Вопросы с тегом «conditional-expectation»

Условное ожидание - это ожидание случайной величины с учетом информации о другой переменной или переменных (в основном, путем указания их значения).

1
Нижний индекс в ожиданиях
Каково точное значение индексной записи в условных ожиданиях в рамках теории меры? Эти индексы не появляются в определении условного ожидания, но мы можем видеть, например, на этой странице википедии . (Обратите внимание, что это было не всегда так, одна и та же страница несколько месяцев назад).EX[f(X)]EX[f(X)]\mathbb{E}_X[f(X)] Например, что должно с …

3
Обобщение закона повторных ожиданий
Я недавно столкнулся с этой личностью: E[E(Y|X,Z)|X]=E[Y|X]E[E(Y|X,Z)|X]=E[Y|X]E \left[ E \left(Y|X,Z \right) |X \right] =E \left[Y | X \right] Я, конечно, знаком с более простой версией этого правила, а именно, что но я не смог найти оправдания для его обобщение.E[E(Y|X)]=E(Y)E[E(Y|X)]=E(Y)E \left[ E \left(Y|X \right) \right]=E \left(Y\right) Я был бы признателен, если …

3
Интуиция условного ожидания
Пусть - вероятностное пространство, заданное случайной величиной и -algebra мы можем построить новую случайную величину , которая является условным ожиданием.(Ω,F,μ)(Ω,F,μ)(\Omega,\mathscr{F},\mu)ξ:Ω→Rξ:Ω→R\xi:\Omega \to \mathbb{R}σσ\sigmaG⊆FG⊆F\mathscr{G}\subseteq \mathscr{F}E[ξ|G]E[ξ|G]E[\xi|\mathscr{G}] Что такое интуиция для размышления об ? Я понимаю интуицию для следующего:E[ξ|G]E[ξ|G]E[\xi|\mathscr{G}] (i) где - событие (с положительной вероятностью).E[ξ|A]E[ξ|A]E[\xi|A]AAA (ii) где - дискретная случайная величина.E[ξ|η]E[ξ|η]E[\xi|\eta]ηη\eta Но я …

4
Задача с доказательством условного ожидания как лучшего предиктора
У меня есть проблема с доказательством E ( Y | X ) ∈ arg min g ( X ) E [ ( Y - g ( X ) ) 2 ]E(Y|X)∈argming(X)E[(Y−g(X))2]E(Y|X) \in \arg \min_{g(X)} E\Big[\big(Y - g(X)\big)^2\Big] что, скорее всего, выявит более глубокое непонимание ожиданий и условных ожиданий. Доказательство, которое …


1
Как мне мысленно разобраться с парадоксом Бореля?
Мне немного неловко от того, как я мысленно справился с парадоксом Бореля и другими связанными с ним «парадоксами», связанными с условной вероятностью. Для тех, кто читает это, кто не знаком с этим, посмотрите эту ссылку . Мой ментальный ответ до этого момента был в основном игнорировать это, потому что никто, …

4
Ожидаемое значение медианы выборки, учитывая среднее значение выборки
Пусть обозначает медиану, а обозначает среднее случайной выборки размером из распределения . Как я могу вычислить ?Y ˉ X n = 2 k + 1 N ( μ , σ 2 ) E ( Y | ˉ X = ˉ x )YYX¯\bar{X}n=2k+1n=2k+1N(μ,σ2)N(\mu,\sigma^2)E(Y|X¯=x¯)E(Y|\bar{X}=\bar{x}) Интуитивно понятно, что из предположения о нормальности имеет …

2
Закон полной дисперсии как теорема Пифагора
Предположим, что и имеют конечный второй момент. В гильбертовом пространстве случайных величин со вторым конечным моментом (с внутренним произведением определяемым , ), мы можем интерпретировать как проекция на пространство функций .XXXYYYT1,T2T1,T2T_1,T_2E(T1T2)E(T1T2)E(T_1T_2)||T||2=E(T2)||T||2=E(T2)||T||^2=E(T^2)E(Y|X)E(Y|X)E(Y|X)YYYXXX Мы также знаем, что Закон полной дисперсии читается как Var(Y)=E(Var(Y|X))+Var(E(Y|X))Var(Y)=E(Var(Y|X))+Var(E(Y|X))Var(Y)=E(Var(Y|X)) + Var(E(Y|X)) Есть ли способ интерпретировать этот закон с …

3
Если
Вопрос Если являются IID, то вычислите , где .X1,⋯,Xn∼N(μ,1)X1,⋯,Xn∼N(μ,1)X_1,\cdots,X_n \sim \mathcal{N}(\mu, 1)E(X1∣T)E(X1∣T)\mathbb{E}\left( X_1 \mid T \right)T=∑iXiT=∑iXiT = \sum_i X_i Попытка : пожалуйста, проверьте правильность приведенного ниже. Пусть говорят, мы возьмем сумму этих условных ожиданий такое , что ∑iE(Xi∣T)=E(∑iXi∣T)=T.∑iE(Xi∣T)=E(∑iXi∣T)=T.\begin{align} \sum_i \mathbb{E}\left( X_i \mid T \right) = \mathbb{E}\left( \sum_i X_i \mid T …

2
Условное ожидание экспоненциальной случайной величины
Для случайной величины ( ) я интуитивно чувствую, что должен равняться поскольку по свойству без памяти распределение такое же, как у но смещено вправо на .X∼Exp(λ)X∼Exp(λ)X\sim \text{Exp}(\lambda)E[X]=1λE[X]=1λ\mathbb{E}[X] = \frac{1}{\lambda}E[X|X>x]E[X|X>x]\mathbb{E}[X|X > x]x+E[X]x+E[X]x + \mathbb{E}[X]X|X>xX|X>xX|X > xXXXxxx Однако я изо всех сил пытаюсь использовать свойство без памяти, чтобы дать конкретное доказательство. Любая …

4
Ожидаемое число: я буду после розыгрыша карт, пока не получу туза, 2, 3 и т. Д.
У меня возникли проблемы с решением следующего. Вы берете карты из стандартной колоды из 52 карт без замены, пока не получите туза. Вы вытягиваете из того, что осталось, пока не получите 2. Вы продолжаете с 3. Какое ожидаемое число вы будете иметь после того, как закончится вся колода? Было естественно …

1
Точный критерий Фишера и гипергеометрическое распределение
Я хотел лучше понять точный критерий Фишера, поэтому я разработал следующий пример игрушки, где f и m соответствуют мужской и женской части, а n и y соответствуют «потреблению соды», например: > soda_gender f m n 0 5 y 5 0 Очевидно, это резкое упрощение, но я не хотел, чтобы контекст …

1
R / mgcv: Почему тензорные продукты te () и ti () производят разные поверхности?
mgcvПакет Rимеет две функции для установки взаимодействия Тензор продукта: te()и ti(). Я понимаю основное разделение труда между ними (подгонка нелинейного взаимодействия против разложения этого взаимодействия на основные эффекты и взаимодействие). Чего я не понимаю, так это почему te(x1, x2)и ti(x1) + ti(x2) + ti(x1, x2)может дать (немного) разные результаты. MWE …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

1
Более простой способ найти
Рассмотрим 3 одинаковых выборки, взятых из равномерного распределения u(θ,2θ)u(θ,2θ)u(\theta, 2\theta) , где θθ\theta - параметр. Я хочу найти E[X(2)|X(1),X(3)]E[X(2)|X(1),X(3)] \mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] где X(i)X(i)X_{(i)} - это статистика порядка iii . Я ожидаю, что результатом будет Но единственный способ, которым я могу показать этот результат, кажется слишком длинным, я не могу …

1
Ожидание на произведения высших порядков нормальных распределений
У меня есть две нормально распределенные переменные и X 2 со средним нулем и ковариационной матрицей Σ . Я заинтересован в попытке вычислить значение E [ X 2 1 X 2 2 ] в терминах записей Σ .Икс1Икс1X_1Икс2Икс2X_2ΣΣ\SigmaЕ[ X21Икс22]Е[Икс12Икс22]E[X_1^2 X_2^2]ΣΣ\Sigma Я использовал закон полной вероятности, чтобы получить но я не …

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.