Preguntas etiquetadas con mathematical-statistics

Teoría matemática de la estadística, relacionada con definiciones formales y resultados generales.

1
Solución de forma cerrada al problema de lazo cuando la matriz de datos es diagonal
\newcommand{\diag}{\operatorname{diag}}Tenemos el problema: suponiendo que: \ sum_ {i = 1} ^ nx_ix_i ^ T = \ diag (\ sigma_1 ^ 2, ..., \ sigma_d ^ 2).minw∈Rd(1n∑i=1n(⟨w,xi⟩−yi)2+2λ||w||1),minw∈Rd(1n∑i=1n(⟨w,xi⟩−yi)2+2λ||w||1),\min_{w\in\mathbb{R}^{d}}\left( \frac{1}{n}\sum_{i=1}^{n} \left( \langle w,x_{i}\rangle-y_{i} \right)^{2} +2\lambda||w||_1\right),∑i=1nxixTi=diag(σ21,...,σ2d).∑i=1nxixiT=diag⁡(σ12,...,σd2).\sum_{i=1}^nx_ix_i^T=\diag(\sigma_1^2,...,\sigma_d^2). ¿Existe una solución de forma cerrada en este caso? Tengo eso: (XTX)−1=diag(σ−21,...,σ−2d),(XTX)−1=diag⁡(σ1−2,...,σd−2),(X^TX)^{-1}=\diag\left(\sigma_1^{-2},...,\sigma_d^{-2}\right), y creo que la respuesta es …


2
¿Cuáles son las aplicaciones prácticas existentes y conocidas de la teoría del caos en la minería de datos?
Mientras leía casualmente algunos trabajos de mercado masivo sobre la teoría del caos en los últimos años, comencé a preguntarme cómo se podrían aplicar varios aspectos de la minería de datos y campos relacionados, como redes neuronales, reconocimiento de patrones, gestión de incertidumbre, etc. Hasta la fecha, yo Me he …

3
Regresión lineal: ¿alguna distribución no normal que proporcione identidad de OLS y MLE?
Esta pregunta está inspirada en la larga discusión en los comentarios aquí: ¿Cómo usa la regresión lineal la distribución normal? En el modelo de regresión lineal habitual, para simplificar aquí escrito con un solo predictor: Yi=β0+β1xi+ϵiYi=β0+β1xi+ϵi Y_i = \beta_0 + \beta_1 x_i + \epsilon_i donde xixix_i son constantes conocidas y …


2
Derivando la distribución bivariada de Poisson
Recientemente me he encontrado con la distribución bivariada de Poisson, pero estoy un poco confundido sobre cómo se puede derivar. La distribución está dada por: P(X=x,Y=y)=e−(θ1+θ2+θ0)θx1x!θy2y!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X=x,Y=y)=e−(θ1+θ2+θ0)θ1xx!θ2yy!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X = x, Y = y) = e^{-(\theta_{1}+\theta_{2}+\theta_{0})} \displaystyle\frac{\theta_{1}^{x}}{x!}\frac{\theta_{2}^{y}}{y!} \sum_{i=0}^{min(x,y)}\binom{x}{i}\binom{y}{i}i!\left(\frac{\theta_{0}}{\theta_{1}\theta_{2}}\right)^{i} De lo que puedo deducir, el término θ0θ0\theta_{0} es una medida de correlación entre XXX …

2
Variable aleatoria uniforme discreta (?) Que toma todos los valores racionales en un intervalo cerrado
Acabo de tener un ataque de pánico (intelectual). Una variable aleatoria continua que sigue un uniforme en un intervalo cerrado U(a,b)U(a,b)U(a,b) : un concepto estadístico confortablemente familiar. Un rv uniforme continuo que tiene soporte sobre los reales extendidos (medio o entero): no es un rv propio, sino un concepto bayesiano …



7
Dar sentido a la teoría y las aplicaciones estadísticas
Recientemente me gradué con mi maestría en modelado médico y biológico, acompañado de matemáticas de ingeniería como fondo. A pesar de que mi programa educativo incluía una cantidad significativa de cursos sobre estadística matemática (ver a continuación una lista), que manejé con calificaciones bastante altas, con frecuencia termino completamente perdido …


11
¿La desviación estándar es totalmente incorrecta? ¿Cómo se puede calcular el estándar para alturas, recuentos, etc. (números positivos)?
Digamos que estoy calculando alturas (en cm) y los números deben ser superiores a cero. Aquí está la lista de muestra: 0.77132064 0.02075195 0.63364823 0.74880388 0.49850701 0.22479665 0.19806286 0.76053071 0.16911084 0.08833981 Mean: 0.41138725956196015 Std: 0.2860541519582141 En este ejemplo, de acuerdo con la distribución normal, el 99.7% de los valores deben …

2
¿Cómo definir una región de rechazo cuando no hay UMP?
Considere el modelo de regresión lineal. y=Xβ+uy=Xβ+u\mathbf{y}=\mathbf{X\beta}+\mathbf{u} , u∼N(0,σ2I)u∼N(0,σ2I)\mathbf{u}\sim N(\mathbf{0},\sigma^2\mathbf{I}) , E(u∣X)=0E(u∣X)=0E(\mathbf{u}\mid\mathbf{X})=\mathbf{0} . Deje vs .H 1 : σ 2 0 ≠ σ 2H0:σ20=σ2H0:σ02=σ2H_0: \sigma_0^2=\sigma^2H1:σ20≠σ2H1:σ02≠σ2H_1: \sigma_0^2\neq\sigma^2 Podemos deducir que , donde . Y es la notación típica para la matriz aniquiladora, , donde es la variable dependiente retrocedió en .deltaim(X)=n×kMXMXY= …



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.