Preguntas etiquetadas con self-study

Un ejercicio de rutina de un libro de texto, curso o examen utilizado para una clase o autoaprendizaje. La política de esta comunidad es "proporcionar consejos útiles" para tales preguntas en lugar de respuestas completas.

1
Diferencia entre los modelos ocultos de Markov y el filtro de partículas (y el filtro de Kalman)
Aquí está mi vieja pregunta Me gustaría preguntar si alguien sabe la diferencia (si hay alguna diferencia) entre los modelos Hidden Markov (HMM) y el Filtro de partículas (PF), y como consecuencia el Filtro Kalman, o en qué circunstancias usamos qué algoritmo. Soy estudiante y tengo que hacer un proyecto, …
4
¿Cómo proyectar un nuevo vector en el espacio PCA?
Después de realizar el análisis de componentes principales (PCA), quiero proyectar un nuevo vector en el espacio PCA (es decir, encontrar sus coordenadas en el sistema de coordenadas PCA). He calculado PCA en lenguaje R usando prcomp. Ahora debería poder multiplicar mi vector por la matriz de rotación PCA. ¿Deben …
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 
2
Supongamos que
¿Cuál es la forma más fácil de ver que la siguiente afirmación es verdadera? Supongamos que Y1,…,Yn∼iidExp(1)Y1,…,Yn∼iidExp(1)Y_1, \dots, Y_n \overset{\text{iid}}{\sim} \text{Exp}(1) . Mostrar ∑ni=1(Yi−Y(1))∼Gamma(n−1,1)∑i=1n(Yi−Y(1))∼Gamma(n−1,1)\sum_{i=1}^{n}(Y_i - Y_{(1)}) \sim \text{Gamma}(n-1, 1) . Y(1)=min1≤i≤nYiY(1)=min1≤i≤nYiY_{(1)} = \min\limits_{1 \leq i \leq n}Y_i Por , esto significa que f_ {X} (x) = \ dfrac {1} {\ …
1
Prueba de fórmula LOOCV
De una Introducción al aprendizaje estadístico de James et al., La estimación de validación cruzada de dejar uno fuera (LOOCV) se define por CV(n)=1n∑i=1nMSEiCV(n)=1n∑i=1nMSEi\text{CV}_{(n)} = \dfrac{1}{n}\sum\limits_{i=1}^{n}\text{MSE}_i dondeMSEi=(yi−y^i)2MSEi=(yi−y^i)2\text{MSE}_i = (y_i-\hat{y}_i)^2. Sin prueba, la ecuación (5.2) establece que para una regresión de mínimos cuadrados o polinomios (si esto se aplica a la …
4
¿Cuál es la intuición detrás de la independencia de
Esperaba que alguien pudiera proponer un argumento que explicara por qué las variables aleatorias Y1=X2−X1Y1=X2−X1Y_1=X_2-X_1 e Y2=X1+X2Y2=X1+X2Y_2=X_1+X_2 , XiXiX_i tiene la distribución normal estándar, son estadísticamente independientes. La prueba de este hecho se deduce fácilmente de la técnica de MGF, pero me parece extremadamente contra-intuitiva. Por lo tanto, agradecería la …
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.