Preguntas etiquetadas con convergence

He escuchado el término "estimador consistente" raíz-n "usado muchas veces. De los recursos que me han indicado, pensé que un estimador consistente "raíz-n" significaba que: el estimador converge en el valor verdadero (de ahí la palabra "consistente") el estimador converge a una velocidad de 1/n−−√1/n1/\sqrt{n} Esto me desconcierta, ya que …

10 convergence  estimators  consistency 

¿Cómo interpreta una curva de supervivencia del modelo de riesgo proporcional de Cox? En este ejemplo de juguete, supongamos que tenemos un modelo de riesgo proporcional de Cox ageen kidneydatos variables y generamos la curva de supervivencia. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Por ejemplo, en el …

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 

He estado luchando bastante para conciliar mi comprensión intuitiva de las distribuciones de probabilidad con las propiedades extrañas que poseen casi todas las topologías en las distribuciones de probabilidad. Por ejemplo, considere una variable aleatoria de mezcla : elija un gaussiano centrado en 0 con varianza 1 y con probabilidad …

9 mathematical-statistics  convergence  central-limit-theorem  topologies 

Los resultados asintóticos no pueden ser probados por simulación por computadora, porque son declaraciones que involucran el concepto de infinito. Pero deberíamos poder tener la sensación de que las cosas realmente marchan como la teoría nos lo dice. Considere el resultado teórico limn → ∞PAG( | XnorteEl | >ϵ)=0,ϵ > …

9 mathematical-statistics  simulation  convergence  asymptotics 

Dado que , el distr. Condicional. de Y es χ 2 ( 2 n ) . N tiene distr. Marginal de Poisson ( θ ), θ es una constante positiva.norte= nN=nN = nYYYχ2( 2 n )χ2(2n)\chi ^2(2n)norteNNθθ\thetaθθ\theta Demuestre que, como , ( Y - E ( Y ) ) / …

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

Estoy tratando de muestrear desde un posterior que tiene muchos modos, particularmente lejos de los demás, usando MCMC. Parece que en la mayoría de los casos, solo uno de estos modos contiene el 95% de HP que estoy buscando. Traté de implementar soluciones basadas en simulación templada, pero esto no …

9 sampling  mcmc  inference  convergence 

Dejar (Xn)(Xn)(X_n) ser una secuencia de iid N(0,1)N(0,1)\mathcal N(0,1)variables aleatorias. DefinirS0=0S0=0S_0=0 y Sn=∑nk=1XkSn=∑k=1nXkS_n=\sum_{k=1}^n X_k para n≥1n≥1n\geq 1. Encuentre la distribución limitante de1n∑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) Este problema es de un libro de problemas sobre Teoría de la probabilidad, en el capítulo sobre el Teorema del límite central. Ya que Sk−1Sk−1S_{k-1} …

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

La pregunta: 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 Sé que esto no se cumple en general; El teorema de Slutsky solo se aplica cuando una o ambas convergencias tienen probabilidad. Sin embargo, ¿hay casos en los que se hace espera? Por ejemplo, si las secuencias e son independientes.XnXnX_nYnYnY_n

8 distributions  convergence  asymptotics  slutsky-theorem 

Tengo una secuencia de variables no negativas.XnXnX_n como: E(Xn|Cn)=Cnn2E(Xn|Cn)=Cnn2E(X_n|C_n)=\frac{C_n}{n^2} dónde CnCnC_n es una secuencia de variables aleatorias que convergen casi seguramente 111. Puedo concluir XnXnX_n tiende a 0 casi seguro? Nota: puedes reemplazar 1n21n2\frac{1}{n^2}por cualquier secuencia con suma finita. La pregunta sigue siendo esencialmente la misma y la respuesta proporcionada …

8 probability  convergence  conditional-expectation 

En "Aprendizaje automático: una perspectiva probabilística" de Kevin Murphy, capítulo 3.2, el autor demuestra el concepto de aprendizaje bayesiano en un ejemplo llamado "juego de números": después de observar muestras de , queremos escoja una hipótesis que describa mejor la regla que generó las muestras. Por ejemplo, "números pares" o …

8 self-study  bayesian  maximum-likelihood  convergence 

Los algoritmos de iteración de políticas y valores se pueden usar para resolver los problemas del proceso de decisión de Markov. Me cuesta entender las condiciones necesarias para la convergencia. Si la política óptima no cambia durante dos pasos (es decir, durante las iteraciones i e i + 1 ), …

8 algorithms  markov-process  convergence 

Motivación En el contexto de la inferencia posterior a la selección del modelo, Leeb y Pötscher (2005) escriben: Aunque desde hace tiempo se sabe que la uniformidad (al menos localmente) de los parámetros es un tema importante en el análisis asintótico, esta lección a menudo se ha olvidado en la …

8 mathematical-statistics  convergence  asymptotics  estimators 

Entiendo que la fórmula para la probabilidad de convergencia es y puedo resolver problemas usando la fórmula. ¿Alguien puede explicarlo intuitivamente (como si tuviera cinco años), particularmente en lo que respecta a ?P[|Xn−X∞|>ϵ]→0P[|Xn−X∞|>ϵ]→0P[|X_n − X_\infty| \gt \epsilon ]\to 0ϵϵ\epsilon

8 probability  convergence  intuition 

He estado usando la función glm.fit en R para ajustar parámetros a un modelo de regresión logística. Por defecto, glm.fit utiliza mínimos cuadrados repesados ​​de forma iterativa para ajustar los parámetros. ¿Cuáles son algunas razones por las cuales este algoritmo no podría converger, cuando se usa para la regresión logística?

8 r  logistic  generalized-linear-model  convergence  irls 

Christopher Bishop define el valor esperado de la función de probabilidad de registro de datos completos (es decir, suponiendo que se nos dan tanto los datos observables X como los datos latentes Z) de la siguiente manera: 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 …

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