように、私たちはそれらの両方を強制的に扱っているように感じます。

1
なぜ正定ですか?
スプライン回帰では、基底展開がランク不足の設計行列を作成することは珍しくありませんが、推定手順のペナルティ化が問題を解決することはよく知られています。ペナルティがが正定であることを示す方法を私は知りません。(私はPD行列が可逆であることを知っています。)Bn×pBn×pB_{n\times p}BTB+λΩBTB+λΩB^TB+\lambda\Omega ステージを設定するには、を探しためのf(x)が基準拡張によって与えられるF(X_I)= \ sum_j \ alpha_j h_j(X_I )。Bで基底ベクトルを収集すると、この最適化が次のように減少することをかなり簡単に示すことができますminα∈Rp∑i||yi−f(xi)||2+λ∫ba[f′′(t)]2dtminα∈Rp∑i||yi−f(xi)||2+λ∫ab[f″(t)]2dt\min_{\alpha\in\mathbb{R}^p} \sum_i|| y_i-f(x_i)||^2+\lambda\int_a^b [f''(t)]^2dt f(x)f(x)f(x)f(xi)=∑jαjhj(xi)f(xi)=∑jαjhj(xi)f(x_i)=\sum_j\alpha_j h_j(x_i)BBB α^=(BTB+λΩ)−1BTy.α^=(BTB+λΩ)−1BTy. \hat{\alpha}=(B^TB+\lambda\Omega)^{-1}B^Ty. ここで、Ωij=∫bah′′j(t)h′′i(t)dtΩij=∫abhj′′(t)hi′′(t)dt\Omega_{ij}=\int_a^b h_j^{\prime\prime}(t) h_i^{\prime\prime}(t)dtです。 ここに私の推論があります。p&gt; nであるため、BBBはランクが不足していることがわかります。これは、B ^ TBもランクが低いことを意味します。また、少なくとも1つの固有値が0で、正の半定値であることを示すこともできます。p&gt;np&gt;np>nBTBBTBB^TB しかし、\ Omegaについて推論する方法がわからない、ΩΩ\OmegaまたはBTB+λΩBTB+λΩB^TB+\lambda\Omegaが\ lambda&gt; 0の PDであることを示すことができないので、今は行き詰まっていますλ&gt;0λ&gt;0\lambda>0。私はΩΩ\Omegaがグラム行列であることを知っていますが、ΩΩ\OmegaがPSD であることを示す場合にのみ、私たちを取得します。

1
なぜこれは有効なモーメント生成関数ではないのですか?
である確率変数が存在しない理由を説明して。ここで、Mはモーメント生成関数です。Mx(t)=t1−tMx(t)=t1−tM_x(t) = \frac{t}{1-t} 試み:私はを無限級数の和として書いてみたので、はから。モーメント生成関数の式はことがわかっています。だから私は2つを比較し、これが1に統合されない密度につながることを示すことを試みましたが、私はそれを得ます:、一般はから収束しています。他にどのようにこれを見せますか?t1−tt1−t\frac{t}{1-t}∑tn∑tn\sum t^nn=1n=1n=1∞∞\infty ∑etxf(x)∑etxf(x)\sum e^{tx}f(x)f(n)=∑(tet)nf(n)=∑(tet)n f(n) = \sum (\frac{t}{e^t})^n t&lt;ett&lt;ett<e^t ありがとう!
7 self-study  mgf 

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.