একটি নামে কী: যথার্থতা (বিপরীতে বিপরীত)

Question

স্বজ্ঞাতভাবে, গড়টি কেবল পর্যবেক্ষণের গড়। এই পর্যবেক্ষণগুলি গড় থেকে কতটা পৃথক।

আমি জানতে চাই কেন বৈকল্পিকের বিপরীতটি যথার্থ হিসাবে পরিচিত। এ থেকে আমরা কোন স্বজ্ঞাততা তৈরি করতে পারি? এবং কেন যথার্থ ম্যাট্রিক্স মাল্টিভারিয়েট (সাধারণ) বিতরণে কোভারিয়েন্স ম্যাট্রিক্সের মতো দরকারী?

অন্তর্দৃষ্টি দয়া করে?

Comments

বহু পরিবর্তিত গাউসীয় বিতরণের সম্ভাবনা গণনা করতে, যথার্থ ম্যাট্রিক্স ব্যবহার করা আরও সুবিধাজনক। ভেরিয়েন্স ম্যাট্রিক্সটি প্রথমে উল্টাতে হবে।

— user112758

কিছুটা নিটপিক করার জন্য, ভিন্নতা পর্যবেক্ষণ গড় থেকে কতটা পৃথক হয় না কারণ কারণ হিসাবে একই ইউনিটে বৈকল্পিকতা প্রকাশ করা হয় না। "পয়েন্ট , বিন্দু থেকে 8 বর্গ মিটার দূরে " বোধগম্য ... (টিমের উত্তর (+1) আপনার বিশ্বাস করা নির্দিষ্ট প্রশ্নের সমাধান করা উচিত।)$A$$B$

— ইউএসআর 11852 বলেছেন

যথার্থতা হ'ল অন্যান্য বিষয়গুলির মধ্যে একটি পরিমাপ যা আমরা গড় থেকে দূরের মূল্যবোধ দ্বারা অবাক হওয়ার কতটা সম্ভাবনা।

— অ্যালেক্সিস

আমি মনে করি যে আসল প্রশ্নটি একটি দুর্দান্ত প্রশ্ন, কারণ আমি ভেবেছিলাম যে নির্ভুলতা ত্রুটির প্রান্তিকের বেশি হবে যেমন, একটি অনিশ্চয়তার ব্যবধানের অর্ধেক প্রস্থ। এটি ভেরিয়েন্স স্কেলের বর্গমূলের আরও বেশি হত।

— ফ্রাঙ্ক হ্যারেল

Answer 1

যথাযোগ্যতা প্রায়শই কনভেনশনের মাধ্যমে বায়েশিয়ান সফ্টওয়্যারে ব্যবহৃত হয়। এটি জনপ্রিয়তা অর্জন করেছে কারণ গামা বিতরণ যথাযথতার আগে সংযোগ হিসাবে ব্যবহার করা যেতে পারে ।

কেউ কেউ বলেছেন যে নির্ভুলতা বৈচিত্রের চেয়ে বেশি "স্বজ্ঞাত" কারণ এটি বলে যে তারা কতটা ছড়িয়ে ছড়িয়েছে তার পরিবর্তে গড়টির মানগুলি কতটা কেন্দ্রীভূত । বলা হয়ে থাকে যে আমরা কতটা নির্ভুল তা নির্ধারণের চেয়ে কিছু পরিমাপের বিষয়ে আরও আগ্রহী (তবে সততার সাথে আমি দেখতে পাচ্ছি না কীভাবে এটি আরও স্বজ্ঞাত হবে)।

গড়ের চারপাশের মানগুলি যত বেশি স্প্রেড হয় (উচ্চতর বৈকল্পিকতা) তত কম স্পষ্ট হয় সেগুলি (ছোট নির্ভুলতা)। ভেরিয়েন্স যত কম হবে, যথার্থতা তত বেশি। যথার্থতা কেবল একটি উল্টানো বৈকল্পিক । এর বাইরে আসলে কিছুই নেই।$\tau = 1/\sigma^2$

Comments

এর চেয়েও বেশি কিছু আছে। যথার্থতা একটি প্রাকৃতিক পরামিতি। ভেরিয়েন্স হয় না।

— নিল জি

Answer 2

যথাযথতা সাধারণ বিতরণের দুটি প্রাকৃতিক পরামিতিগুলির মধ্যে একটি। এর অর্থ হ'ল যদি আপনি দুটি স্বতন্ত্র ভবিষ্যদ্বাণীমূলক বিতরণ (যেমন একটি জেনারেলাইজড লিনিয়ার মডেল হিসাবে) একত্রিত করতে চান তবে আপনি যথার্থতা যুক্ত করুন। ভেরিয়েন্সের এই সম্পত্তি নেই।

অন্যদিকে, আপনি যখন পর্যবেক্ষণগুলি সংগ্রহ করছেন তখন আপনার গড় প্রত্যাশা পরামিতি। দ্বিতীয় মুহূর্ত একটি প্রত্যাশা প্যারামিটার।

দুটি স্বতন্ত্র সাধারণ বিতরণের কনভলশন গ্রহণ করার সময়, রূপগুলি যুক্ত হয়।

সম্পর্কিত, আপনার যদি একটি উইনার প্রক্রিয়া থাকে (একটি স্টোকাস্টিক প্রক্রিয়া যার বৃদ্ধিগুলি গাউসিয়ান হয়) আপনি অসীম বিভাজন ব্যবহার করে তর্ক করতে পারেন যে অর্ধেক সময় অপেক্ষা করা, মানে অর্ধেক বৈকল্পিকতা দিয়ে লাফানো ।

অবশেষে, কোনও গাউসীয় বিতরণকে স্কেল করার সময়, মানক বিচ্যুতিটি মাপা হয়।

সুতরাং, আপনি যা করছেন তার উপর নির্ভর করে অনেকগুলি প্যারামিটারাইজেশন দরকারী। আপনি যদি কোনও জিএলএম-তে ভবিষ্যদ্বাণীগুলি একত্রিত করে থাকেন তবে নির্ভুলতাটি সর্বাধিক "স্বজ্ঞাত" one

Comments

হাই নিল, আপনি কি সরবরাহ করতে পারেন এবং উদাহরণস্বরূপ বা সংস্থানগুলির কিছু লিঙ্কগুলি যা দুটি বিতরণের সংমিশ্রণের সময় যথাযথতার "যুক্ত" সম্পত্তিটিকে আরও ব্যাখ্যা করে? আমি নিশ্চিত নই, এর ব্যাখ্যা কীভাবে করব।

— কিলিয়ান ব্যাটজনার

@ কিলিয়ান ব্যাটনার ডিজিটুল.লিবের.এমসিগিল.সিএ / ওয়েবেসিলেট / পৃষ্ঠা পৃষ্ঠা 15.

— নিল জি