คำถามติดแท็ก probability

ความน่าจะเป็นให้คำอธิบายเชิงปริมาณของเหตุการณ์ที่เกิดขึ้นโดยเฉพาะ

5
ทฤษฎีการวัดเบื้องต้น
ฉันสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับเทคนิคแบบไม่มีพารามิเตอร์ Bayesian (และที่เกี่ยวข้อง) พื้นหลังของฉันอยู่ในวิทยาการคอมพิวเตอร์และถึงแม้ว่าฉันไม่เคยเรียนวิชาทฤษฎีการวัดหรือทฤษฎีความน่าจะเป็นมาก่อน แต่ฉันมีการฝึกอบรมอย่างเป็นทางการจำนวน จำกัด ในความน่าจะเป็นและสถิติ ทุกคนสามารถแนะนำการแนะนำแนวคิดที่อ่านได้เหล่านี้เพื่อเริ่มต้นกับฉันได้ไหม

3
ทำไมตัวแปรสุ่มถูกกำหนดให้เป็นฟังก์ชั่น
ฉันมีปัญหาในการทำความเข้าใจแนวคิดของตัวแปรสุ่มเป็นฟังก์ชั่น ฉันเข้าใจกลไก (ฉันคิดว่า) แต่ฉันไม่เข้าใจแรงจูงใจ ... พูดเป็นความน่าจะเป็นสามโดยที่ ,คือ Borel- -algebra ในช่วงเวลานั้นและคือการวัด Lebesgue ปกติ ให้เป็นตัวแปรสุ่มจากถึงซึ่ง , , ... ,ดังนั้นมีการกระจายแบบไม่ต่อเนื่องบนค่า 1 ถึง 6 Ω = [ 0 , 1 ] B σ P X B { 1 , 2 , 3 , 4 , 5 , 6 } X ( [ 0 , …

2
ทฤษฎี Extreme Value - แสดง: Normal ถึง Gumbel
จำนวนสูงสุดของ IID Standardnormals ลู่กับมาตรฐานกัมเบลจัดจำหน่ายตามมากราคาทฤษฎีX1,…,Xn.∼X1,…,Xn.∼X_1,\dots,X_n. \sim เราจะแสดงสิ่งนั้นได้อย่างไร เรามี P(maxXi≤x)=P(X1≤x,…,Xn≤x)=P(X1≤x)⋯P(Xn≤x)=F(x)nP(maxXi≤x)=P(X1≤x,…,Xn≤x)=P(X1≤x)⋯P(Xn≤x)=F(x)nP(\max X_i \leq x) = P(X_1 \leq x, \dots, X_n \leq x) = P(X_1 \leq x) \cdots P(X_n \leq x) = F(x)^n เราจำเป็นต้องค้นหา / เลือกan>0,bn∈Ran>0,bn∈Ra_n>0,b_n\in\mathbb{R}ลำดับของค่าคงที่เช่น: F(anx+bn)n→n→∞G(x)=e−exp(−x)F(anx+bn)n→n→∞G(x)=e−exp⁡(−x)F\left(a_n x+b_n\right)^n\rightarrow^{n\rightarrow\infty} G(x) = e^{-\exp(-x)} คุณสามารถแก้ไขหรือค้นหามันในวรรณคดี? มีบางตัวอย่างหน้า 6/71แต่ไม่ใช่สำหรับกรณีปกติ: Φ(anx+bn)n=(12π−−√∫anx+bn−∞e−y22dy)n→e−exp(−x)Φ(anx+bn)n=(12π∫−∞anx+bne−y22dy)n→e−exp⁡(−x)\Phi\left(a_n x+b_n\right)^n=\left(\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{a_n x+b_n} e^{-\frac{y^2}{2}}dy\right)^n\rightarrow e^{-\exp(-x)}

2
คำจำกัดความของความน่าจะเป็นตามเงื่อนไขที่มีหลายเงื่อนไข
โดยเฉพาะบอกว่าฉันมีสองเหตุการณ์ A และ B และพารามิเตอร์กระจายบางθθ \theta และฉันต้องการที่จะมองไปที่P(A|B,θ)P(A|B,θ)P(A | B,\theta) ) ดังนั้นคำจำกัดความที่ง่ายที่สุดของความน่าจะเป็นแบบมีเงื่อนไขคือให้บางเหตุการณ์ A และ B แล้ว ) ดังนั้นหากมีเหตุการณ์หลายไปอยู่ในสภาพที่เหมือนฉันมีข้างต้นผมอาจกล่าวได้ว่าP(|B,θ) ? = P((A|θ)∩(B|θ))P(A|B)=P(A∩B)P(B)P(A|B)=P(A∩B)P(B)P(A|B) = \frac{P(A \cap B)}{P(B)} หรือฉันกำลังมองไปในทางที่ผิดอย่างสิ้นเชิง? ฉันมักจะออกมาในใจเมื่อฉันจัดการกับความน่าจะเป็นบางครั้งฉันไม่แน่ใจว่าทำไมP(A|B,θ)=?P((A|θ)∩(B|θ))P(B|θ)P(A|B,θ)=?P((A|θ)∩(B|θ))P(B|θ)P(A | B,\theta) \stackrel{?}{=} \frac{P((A | \theta)\cap(B | \theta))}{P(B|\theta)}

4
ทุกคนสามารถอธิบายแนวคิดของ "ผลรวมของตัวแปรสุ่ม"
ในชั้นความน่าจะเป็นของฉันคำว่า "ผลรวมของตัวแปรสุ่ม" ถูกนำมาใช้อย่างต่อเนื่อง อย่างไรก็ตามฉันติดอยู่กับสิ่งที่ว่าหมายถึงอะไร? เรากำลังพูดถึงผลรวมของกลุ่มของการรับรู้จากตัวแปรสุ่มหรือไม่? ถ้าใช่นั่นจะไม่รวมกันเป็นตัวเลขเดียวใช่หรือไม่ ผลรวมของการรับรู้ตัวแปรแบบสุ่มนำเราไปสู่การแจกแจงอย่างไรหรือ cdf / pdf / ฟังก์ชันทุกชนิด และถ้าไม่ใช่การรับรู้ตัวแปรแบบสุ่มแล้วจะมีอะไรเพิ่มเข้ามาบ้าง?

11
จะตรวจสอบการกระจายผลลัพธ์อย่างง่ายดายสำหรับลูกเต๋าหลาย ๆ ตัวได้อย่างไร
ฉันต้องการคำนวณการแจกแจงความน่าจะเป็นสำหรับผลรวมของการรวมลูกเต๋า ฉันจำได้ว่าความน่าจะเป็นคือจำนวนชุดค่าผสมที่รวมจำนวนนั้นกับจำนวนชุดค่าผสมทั้งหมด (สมมติว่าลูกเต๋ามีการแจกแจงแบบเดียวกัน) มีสูตรอะไรบ้างสำหรับ จำนวนชุดค่าผสมทั้งหมด จำนวนชุดค่าผสมที่รวมจำนวนที่แน่นอน
21 probability  dice 

4
ความน่าจะเป็นในชีวิตประจำวันเป็นเพียงวิธีการจัดการกับสิ่งแปลกปลอม (ไม่ใช่การพูดควอนตัมฟิสิกส์ที่นี่) หรือไม่?
ดูเหมือนว่าในความน่าจะเป็นในชีวิตประจำวัน (ไม่ใช่ฟิสิกส์ควอนตัม) ความน่าจะเป็นเป็นเพียงสิ่งที่ไม่รู้จัก ยกตัวอย่างเช่นการพลิกเหรียญ เราบอกว่ามันเป็น "สุ่ม" การเปลี่ยนแปลงของหัว 50% และมีโอกาส 50% ที่จะก้อย อย่างไรก็ตามถ้าฉันรู้ความหนาแน่นขนาดและรูปร่างของเหรียญอย่างแน่นอน ความหนาแน่นของอากาศ ด้วยแรงที่เหรียญพลิก ตรงที่วางกำลัง; ระยะทางของเหรียญกับพื้น เป็นต้นฉันจะไม่สามารถคาดการณ์ได้โดยใช้ฟิสิกส์พื้นฐานด้วยความแม่นยำ 100% ไม่ว่าจะลงบนหัวหรือก้อย ถ้าใช่ความน่าจะเป็นในสถานการณ์นี้ไม่ใช่วิธีที่ฉันจัดการกับข้อมูลที่ไม่สมบูรณ์ใช่หรือไม่ มันไม่เหมือนกันถ้าฉันสับไพ่ (ซึ่งฉันคิดอะไรเกี่ยวกับมัน) ฉันปฏิบัติตามคำสั่งของการ์ดโดยการสุ่มเพราะฉันไม่รู้ว่าคำสั่งซื้อคืออะไร แต่ก็ไม่เหมือนกับว่ามีโอกาส 1/52 ที่ไพ่ใบแรกที่ฉันจับคือ Ace of Spades - 100% คือ เอซโพดำหรือ 100% ไม่ใช่ ถ้ากลิ้งลูกเต๋าและสับไพ่ไม่สุ่มมันจะไม่ตามเครื่องกำเนิดเลขสุ่มแบบคอมพิวเตอร์ที่ไม่สุ่มเพราะถ้าฉันรู้อัลกอริทึม (และอาจเป็นตัวแปรอื่น ๆ ) ฉันรู้ว่า จำนวนจะเป็นอย่างไร ขอบคุณล่วงหน้าสำหรับทุกคนที่ใช้เวลาในการตอบโดยเฉพาะคำถาม noob จากคนที่ไม่ใช่คณิตศาสตร์อย่างตัวฉัน ฉันไม่ต้องการที่จะไป reddit เพราะคนจำนวนมากแกล้งมีความรู้ แต่ไม่ใช่ ข้อสังเกตเพิ่มเติมเกี่ยวกับเมตา: ครั้งแรกผมรู้ว่ามีคำถามที่คล้ายกันอยู่แล้วรับการตอบรับสุ่ม …

5
กลิ้งตายจนกว่ามันจะตกลงสู่หมายเลขอื่นที่ไม่ใช่ 4 ความน่าจะเป็นที่ผลลัพธ์จะเป็นเท่าใด> 4?
ผู้เล่นได้รับการตายอย่างยุติธรรมหกด้าน ในการชนะเธอจะต้องหมุนหมายเลขมากกว่า 4 (เช่น 5 หรือ 6) ถ้าเธอกลิ้ง 4 เธอต้องหมุนอีกครั้ง อัตราต่อรองของเธอในการชนะคืออะไร? ฉันคิดว่าความน่าจะเป็นในการชนะP(W)P(W)P(W)สามารถแสดงซ้ำได้ดังนี้: P(W)=P(r=5∪r=6)+P(r=4)⋅P(W)P(W)=P(r=5∪r=6)+P(r=4)⋅P(W) P(W) = P(r = 5 \cup r = 6) + P(r = 4) \cdot P(W) ฉันได้ประมาณP( ว)P(W)P(W)เป็น0.39990.39990.3999โดยใช้การทดลอง 1 ล้านครั้งใน Java เช่นนี้ import java.util.Random; public class Dice { public static void main(String[] args) { int runs = 1000000000; …

3
เพื่อเพิ่มโอกาสในการเดาผลการพลิกเหรียญอย่างถูกต้องฉันควรเลือกผลลัพธ์ที่เป็นไปได้มากที่สุดหรือไม่?
นี่ไม่ใช่การบ้าน ฉันสนใจที่จะเข้าใจว่าตรรกะของฉันถูกต้องกับปัญหาสถิติอย่างง่ายนี้หรือไม่ สมมติว่าผมมีเหรียญ 2 ด้านที่น่าจะเป็นของการพลิกหัวคือและน่าจะเป็นของการพลิกหางเป็น(H) สมมติว่าการโยนทั้งหมดมีความน่าจะเป็นอิสระ ตอนนี้สมมติว่าฉันต้องการเพิ่มโอกาสในการทำนายว่าเหรียญจะเป็นส่วนหัวหรือส่วนท้ายของการพลิกครั้งต่อไป ถ้า , ฉันสามารถคาดเดาหัวหรือหางที่สุ่มและน่าจะเป็นของฉันเป็นที่ถูกต้องคือ0.51 - P ( H ) P ( H ) = 0.5 0.5P( H)P(H)P(H)1 - พี( H)1−P(H)1-P(H)P( H) = 0.5P(H)=0.5P(H) = 0.50.50.50.5 ทีนี้สมมติว่าถ้าฉันต้องการเพิ่มโอกาสในการคาดเดาให้ถูกต้องมากที่สุดฉันควรจะคาดเดาก้อยที่ความน่าจะเป็นคือหรือไม่?0.8P( H) = 0.2P(H)=0.2P(H) = 0.20.80.80.8 ถ้าฉันมีแบบ 3 ด้านและความน่าจะเป็นในการหมุน 1, 2 หรือ 3 คือ , , และฉันควรเดา 2 เสมอเพื่อเพิ่มโอกาสในการคาดเดาให้ถูกต้องที่สุดหรือไม่? …

9
เราจะรู้ได้อย่างไรว่าความน่าจะเป็นของการหมุน 1 และ 2 เป็น 1/18?
ตั้งแต่ชั้นความน่าจะเป็นครั้งแรกของฉันฉันสงสัยเกี่ยวกับสิ่งต่อไปนี้ การคำนวณความน่าจะเป็นมักจะแนะนำผ่านอัตราส่วนของ "เหตุการณ์ที่โปรดปราน" ต่อเหตุการณ์ที่เป็นไปได้ทั้งหมด ในกรณีของการกลิ้งลูกเต๋า 6 ด้านสองลูกเต๋าจำนวนของเหตุการณ์ที่เป็นไปได้คือดังที่แสดงในตารางด้านล่าง363636 1234561( 1 , 1 )( 2 , 1 )( 3 , 1 )( 4 , 1 )( 5 , 1 )( 6 , 1 )2( 1 , 2 )( 2 , 2 )( 3 , 2 )( 4 , 2 )( 5 , …
20 probability  dice 

3
การเรียนรู้ของเครื่องเพื่อทำนายความน่าจะเป็นในชั้นเรียน
ฉันกำลังมองหาตัวแยกประเภทที่เอาต์พุตความน่าจะเป็นซึ่งเป็นตัวอย่างของหนึ่งในสองคลาส ฉันรู้ว่าการถดถอยโลจิสติกและเบย์ไร้เดียงสา แต่คุณสามารถบอกฉันเกี่ยวกับคนอื่น ๆ ที่ทำงานในลักษณะเดียวกันได้หรือไม่? นั่นคือตัวแยกประเภทที่ไม่ได้คาดคะเนคลาสที่เป็นของตัวอย่าง แต่ความน่าจะเป็นที่ตัวอย่างนั้นเหมาะสมกับคลาสเฉพาะหรือไม่ คะแนนโบนัสสำหรับความคิดที่คุณสามารถแบ่งปันเกี่ยวกับข้อดีและข้อเสียของตัวแยกประเภทที่แตกต่างกันเหล่านี้ (รวมถึงการถดถอยโลจิสติกและ Bayes ไร้เดียงสา) ตัวอย่างเช่นมีการจัดหมวดหมู่หลายชั้นที่ดีกว่าบ้างไหม?

3
สถิติเบื้องต้นสำหรับลูกขุน
ฉันถูกเรียกตัวให้ทำหน้าที่คณะลูกขุน ฉันตระหนักถึงความเกี่ยวข้องของสถิติกับการพิจารณาของคณะลูกขุน ตัวอย่างเช่นแนวคิดของ "อัตราฐาน" และการประยุกต์ใช้กับการคำนวณความน่าจะเป็นบางครั้งอาจเกี่ยวข้องกับทุกครั้ง หัวข้อทางสถิติใดที่บุคคลในสถานการณ์ของฉันอาจศึกษาอย่างมีประโยชน์และวัสดุใดที่จะเหมาะสำหรับบางคนที่มีภูมิหลัง ฉันมีระดับ "วิทยาศาสตร์ที่ยาก" และมีความรู้ทางสถิติที่ จำกัด แต่ทักษะของฉันก็เป็นสนิม ฉันทำงานเต็มเวลาและไม่มีเวลาก่อนหน้าที่คณะลูกขุน ดังนั้นมันจะเหมาะสำหรับคำตอบที่จะมุ่งเน้นแนวคิดพื้นฐานทักษะการแก้ปัญหาอย่างง่ายและการประยุกต์ใช้กับปัญหาที่เกี่ยวข้อง (และข้อ จำกัด ของแนวคิดและวิธีการเหล่านั้นแน่นอน)

4
ค่าที่ถูกต้องสำหรับความแม่นยำและการเรียกคืนในกรณีขอบคืออะไร?
ความแม่นยำหมายถึง: p = true positives / (true positives + false positives) มันถูกต้องหรือไม่ที่ในฐานะtrue positivesและfalse positivesวิธีที่ 0 ความแม่นยำเข้าใกล้ 1? คำถามเดียวกันสำหรับการเรียกคืน: r = true positives / (true positives + false negatives) ขณะนี้ฉันกำลังใช้การทดสอบทางสถิติที่ฉันต้องการคำนวณค่าเหล่านี้และบางครั้งมันก็เกิดขึ้นที่ตัวส่วนเป็น 0 และฉันสงสัยว่าจะคืนค่าใดให้กับกรณีนี้ PS: ขอโทษแท็กที่ไม่เหมาะสมผมอยากจะใช้recall, precisionและlimitแต่ฉันไม่สามารถสร้างแท็กใหม่ ๆ
20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

4
ขอบเขตล่างที่แน่นหนาของเวลาตัวรวบรวมคูปองคืออะไร
ในคลาสสิกคูปองปัญหาสะสมเป็นที่รู้จักกันดีว่าเวลาที่ที่จำเป็นเพื่อให้ชุดของคูปองสุ่มหยิบตอบสนอง ,และC}TTTnnnE[T]∼nlnnE[T]∼nln⁡nE[T] \sim n \ln n Var(T)∼n2Var(T)∼n2Var(T) \sim n^2Pr(T&gt;nlnn+cn)&lt;e−cPr(T&gt;nln⁡n+cn)&lt;e−c\Pr(T > n \ln n + cn) < e^{-c} นี้ถูกผูกไว้บนเป็นดีกว่าที่กำหนดโดยความไม่เท่าเทียมกันเซฟซึ่งจะเป็นประมาณ 1/c21/c21/c^2 2 คำถามของฉันคือ: มีขอบเขตต่ำกว่าที่ดีกว่า -Chebyshev ที่สอดคล้องกันสำหรับTTT ? (เช่นมีอะไรบางอย่างเช่นPr(T&lt;nlnn−cn)&lt;e−cPr(T&lt;nln⁡n−cn)&lt;e−c\Pr(T < n \ln n - cn) < e^{-c} )?

3
ทำไมต้องใช้ Normalizing Factor ในทฤษฎีบทของเบย์
Bayes theorem ไป P(model|data)=P(model)×P(data|model)P(data)P(model|data)=P(model)×P(data|model)P(data) P(\textrm{model}|\textrm{data}) = \frac{P(\textrm{model}) \times P(\textrm{data}|\textrm{model})}{P(\textrm{data})} ทั้งหมดนี้เป็นเรื่องปกติ แต่ฉันได้อ่านที่ไหนสักแห่ง: โดยพื้นฐานแล้ว P (data) คืออะไรนอกจากค่าคงที่ normalizing คือค่าคงที่ที่ทำให้ความหนาแน่นของด้านหลังรวมเข้าเป็นหนึ่งเดียว เรารู้ว่า0≤P(model)≤10≤P(model)≤10 \leq P(\textrm{model}) \leq 1และ0≤P(data|model)≤10≤P(data|model)≤1 0 \leq P(\textrm{data}|\textrm{model}) \leq 1 1 ดังนั้นP(model)×P(data|model)P(model)×P(data|model)P(\textrm{model}) \times P(\textrm{data}|\textrm{model})ต้องอยู่ระหว่าง 0 ถึง 1 เช่นกัน ในกรณีเช่นนี้เหตุใดเราจึงต้องมีค่าคงที่ normalizing เพื่อทำให้ส่วนหลังเข้ากันเป็นหนึ่งเดียว

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.