Estadísticas y Big Data

Preguntas y respuestas para personas interesadas en estadísticas, aprendizaje automático, análisis de datos, minería de datos y visualización de datos.


1
Probabilidades negativas: explicaciones laicas
Estaba muy intrigada por la respuesta aquí. Me gustaría tener una explicación más laica de lo que podrían significar las probabilidades negativas y sus aplicaciones, posiblemente con ejemplos. Por ejemplo, ¿qué significaría para un evento tener probabilidad -10%, de acuerdo con estas medidas extendidas de probabilidad?

3
Ensayos "pragmáticos": ¿qué son?
En Twitter, un investigador Stuart Nicholls criticó un estudio publicado recientemente diciendo: Además del muy interesante artículo de Dal-Re, señalan varios ejemplos que cuestionan el uso del término pragmático. ¿Puede un ensayo aleatorizado de incremento de dosis de fase 3, multisitio, doble ciego, controlado con placebo, de brazo paralelo, realmente …

2
Distribución y varianza del conteo de triángulos en gráfico aleatorio
Considere un gráfico aleatorio de Erdos-Renyi . El conjunto de vértices está etiquetado por . El conjunto de aristas se construye mediante un proceso aleatorio.G = (V( n ) , E( p ) )sol=(V(norte),mi(pag))G=(V(n),E(p))nortenortenVVVV={1,2,…,n}V={1,2,…,n}V = \{1,2,\ldots,n\}EEE Sea una probabilidad , entonces cada par desordenado de vértices ( ) ocurre como …

2
UMVUE de durante el muestreo de la población
Sea una muestra aleatoria de la densidad(X1,X2,…,Xn)(X1,X2,…,Xn)(X_1,X_2,\ldots,X_n)fθ(x)=θxθ−110<x<1,θ>0fθ(x)=θxθ−110<x<1,θ>0f_{\theta}(x)=\theta x^{\theta-1}\mathbf1_{00 Estoy tratando de encontrar el UMVUE de .θ1+θθ1+θ\frac{\theta}{1+\theta} La densidad conjunta de es(X1,…,Xn)(X1,…,Xn)(X_1,\ldots,X_n) fθ(x1,⋯,xn)=θn(∏i=1nxi)θ−110<x1,…,xn<1=exp[(θ−1)∑i=1nlnxi+nlnθ+ln(10<x1,…,xn<1)],θ>0fθ(x1,⋯,xn)=θn(∏i=1nxi)θ−110<x1,…,xn<1=exp⁡[(θ−1)∑i=1nln⁡xi+nln⁡θ+ln⁡(10<x1,…,xn<1)],θ>0\begin{align} f_{\theta}(x_1,\cdots,x_n)&=\theta^n\left(\prod_{i=1}^n x_i\right)^{\theta-1}\mathbf1_{00 \end{align} Como la población pdf pertenece a la familia exponencial de un parámetro, esto muestra que una estadística completa suficiente para esfθfθf_{\theta}θθ\thetaT(X1,…,Xn)=∑i=1nlnXiT(X1,…,Xn)=∑i=1nln⁡XiT(X_1,\ldots,X_n)=\sum_{i=1}^n\ln X_i Dado que , …




2
Muestreo exacto de mezclas impropias
Supongamos que quiero muestrear a partir de una distribución continua . Si tengo una expresión de en la formapp(x)pag(X)p(x)ppagp p(x)=∑i=1∞aifi(x)pag(X)=∑yo=1∞unayoFyo(X)p(x) = \sum_{i=1}^\infty a_i f_i(x) donde y f_i son distribuciones de las que se puede muestrear fácilmente, entonces puedo generar fácilmente muestras de p de la siguiente manera:f i pai⩾0,∑iai=1unayo⩾0 0,∑younayo=1a_i …


6
¿Ejemplos simples del mundo real para enseñar estadísticas bayesianas?
Me gustaría encontrar algunos "ejemplos del mundo real" para enseñar estadísticas bayesianas. Las estadísticas bayesianas le permiten a uno incorporar formalmente conocimiento previo en un análisis. Me gustaría darles a los estudiantes algunos ejemplos simples del mundo real de investigadores que incorporan conocimientos previos en su análisis para que los …

1
Relación LASSO entre y
Mi comprensión de la regresión LASSO es que los coeficientes de regresión se seleccionan para resolver el problema de minimización: minβ∥y−Xβ∥22 s.t.∥β∥1≤tminβ‖y−Xβ‖22 s.t.‖β‖1≤t\min_\beta \|y - X \beta\|_2^2 \ \\s.t. \|\beta\|_1 \leq t En la práctica, esto se hace usando un multiplicador de Lagrange, lo que hace que el problema se …

1
¿Cuándo no usar validación cruzada?
A medida que leo en el sitio, la mayoría de las respuestas sugieren que la validación cruzada debe hacerse en algoritmos de aprendizaje automático. Sin embargo, mientras leía el libro "Comprensión del aprendizaje automático", vi que hay un ejercicio que a veces es mejor no usar la validación cruzada. Estoy …


3
¿Es el supuesto de linealidad en la regresión lineal simplemente una definición de
Estoy revisando la regresión lineal. El libro de texto de Greene dice: Ahora, por supuesto, habrá otros supuestos sobre el modelo de regresión lineal, como E(ϵ|X)=0E(ϵ|X)=0E(\epsilon|X)=0 . Esta suposición combinada con la suposición de linealidad (que en efecto define ϵϵ\epsilon ), le da estructura al modelo. Sin embargo, el supuesto …

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.