Questions tagged «conditional-probability»

在研究协方差选择时，我曾经阅读以下示例。关于以下模型： 其协方差矩阵和逆协方差矩阵如下： 我不明白为什么和的独立性是由逆协方差决定的？xxxyyy 这种关系背后的数学逻辑是什么？ 同样，下图的左图要求捕获和之间的独立关系；为什么？xxxyyy

10 machine-learning  bayesian  conditional-probability  covariance  graphical-model 

已关闭。这个问题需要细节或说明。它当前不接受答案。 想改善这个问题吗？添加细节并通过编辑此帖子来澄清问题。 2年前关闭。 我正在读Luce（1959）。然后，我发现了以下语句： 当一个人在备选方案中进行选择时，通常他们的反应似乎受以选择集为条件的概率所支配。但是普通概率论及其对条件概率的标准定义似乎并不是所需要的。一个例子说明了困难。在决定如何从家到另一座城市旅行时，您可以选择乘飞机（a），公共汽车（b）或汽车（c）。令A，B，C表示与旅行形式相关的自然状态的不确定性。请注意，如果选择c，则A和B的所有不确定性都将保留，因为无论您是否在飞机上，飞机都会飞行并且公共汽车在运行。但是，如果您选择a或b，那么您的汽车将保留在车库中，并且从驾驶汽车起就彻底改变了C集。 引入第一章的选择公理是对构建类似于概率的选择理论的首次尝试，该理论绕过了固定的，通用的样本空间假设。 资料来源：http : //www.scholarpedia.org/article/Luce's_choice_axiom 对我来说，概率度量由三重态，样本空间，西格玛代数F和最后一个度量P定义。ΩΩ\OmegaFF\mathcal{F}PPP 对于上述示例，如果我定义以下内容，这似乎是个问题： Ω={bus,car,airplane}Ω={bus,car,airplane}\Omega = \{ \text{bus}, \text{car}, \text{airplane} \} 共同统计中的一个关键假设是ceteris paribus条件。这是因为违反cp假设而需要在选择行为的背景下调整基本概率论的原因吗？

10 probability  logistic  self-study  conditional-probability  multinomial 

可以说我正在掷一万枚硬币。我想知道连续获得4个或更多连续磁头需要多少次翻转。 计数将按以下方式进行，您将计数连续的一轮翻转仅是正面（4头或更多）。当一条尾巴击中并破坏了头的条纹时，计数将从下一次翻转开始。然后重复10,000次翻转。 我想知道不仅连续出现4个或更多磁头的概率，而且是6个或更多，10个或更多的概率。为了澄清是否达到9个头的条纹，将其记为1个条纹4个或更多（和/或6个或更多），而不是2个单独的条纹。例如，如果硬币来到THTHTHTHHHHHH /// THAHTHT...。计数将为13，并在下一条尾部再次开始。 假设数据偏右偏；平均为40次翻转，条纹达到4个或更多，分布为u =28。显然是偏斜的。 我正在尽力寻找一种方法来从描述性数据中弄清楚，除非到目前为止我什么都没发现。 我想找到一种方法来从中获得一些合理的可能性。就像+/- 1 SD为68％的正态曲线等。我研究了对数归一化，它仅真正用于参数测试，这并不是我的目标。 有人告诉我Beta发行版，但我提出的每条建议都令人困惑。我一年前曾问过这个问题，并获得了一些见识，但不幸的是我仍然没有答案。谢谢任何有想法的人。

10 probability  distributions  self-study  conditional-probability 

我想知道如何正确解释条件密度图。我在下面用R创建的下面插入了两个cdplot。 例如，当变量1为150时大约80％的结果等于1 的概率吗？ 暗灰色区域是Result等于1 的条件概率，对吧？ 从cdplot文档中： 在给定y的水平（由y的边际分布加权）的情况下，cdplot计算x的条件密度。密度是在y级别上累积得出的。 这种积累如何影响这些图的解释？

10 r  data-visualization  interpretation  conditional-probability  pdf 

当在某些数据集上通过随机梯度下降训练参数化模型（例如，使似然性最大化）时，通常假设从训练数据分布中抽取训练样本。因此，如果目标是建模联合分布，则应从该分布中得出每个训练样本。P(X,Y)P(X,Y)P(X,Y)(xi,yi)(xi,yi)(x_i,y_i) 如果目标是为条件分布P（Y | X）建模P(Y|X)P(Y|X)P(Y|X)，那么iid需求将如何变化（如果有的话）？ 我们还必须从联合分布中抽取每个样本(xi,yi)(xi,yi)(x_i,y_i) iid吗？ 我们应该从P（X）绘制xixix_i iid ，然后从P（Y | X）绘制y_i iid 吗？P(X)P(X)P(X)yiyiy_iP(Y|X)P(Y|X)P(Y|X) 我们可以从P（X）中得出xixix_i不是iid （例如随时间相关），然后从P（Y | X）中得出y_i iid 吗？P(X)P(X)P(X)yiyiy_iP(Y|X)P(Y|X)P(Y|X) 您能否评论这三种随机梯度下降方法的有效性？（或在必要时帮助我重新说明问题。） 如果可能的话，我想做＃3。我的应用程序是强化学习，其中我使用参数化条件模型作为控制策略。状态序列xixix_i是高度相关的，但是从状态为条件的随机策略中，对操作yiyiy_i进行了iid采样。结果样本(xi,yi)(xi,yi)(x_i,y_i)（或它们的子集）用于训练策略。（换句话说，想象在某个环境中长时间运行控制策略，收集状态/动作样本的数据集。然后，即使状态随着时间而相互关联，动作也将根据状态独立地生成。）这是有点类似的情况提出。 我发现了一篇论文，Ryabko，2006年，“ 有条件独立数据的模式识别 ”，乍一看似乎很有意义。然而，那里的情况是从我需要什么，在这里逆转（标签/分类/动作）可以被延伸不IID，和（对象/模式/状态）从绘制IID。yiyiy_iP(Y)P(Y)P(Y)xixix_iP(X|Y)P(X|Y)P(X|Y) 更新： Ryabko论文中提到的两篇论文（此处和此处）似乎与此处相关。他们假设来自任意过程（例如，不是iid，可能是非平稳的）。他们表明，在这种情况下，最近邻估计和核估计是一致的。但是我更感兴趣的是在这种情况下基于随机梯度下降的估计是否有效。xixix_i

10 machine-learning  conditional-probability  reinforcement-learning  gradient-descent 

如果有的话，蒙蒂·霍尔（Monty Hall）问题会变得很明显。甚至伟大的保罗·埃多斯（Paul Erdos）也被这个问题所迷惑。我可能很难回答的问题是，我们对一个答案如此自信而又凭直觉争论却​​又如此错误的可能性是什么？本福德的第一位数字定律和等待时间悖论是其他类似的著名例子。

10 probability  conditional-probability  paradox  heuristic 

我想知道条件概率是贝叶斯主义所独有的，还是更多地是统计学家/统计学家/概率论者之间在几种思想流派中所共有的一般概念。 我以为是这样，因为我假设没有人可以是逻辑上的，所以我认为常客主义者至少在理论上会同意，同时警告不要使用贝叶斯主义推断更多是出于实际原因，而不是由于条件概率。p(A,B)=p(A|B)p(B)p(A,B)=p(A|B)p(B)p(A,B) = p(A|B)p(B)

10 bayesian  conditional-probability 

首先，让我预先承认，我对统计和数学的了解不如我所希望的那样。有人可能会说只有足够的知识才有危险。：DI抱歉，如果我没有正确使用术语。 我正在尝试对系统从一种状态转换为另一种状态的概率进行建模。一个简单的马尔可夫模型是一个好的开始。（状态集，初始状态概率集，状态之间的转移概率集。） 但是，我正在建模的系统要复杂得多。导致在时间T进入状态的转移概率最有可能取决于除T-1处的状态以外的变量。例如，当阳光明媚时，S1-> S2的转换概率可能为40％，但是在下雨时，S1-> S2的转换概率为80％。 评论者问题的其他信息： 状态是可观察的。 只有5-10个州。 尽管最终模型肯定会少于这个，但目前我们大约要研究30个协变量。 一些协变量是连续的，其他是离散的。 三个问题： 如何将条件转移概率纳入我的马尔可夫模型中？ 或者，是否有我应该完全从另一个角度来解决这个问题？ 另外，我应该在线搜索哪些关键字/概念以了解更多信息？ 我已经在网上搜索“带有条件转移概率的马尔可夫模型”之类的东西，但是到目前为止，没有任何东西让我打耳光，说：“这是你的答案，假人！” 感谢您的帮助和耐心等待。

10 markov-process  conditional-probability 

我试图获得更清晰的直觉：“如果使更有可能，那么使更有可能”一个AA乙BB乙BB一个AA 令表示和所在的空间的大小，然后Ñ （小号）n(S)n(S)一个AA乙BB 要求：使得P(B|A)>P(B)P(B|A)>P(B)P(B|A)>P(B)n(AB)/n(A)>n(B)/n(S)n(AB)/n(A)>n(B)/n(S)n(AB)/n(A) > n(B)/n(S) 所以n(AB)/n(B)>n(A)/n(S)n(AB)/n(B)>n(A)/n(S)n(AB)/n(B) > n(A)/n(S) 这是P(A|B)>P（一）P(A|B)>P(A)P(A|B)>P(A) 我理解数学，但是为什么这很直观？

9 probability  inference  conditional-probability  intuition  association-measure 

假设我们要计算一些期望值： EYEX|Y[f(X,Y)]EYEX|Y[f(X,Y)]E_YE_{X|Y}[f(X,Y)] 假设我们要使用蒙特卡洛模拟对此进行近似。 EYEX|Y[f(X,Y)]≈1RS∑r=1R∑s=1Sf(xr,s,yr)EYEX|Y[f(X,Y)]≈1RS∑r=1R∑s=1Sf(xr,s,yr)E_YE_{X|Y}[f(X,Y)] \approx \frac1{RS}\sum_{r=1}^R\sum_{s=1}^Sf(x^{r,s},y^r) 但是，假设从这两个分布中抽取样本成本很高，因此我们只能承受绘制固定数。 KKK 我们应该如何分配？示例包括每种分布的抽奖，或者极端情况下，外部抽奖，内部为抽奖，反之亦然，等等。K / 2 K − 1KKKK/2K/2K/2K−1K−1K-1 我的直觉告诉我，这将与分布相对于彼此的方差/熵有关。假设外一个是质点，则分割最小化MC误差将被绘制的1和绘制的的。 ÿKKKYYYX | ÿK−1K−1K-1X|YX|YX|Y 希望这很清楚。

9 optimization  conditional-probability  simulation  expected-value  monte-carlo 

鉴于 N=nN=nN = n，条件限制区。的YYY 是 χ2(2n)χ2(2n)\chi ^2(2n)。 NNN有边际收益。泊松（θθ\theta）， θθ\theta 是一个正常数。 证明为 θ→∞θ→∞\theta \rightarrow \infty， (Y−E(Y))/Var(Y)−−−−−−√→N(0,1) (Y−E(Y))/Var⁡(Y)→N(0,1)\space \space (Y - E(Y))/ \sqrt{\operatorname{Var}(Y)} \rightarrow N(0,1) 在分配。 谁能提出解决这个问题的策略。似乎我们需要使用CLT（中心极限定理），但是要获取任何信息似乎很难YYY在其自己的。是否可以引入rv来取样，生成YYY？ 这是家庭作业这样的提示理解。

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

在pLSA的原始论文中，作者Thomas Hoffman在pLSA和LSA数据结构之间画了一条相似的线，我想与您讨论一下。 背景： 从信息检索中获得启发，假设我们有一个 ññN 单据 D = {d1个，d2，。。。。，dñ}d={d1个，d2，。。。。，dñ}D = \lbrace d_1, d_2, ...., d_N \rbrace 和一个词汇 中号中号M 条款 Ω = {ω1个，ω2，。。。，ω中号}Ω={ω1个，ω2，。。。，ω中号}\Omega = \lbrace \omega_1, \omega_2, ..., \omega_M \rbrace 一个语料库 XXX 可以用 ñ× Mñ×中号N \times M 共生矩阵。 在SVD的潜在语义Analisys中，矩阵XXX 被分为三个矩阵： X= UΣVŤX=üΣVŤX = U \Sigma V^T 哪里 Σ = d我一个克{σ1个，。。。，σs}Σ=d一世一个G{σ1个，。。。，σs}\Sigma = …

9 machine-learning  conditional-probability  svd  information-retrieval  lsa 

假设我有一个频率为4个可能的事件的样本： Event1 - 5 E2 - 1 E3 - 0 E4 - 12 并且我具有发生事件的预期概率： p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 利用我四个事件的观测频率之和（18），我可以计算事件的预期频率，对吗？ expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 = 1.8 expectedE1 - …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

我知道什么是条件概率分布。但是，完全条件概率到底是多少？

9 probability  conditional-probability