คำถามติดแท็ก conditional-expectation

ความหมายที่แท้จริงของสัญกรณ์ห้อยคืออะไรในความคาดหวังตามเงื่อนไขในกรอบของทฤษฎีการวัด? ห้อยเหล่านี้จะไม่ปรากฏในความหมายของความคาดหวังที่มีเงื่อนไข แต่เราอาจจะเห็นเช่นในหน้าของวิกิพีเดียนี้ (โปรดทราบว่ามันไม่ได้เป็นอย่างนั้นเสมอไปในสองสามเดือนก่อนหน้านี้ )EX[f(X)]EX[f(X)]\mathbb{E}_X[f(X)] สิ่งที่ควรเป็นเช่นความหมายของกับและ ?EX[X+Y]EX[X+Y]\mathbb{E}_X[X+Y]X∼N(0,1)X∼N(0,1)X\sim\mathcal{N}(0,1)Y=X+1Y=X+1Y=X+1

64 conditional-expectation  notation 

ฉันเพิ่งเจอตัวตนนี้: E[ E( Y| X,Z)|X]=E[Y|X]E[E(Y|X,Z)|X]=E[Y|X]E \left[ E \left(Y|X,Z \right) |X \right] =E \left[Y | X \right] แน่นอนว่าฉันคุ้นเคยกับกฎฉบับนั้นง่ายกว่านั่นคือแต่ฉันไม่สามารถหาเหตุผลในการวางหลักเกณฑ์ทั่วไปได้E[E(Y|X)]=E(Y)E[E(Y|X)]=E(Y)E \left[ E \left(Y|X \right) \right]=E \left(Y\right) ฉันจะขอบคุณถ้ามีคนสามารถชี้ให้ฉันอ้างอิงที่ไม่ช่างเทคนิคสำหรับความจริงที่ว่าหรือดีกว่าถ้ามีคนสามารถวางหลักฐานง่าย ๆ สำหรับผลลัพธ์ที่สำคัญนี้

43 self-study  conditional-probability  conditional-expectation 

Letมีพื้นที่ความน่าจะเป็นที่ได้รับตัวแปรสุ่มและพีชคณิตเราสามารถสร้างตัวแปรสุ่มใหม่ซึ่งเป็นความคาดหวังตามเงื่อนไข( Ω , F , μ ) (Ω,F,μ)(\Omega,\mathscr{F},\mu)ξ : Ω → Rξ:Ω→R\xi:\Omega \to \mathbb{R} σ σ\sigmaG ⊆ FG⊆F\mathscr{G}\subseteq \mathscr{F} E [ ξ | ช ]E[ξ|G]E[\xi|\mathscr{G}] ว่าอะไรคือสัญชาตญาณสำหรับการคิดเกี่ยวกับ ? ฉันเข้าใจสัญชาตญาณสำหรับสิ่งต่อไปนี้:E [ ξ | ช ]E[ξ|G]E[\xi|\mathscr{G}] (i) โดยที่คือเหตุการณ์ (ที่มีความน่าจะเป็นบวก)E [ ξ | A ] E[ξ|A]E[\xi|A]AAA (ii) โดยที่เป็นตัวแปรสุ่มแบบแยกE [ ξ | η ] E[ξ|η]E[\xi|\eta]ηη\eta …

20 probability  conditional-probability  conditional-expectation  conditioning  sigma-algebra 

ฉันมีปัญหากับการพิสูจน์ E(Y|X)∈argming(X)E[(Y−g(X))2]E(Y|X)∈arg⁡ming(X)E[(Y−g(X))2]E(Y|X) \in \arg \min_{g(X)} E\Big[\big(Y - g(X)\big)^2\Big] ซึ่งน่าจะเปิดเผยความเข้าใจผิดที่คาดการณ์ไว้อย่างลึกซึ้งและความคาดหวังตามเงื่อนไข หลักฐานที่ฉันรู้จะเป็นดังนี้ (สามารถพบหลักฐานอีกรุ่นหนึ่งได้ที่นี่ ) ===หาเรื่องนาทีก.( X)E[ ( Y)- กรัม( x ) )2]หาเรื่องนาทีก.( X)E[ ( Y)- E( Y| X) + E( Y| X) - g( X) )2]หาเรื่องนาทีก.( x )E[ ( Y)- E( Y| X) )2+ 2 ( Y)- E( Y| X) ) ( …

19 mathematical-statistics  conditional-probability  proof  conditional-expectation 

โดยทั่วไปความแตกต่างระหว่างคืออะไรE ( X | Y )E(X|Y)E(X|Y)และE ( X | Y = Y )E(X|Y=y)E(X|Y=y) ? อดีตเป็นหน้าที่ของYyyและหลังเป็นหน้าที่ของxxx ? มันสับสนมาก ..

18 conditional-expectation  notation  definition 

ฉันรู้สึกไม่สบายใจเล็กน้อยกับวิธีที่ฉันจัดการกับความขัดแย้งทางจิตใจของ Borel และ "ความขัดแย้ง" อื่น ๆ ที่เกี่ยวข้องที่เกี่ยวข้องกับความน่าจะเป็นแบบมีเงื่อนไข สำหรับผู้ที่กำลังอ่านสิ่งนี้ซึ่งไม่คุ้นเคยให้ดูที่ลิงก์นี้ การตอบสนองทางจิตใจของฉันจนถึงจุดนี้ส่วนใหญ่มักจะเพิกเฉยเพราะไม่มีใครดูเหมือนจะพูดถึงมัน แต่ฉันรู้สึกว่าฉันควรจะแก้ไขสิ่งนี้ เรารู้ว่าความขัดแย้งนี้มีอยู่แล้วและยังดูเหมือนว่าในทางปฏิบัติ (ตามตัวอย่างมากในการวิเคราะห์แบบเบย์) เรามีความสมบูรณ์ดีด้วยเครื่องเกี่ยวกับเหตุการณ์ของการวัด ; ถ้าคือข้อมูลของฉันเรามีเงื่อนไขในตลอดเวลาแม้ว่านี่จะเป็นเหตุการณ์ของการวัดเมื่อนั้นต่อเนื่อง และแน่นอนว่าเราไม่ได้พยายามสร้างลำดับเหตุการณ์ที่รวมเข้ากับเหตุการณ์ที่เราสังเกตเห็นเพื่อแก้ไขความขัดแย้งอย่างน้อยก็ไม่ชัดเจนX X = x 0 X000XXXX=xX=xX = x000XXX ผมคิดว่านี่เป็นไม่เป็นไรเพราะเราได้รับการแก้ไขเป็นหลักตัวแปรสุ่ม (ในหลักการ) ก่อนการทดลองและเพื่อให้เรามีเครื่องใน(X) นั่นคือคือ -algebra ตามธรรมชาติเนื่องจากข้อมูลกำลังจะถูกใช้ผ่าน - ถ้ามันมาหาเราในแบบอื่นเราก็จะมีเงื่อนไขที่แตกต่างกัน -พีชคณิต. ความขัดแย้งของ Borel เกิดขึ้นเพราะ (ฉันเดา) มันไม่ได้เป็นสิ่งที่เห็นได้ชัดที่เหมาะสมพีชคณิตเงื่อนไขใน แต่คชกรรมได้ระบุ(X) เพราะเรากำลังระบุข้อมูลเบื้องต้นไว้ว่าσ ( X ) σ ( X ) σ X = x …

17 probability  conditional-probability  conditional-expectation 

Let YYYแสดงค่ามัธยฐานและให้ˉ XX¯\bar{X}หมายถึงค่าเฉลี่ยของตัวอย่างที่สุ่มจากขนาดn = 2 k + 1n=2k+1n=2k+1จากการจัดจำหน่ายที่เป็นN ( μ , σ 2N(μ,σ2)N(\mu,\sigma^2) ) ฉันจะคำนวณE ( Y | ˉ X = ˉ x ) ได้E(Y|X¯=x¯)E(Y|\bar{X}=\bar{x})อย่างไร สังหรณ์ใจเพราะสมมติฐานปกติก็จะทำให้ความรู้สึกที่จะอ้างว่าE ( Y | ˉ X = ˉ x ) = ˉ xE(Y|X¯=x¯)=x¯E(Y|\bar{X}=\bar{x})=\bar{x}และแน่นอนว่าเป็นคำตอบที่ถูกต้อง สามารถที่จะแสดงอย่างจริงจังว่า? ความคิดเริ่มต้นของฉันคือการเข้าถึงปัญหานี้โดยใช้การแจกแจงแบบปกติตามเงื่อนไขซึ่งโดยทั่วไปแล้วจะเป็นผลลัพธ์ที่ทราบ ปัญหาคือว่าเนื่องจากฉันไม่ทราบค่าที่คาดหวังและดังนั้นความแปรปรวนของค่ามัธยฐานฉันจะต้องคำนวณค่าเหล่านั้นโดยใช้สถิติลำดับk + 1 k+1k+1แต่นั่นซับซ้อนมากและฉันจะไม่ไปที่นั่นเว้นแต่ฉันจะต้องทำอย่างแน่นอน

16 self-study  normal-distribution  mathematical-statistics  expected-value  conditional-expectation 

สมมติว่าXXXและYYYมีช่วงเวลาที่สองแน่นอน ในช่องว่างของฮิลแบร์ตของตัวแปรสุ่มด้วยช่วงเวลาที่ จำกัด (ด้วยผลิตภัณฑ์ภายในของT1, T2T1,T2T_1,T_2กำหนดโดยE( T1T2)E(T1T2)E(T_1T_2) , | | T| |2= E( T2)||T||2=E(T2)||T||^2=E(T^2) ) เราอาจตีความE( Y|X)E(Y|X)E(Y|X)เมื่อการฉายภาพของYYYบนพื้นที่ของฟังก์ชั่นของXXX X เรายังไม่ทราบว่ากฎหมายของรวมแปรปรวนอ่าน VR ( Y) = E( ฉบับที่R ( Y| X) ) + VR ( E( Y| X) )VaR(Y)=E(VaR(Y|X))+VaR(E(Y|X))Var(Y)=E(Var(Y|X)) + Var(E(Y|X)) มีวิธีตีความกฎหมายนี้ในรูปของรูปเรขาคณิตข้างต้นหรือไม่? ผมได้รับการบอกว่ากฎหมายเป็นเช่นเดียวกับพีทาโกรัสทฤษฎีบทเหลี่ยมมุมฉากกับด้านY, E( Y| X) , Y- E( Y| X)Y,E(Y|X),Y-E(Y|X)Y, E(Y|X), Y-E(Y|X) ) …

15 variance  conditional-expectation 

คำถาม หากมี IID แล้วคำนวณที่x_iX1,⋯,Xn∼N(μ,1)X1,⋯,Xn∼N(μ,1)X_1,\cdots,X_n \sim \mathcal{N}(\mu, 1)E(X1∣T)E(X1∣T)\mathbb{E}\left( X_1 \mid T \right)T=∑iXiT=∑iXiT = \sum_i X_i ความพยายาม : โปรดตรวจสอบว่าด้านล่างถูกต้องหรือไม่ สมมติว่าเราใช้ผลรวมของความคาดหวังตามเงื่อนไขเหล่านั้น หมายความว่าแต่ละตั้งแต่คือ IID∑iE(Xi∣T)=E(∑iXi∣T)=T.∑iE(Xi∣T)=E(∑iXi∣T)=T.\begin{align} \sum_i \mathbb{E}\left( X_i \mid T \right) = \mathbb{E}\left( \sum_i X_i \mid T \right) = T . \end{align}E(Xi∣T)=TnE(Xi∣T)=Tn\mathbb{E}\left( X_i \mid T \right) = \frac{T}{n}X1,…,XnX1,…,XnX_1,\ldots,X_n ดังนั้นE(X1∣T)=TnE(X1∣T)=Tn\mathbb{E}\left( X_1 \mid T \right) = \frac{T}{n}{n} …

14 probability  self-study  mathematical-statistics  conditional-probability  conditional-expectation 

สำหรับตัวแปรสุ่ม ( ) ฉันรู้สึกว่าสัญชาตญาณ\ mathbb {E} [X | X> x]ควรจะเท่ากับx + \ mathbb {E} [x]ตั้งแต่ความจำโดยคุณสมบัติการกระจายของx | x> xเป็นเช่นเดียวกับที่ของxแต่ขยับตัวไปทางขวาโดยxX∼Exp(λ)X∼Exp(λ)X\sim \text{Exp}(\lambda)E[X]=1λE[X]=1λ\mathbb{E}[X] = \frac{1}{\lambda}E[X|X>x]E[X|X>x]\mathbb{E}[X|X > x]x+E[X]x+E[X]x + \mathbb{E}[X]X|X>xX|X>xX|X > xXXXxxx อย่างไรก็ตามฉันกำลังดิ้นรนที่จะใช้คุณสมบัติที่ไม่มีหน่วยความจำเพื่อให้การพิสูจน์ที่เป็นรูปธรรม ความช่วยเหลือใด ๆ ที่ชื่นชมมาก ขอบคุณ

13 random-variable  exponential  conditional-expectation 

ฉันมีปัญหาในการแก้ปัญหาต่อไปนี้ คุณจั่วไพ่จากสำรับมาตรฐาน 52 ใบโดยไม่ต้องเปลี่ยนจนกว่าคุณจะได้เอซ คุณดึงออกจากสิ่งที่เหลืออยู่จนกว่าคุณจะได้รับ 2. คุณดำเนินการต่อด้วย 3 จำนวนที่คาดหวังที่คุณจะได้รับหลังจากที่ดาดฟ้าทั้งหมดหมด มันเป็นธรรมชาติที่จะให้ Ti=first position of card whose value is iTi=first position of card whose value is iT_i = \text{first position of card whose value is }i Ui=last position of card whose value is iUi=last position of card whose value is iU_i = …

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

ฉันต้องการที่จะเข้าใจการทดสอบที่แม่นยำของฟิชเชอร์มากขึ้นดังนั้นฉันจึงคิดค้นตัวอย่างของเล่นต่อไปนี้โดยที่ f และ m สอดคล้องกับเพศชายและเพศหญิงและ n และ y สอดคล้องกับ "การบริโภคโซดา" เช่นนี้: > soda_gender f m n 0 5 y 5 0 เห็นได้ชัดว่านี่คือการทำให้เข้าใจง่ายมาก แต่ฉันไม่ต้องการให้บริบทเข้ามาขวางทาง ที่นี่ฉันเพิ่งสันนิษฐานว่าผู้ชายไม่ดื่มโซดาและหญิงดื่มโซดาและต้องการดูว่าวิธีการทางสถิติมาถึงข้อสรุปเดียวกัน เมื่อฉันทำการทดสอบฟิชเชอร์ที่แน่นอนใน R ฉันจะได้ผลลัพธ์ต่อไปนี้: > fisher.test(soda_gender) Fisher's Exact Test for Count Data data: soda_gender p-value = 0.007937 alternative hypothesis: true odds ratio is not equal to 1 …

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 

mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f …

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 

พิจารณา 3 ตัวอย่าง iid ที่ดึงมาจากการแจกแจงแบบเดียวกัน โดยที่คือพารามิเตอร์ ฉันต้องการหา ที่เป็นคำสั่งสถิติฉันu(θ,2θ)u(θ,2θ)u(\theta, 2\theta)θθ\thetaE[X(2)|X(1),X(3)]E[X(2)|X(1),X(3)] \mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] X(i)X(i)X_{(i)}iii ฉันคาดว่าผลลัพธ์จะเป็น แต่วิธีเดียวที่ฉันสามารถแสดงผลลัพธ์นี้ดูเหมือนจะเกินไป ยาวฉันไม่สามารถหาวิธีแก้ปัญหาอย่างง่ายได้หรือไม่ฉันขาดอะไรมีทางลัดบ้างไหม?E[X(2)|X(1),X(3)]=X(1)+X(3)2E[X(2)|X(1),X(3)]=X(1)+X(3)2 \mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \frac{X_{(1)}+ X_{(3)}}{2} สิ่งที่ฉันทำมีดังต่อไปนี้: ฉันพบความหนาแน่นแบบมีเงื่อนไข f(x(2)|x(1),x(3))=f(x(1),x(2),x(3))f(x(1),x(3))f(x(2)|x(1),x(3))=f(x(1),x(2),x(3))f(x(1),x(3)) f(x_{(2)}| x_{(1)}, x_{(3)}) = \frac{ f(x_{(1)}, x_{(2)}, x_{(3)})}{f(x_{(1)}, x_{(3)})} ฉันรวม E[X(2)|X(1),X(3)]=∫xf(x|x(1),x(3))dxE[X(2)|X(1),X(3)]=∫xf(x|x(1),x(3))dx \mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \int x f(x| x_{(1)}, x_{(3)}) dx รายละเอียด: ฉันใช้สูตรทั่วไปสำหรับความหนาแน่นของสถิติการสั่งซื้อ (ด้วยตัวบ่งชี้ของชุด )I{A}I{A}\mathbb{I}_{\{A\}}AAA …

9 uniform  conditional-expectation  order-statistics 

ฉันมีสองกระจายตามปกติตัวแปรและกับศูนย์ค่าเฉลี่ยและความแปรปรวนเมทริกซ์\ฉันสนใจในการพยายามที่จะคำนวณค่าของในแง่ของรายการของ\X1X1X_1X2X2X_2ΣΣ\SigmaE[X21X22]E[X12X22]E[X_1^2 X_2^2]ΣΣ\Sigma ฉันใช้กฎความน่าจะเป็นทั้งหมดเพื่อให้ได้ แต่ฉันไม่แน่ใจว่าสิ่งที่คาดหวังภายในจะลดลง มีวิธีอื่นที่นี่หรือไม่E[X21X22] = E[X21E[X22|X1] ]E[X12X22]=E[X12E[X22|X1]]E[X_1^2 X_2^2] = E[X_1^2 E[X_2^2 | X_1]] ขอบคุณ แก้ไข:ตัวแปรยังกระจายหลายตัวแปรตามปกติ

9 normal-distribution  conditional-expectation