คำถามติดแท็ก conditioning

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 

ในการทดลองชิมชาของผู้หญิงที่มีชื่อเสียงโดย RA Fisher ผู้หญิงคนนั้นได้รับแจ้งว่ามีนมถ้วยแรก / ถ้วยชาครั้งแรกกี่ตัว (4 ถ้วยต่อ 8 ถ้วย) สิ่งนี้จะเป็นการเคารพสมมติฐานทั้งหมดของการทดสอบที่แน่นอนของ Fisher ฉันคิดว่าจะทำแบบทดสอบนี้กับเพื่อนของฉัน แต่ความคิดนั้นทำให้ฉัน ถ้าผู้หญิงสามารถบอกความแตกต่างระหว่างนมคนแรกกับถ้วยชาครั้งแรกได้เธอก็ควรจะสามารถหาผลรวมทั้งหมดของถ้วยนมถ้วยแรกและถ้วยแรกได้เช่นกัน ดังนั้นนี่คือคำถาม: การทดสอบใดที่สามารถนำมาใช้ถ้า RA Fisher ไม่ได้แจ้งให้ผู้หญิงทราบถึงจำนวนถ้วยแรกและถ้วยแรก

18 hypothesis-testing  statistical-significance  fishers-exact  conditioning 

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 

บางครั้งเราคิดว่า regressors ได้รับการแก้ไขนั่นคือมันไม่ได้สุ่ม ฉันคิดว่านั่นหมายถึงตัวทำนายของเราการประมาณค่าพารามิเตอร์และอื่น ๆ ทั้งหมดนั้นไม่มีเงื่อนไขใช่ไหม? ฉันอาจไปได้ไกลขนาดนั้นว่าพวกเขาจะไม่เป็นตัวแปรสุ่มอีกต่อไป? หากในอีกทางหนึ่งเรายอมรับว่าผู้ถดถอยส่วนใหญ่ในสาขาเศรษฐศาสตร์พูดว่าสุ่มเพราะไม่มีแรงภายนอกกำหนดพวกเขาด้วยการทดลองในใจ จากนั้นนักเศรษฐศาสตร์ก็ให้ความสำคัญกับการถดถอยแบบสุ่ม สิ่งนี้แตกต่างจากการปฎิบัติตามที่ได้รับการแก้ไขอย่างไร ฉันเข้าใจว่าการปรับสภาพคืออะไร ศาสตร์มันหมายความว่าเราให้ข้อสังเกตและเงื่อนไขในการอนุมานว่าชุดใดชุดหนึ่งของ regressors และมีความทะเยอทะยานที่จะบอกว่าการหาข้อสรุปที่ประมาณการพารามิเตอร์ประมาณการแปรปรวน ฯลฯ ไม่มีจะได้รับเหมือนกันได้เราเห็นแตกต่างกันของการก่อให้เกิด regressors ของเรา (เช่นมี crux ในอนุกรมเวลาซึ่งแต่ละชุดเวลาจะเห็นเพียงครั้งเดียว) อย่างไรก็ตามเพื่อให้เข้าใจถึงความแตกต่างระหว่าง regressors คงที่และการปรับเงื่อนไขในการถดถอยแบบสุ่มฉันสงสัยว่าถ้าใครที่นี่รู้จักตัวอย่างของการประมาณค่าหรือขั้นตอนการอนุมานที่ถูกต้องสำหรับการพูดคง regressors แต่แตกสลายเมื่อพวกเขาสุ่ม เปิดรับ) ฉันรอคอยที่จะเห็นตัวอย่างเหล่านั้น!

9 regression  inference  philosophical  conditioning  ancillary-statistics 

หากเป็น IID ทวินามลบแล้วสิ่งคือการกระจายของได้รับx1,x2,…,xnx1,x2,…,xnx_1, x_2, \ldots, x_n(x1,x2,…,xn)(x1,x2,…,xn)(x_1, x_2, \ldots, x_n) x1+x2+…+xn=Nx1+x2+…+xn=Nx_1 + x_2 + \ldots + x_n = N\quad ? NNNแก้ไข หากเป็นปัวซองดังนั้นเงื่อนไขโดยรวมเป็นมัลติโนเมียล ฉันไม่แน่ใจว่ามันเป็นเรื่องจริงสำหรับทวินามลบหรือไม่เพราะมันเป็นปัวซองผสมx1,x2,…,xnx1,x2,…,xnx_1, x_2, \ldots, x_n(x1,x2,…,xn)(x1,x2,…,xn)(x_1, x_2, \ldots, x_n) ในกรณีที่คุณอยากรู้นี่ไม่ใช่ปัญหาการบ้าน

9 poisson-distribution  multinomial  negative-binomial  conditioning