Perguntas com a marcação «convergence»

Já ouvi o termo estimador consistente "root-n" ser usado muitas vezes. Dos recursos pelos quais fui instruído, pensei que um estimador consistente "raiz-n" significava que: o estimador converge para o valor verdadeiro (daí a palavra "consistente") o estimador converge a uma taxa de1 / n--√1/n1/\sqrt{n} Isso me intriga, pois não …

10 convergence  estimators  consistency 

Como você interpreta uma curva de sobrevivência a partir do modelo de risco proporcional cox? Neste exemplo de brinquedo, suponha que tenhamos um modelo de risco proporcional ao cox na agevariável dos kidneydados e gere a curva de sobrevivência. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Por exemplo, …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

Tenho lutado bastante para reconciliar meu entendimento intuitivo das distribuições de probabilidade com as propriedades estranhas que quase todas as topologias nas distribuições de probabilidade possuem. Por exemplo, considere uma variável aleatória mista : escolha uma Gaussiana centrada em 0 com variação 1 e com probabilidade 1XnXnX_n , adicionenao resultado. …

9 mathematical-statistics  convergence  central-limit-theorem  topologies 

Os resultados assintóticos não podem ser comprovados por simulação em computador, porque são afirmações que envolvem o conceito de infinito. Mas devemos ter a sensação de que as coisas realmente marcham da maneira que a teoria nos diz. Considere o resultado teórico limn → ∞P( | Xn| >ϵ)=0,ε > 0limn→∞P(|Xn|>ϵ)=0,ϵ>0\lim_{n\rightarrow\infty}P(|X_n|>\epsilon) …

9 mathematical-statistics  simulation  convergence  asymptotics 

Dado que N= nN=nN = n , a distr condicional. de YYY é χ2( 2 n )χ2(2n)\chi ^2(2n) . NNN tem distr marginal. de Poisson ( θθ\theta ), θθ\theta é uma constante positiva. Mostre que, como θ → ∞θ→∞\theta \rightarrow \infty , ( Y - E ( Y ) ) …

9 self-study  poisson-distribution  conditional-probability  convergence  central-limit-theorem 

Eu estou tentando provar de uma parte posterior com muitos modos particularmente distantes um do outro usando o MCMC. Parece que, na maioria dos casos, apenas um desses modos contém os 95% hpd que estou procurando. Tentei implementar soluções baseadas em simulação temperada, mas isso não fornece resultados satisfatórios, pois, …

9 sampling  mcmc  inference  convergence 

Seja (Xn)(Xn)(X_n) uma sequência de variáveis ​​aleatórias iid N(0,1)N(0,1)\mathcal N(0,1) . Defina S0=0S0=0S_0=0 e Sn=∑nk=1XkSn=∑k=1nXkS_n=\sum_{k=1}^n X_k para n≥1n≥1n\geq 1 . Encontre a distribuição limitadora de 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) Esse problema é de um livro de problemas sobre Teoria da Probabilidade, no capítulo sobre o Teorema do Limite Central. Como …

8 self-study  normal-distribution  convergence  central-limit-theorem 

A questão: Xn→dXXn→dXX_n\stackrel{d}{\rightarrow}X eYn→dY⟹?Xn+Yn→dX+YYn→dY⟹?Xn+Yn→dX+YY_n\stackrel{d}{\rightarrow}Y \stackrel{?}{\implies} X_n+Y_n\stackrel{d}{\rightarrow}X+Y Eu sei que isso não se aplica em geral; O teorema de Slutsky só se aplica quando uma ou ambas as convergências estão em probabilidade. No entanto, existem casos em que isso ocorre ? Por exemplo, se as seqüências e forem independentes.XnXnX_nYnYnY_n

8 distributions  convergence  asymptotics  slutsky-theorem 

Eu tenho uma sequência de variáveis não negativas , como: E ( X n | C n ) = C nXnXnX_nE(Xn|Cn)=Cnn2E(Xn|Cn)=Cnn2E(X_n|C_n)=\frac{C_n}{n^2} onde é uma sequência de variáveis ​​aleatórias convergindo quase certamente para . 1CnCnC_n111 Posso concluir que tende a 0 quase certamente?XnXnX_n Nota: você pode substituir por qualquer sequência com …

8 probability  convergence  conditional-expectation 

Em "Aprendizado de máquina: uma perspectiva probabilística" de Kevin Murphy, capítulo 3.2, o autor demonstra o aprendizado do conceito bayesiano em um exemplo chamado "jogo de números": Depois de observar amostras de , queremos escolha uma hipótese que melhor descreva a regra que gerou as amostras. Por exemplo "números pares" …

8 self-study  bayesian  maximum-likelihood  convergence 

Motivação No contexto da inferência pós-seleção de modelo, Leeb & Pötscher (2005) escrevem: Embora se saiba há muito tempo que a uniformidade (pelo menos localmente) dos parâmetros é uma questão importante na análise assintótica, essa lição foi muitas vezes esquecida na prática diária da teoria econométrica e estatística, onde geralmente …

8 mathematical-statistics  convergence  asymptotics  estimators 

Os algoritmos de iteração de política e valor podem ser usados ​​para resolver problemas no processo de decisão de Markov. É difícil entender as condições necessárias para a convergência. Se a política óptima não se altera durante dois passos (ou seja, durante as iterações i e i + 1 ), …

8 algorithms  markov-process  convergence 

Eu entendo que a fórmula para probabilidade de convergência é e eu posso resolver problemas usando a fórmula. Alguém pode explicá-lo intuitivamente (como eu tenho cinco anos), principalmente no que é ?P[|Xn−X∞|>ϵ]→0P[|Xn−X∞|>ϵ]→0P[|X_n − X_\infty| \gt \epsilon ]\to 0ϵϵ\epsilon

8 probability  convergence  intuition 

Eu tenho usado a função glm.fit em R para ajustar parâmetros a um modelo de regressão logística. Por padrão, o glm.fit usa mínimos quadrados ponderados iterativamente para ajustar os parâmetros. Quais são algumas das razões pelas quais esse algoritmo falharia ao convergir quando usado para regressão logística?

8 r  logistic  generalized-linear-model  convergence  irls 

Christopher Bishop define o valor esperado da função de probabilidade do log de dados completos (ou seja, assumindo que recebemos os dados observáveis ​​X e os dados latentes Z) da seguinte maneira: EZ[lnp(X,Z∣μ,Σ,π)]=∑n=1N∑k=1Kγ(znk){lnπk+lnN(xn∣ μk,Σk)}(1)(1)EZ[ln⁡p(X,Z∣μ,Σ,π)]=∑n=1N∑k=1Kγ(znk){ln⁡πk+ln⁡N(xn∣ μk,Σk)} \mathbb{E}_\textbf{Z}[\ln p(\textbf{X},\textbf{Z} \mid \boldsymbol{\mu}, \boldsymbol{\Sigma}, \boldsymbol{\pi})] = \sum_{n=1}^N \sum_{k=1}^K \gamma(z_{nk})\{\ln \pi_k + \ln \mathcal{N}(\textbf{x}_n \mid …

8 self-study  maximum-likelihood  expected-value  convergence  expectation-maximization