প্রশ্ন ট্যাগ «likelihood»

সেখানে একটি উদাহরণ যেখানে সমানুপাতিক likelihoods সঙ্গে দুটি ভিন্ন সমর্থনযোগ্য পরীক্ষার এক নেতৃত্ব হবে লক্ষণীয়ভাবে বিভিন্ন (এবং সমানভাবে সমর্থনযোগ্য) মতামতে উপনীত, উদাহরণস্বরূপ, যেখানে P-মান মাত্রার ক্রম পর্যন্ত সরাইয়া আছে, কিন্তু বিকল্প ক্ষমতা অনুরূপ? আমি যে সমস্ত উদাহরণ দেখছি তা অত্যন্ত নির্বোধ, একটি দ্বিপদীকে একটি নেতিবাচক দ্বিপদী সাথে তুলনা করে, যেখানে …

20 mathematical-statistics  likelihood  philosophical  likelihood-principle 

সম্প্রতি এখানে পোস্ট করা একটি মন্তব্যে একজন মন্তব্যকারী ল্যারি ওয়াসারম্যানের একটি ব্লগের দিকে ইঙ্গিত করেছেন যিনি উল্লেখ করেছেন (কোনও উত্স ছাড়াই) যে ঘন ঘনবাদী অনুমানের সম্ভাবনা নীতির সাথে সংঘর্ষ হয়। সম্ভাবনার নীতিটি সহজভাবে বলেছে যে অনুরূপ সম্ভাবনা ফাংশনগুলি প্রদান করে এমন পরীক্ষাগুলিও একইরকম অনুভূতি অর্জন করবে। এই প্রশ্নের দুটি অংশ: …

19 inference  likelihood  frequentist  likelihood-principle 

প্যারামিটারগুলির একটি ভেক্টর , এর আগ্রহের প্যারামিটার এবং একটি উপদ্রব পরামিতি বিবেচনা করুন।θ 1 θ 2(θ1,θ2)(θ1,θ2)(\theta_1, \theta_2)θ1θ1\theta_1θ2θ2\theta_2 যদি ডেটা থেকে তৈরি সম্ভাবনা হয় তবে এর প্রোফাইল সম্ভাবনাটি হিসাবে সংজ্ঞায়িত হয় যেখানে একটি নির্দিষ্ট মানের জন্য এর MLE ।এক্স θ 1 এল পি ( θ 1 ; এক্স ) = এল …

19 maximum-likelihood  likelihood  profile-likelihood 

আমি এমন একটি কাগজ পড়ছি যেখানে লেখকরা সর্বাধিক সম্ভাবনা অনুমানের আলোচনার ভিত্তিতে বেইসের উপপাদ্যে আলোচনা করছেন, সম্ভবত এটি প্রাথমিকভাবে প্রাথমিকের জন্য একটি ভূমিকা হিসাবে। সম্ভাবনার উদাহরণ হিসাবে, তারা দ্বিপদী বিতরণ দিয়ে শুরু: p(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,\theta) = \binom{n}{x}\theta^x(1-\theta)^{n-x} এবং তারপরে উভয় পক্ষের লগ ইন করুন ℓ(θ|x,n)=xln(θ)+(n−x)ln(1−θ)ℓ(θ|x,n)=xln⁡(θ)+(n−x)ln⁡(1−θ)\ell(\theta|x, n) = x \ln (\theta) + (n-x)\ln …

19 bayesian  likelihood  definition  philosophical 

আমি পরিসংখ্যান এবং সম্ভাবনা তত্ত্বের লগ-সম্ভাবনার (এবং সম্ভবত আরও সাধারণভাবে লগ-সম্ভাবনা) সর্বব্যাপী গভীর স্তরে বুঝতে চেষ্টা করছি। লগ-সম্ভাবনাগুলি সমস্ত জায়গা জুড়ে থাকে: আমরা সাধারণত বিশ্লেষণের জন্য লগ-সম্ভাবনা নিয়ে কাজ করি (উদাহরণস্বরূপ সর্বাধিককরণের জন্য), ফিশার তথ্য লগ-সম্ভাবনার দ্বিতীয় ডেরাইভেটিভের ক্ষেত্রে সংজ্ঞায়িত করা হয়, এনট্রপি একটি প্রত্যাশিত লগ-সম্ভাবনা , কুলব্যাক-লেবলার ডাইভারজেন্সে লগ-সম্ভাবনা …

18 probability  bayesian  likelihood  log-likelihood 

এটা প্রায়ই, যুক্তি দেওয়া হয় bayesian ফ্রেমওয়ার্ক ব্যাখ্যা একটি বড় সুবিধা আছে যে (frequentist বেশি) কারণ এটি ডেটা দেওয়া একটি প্যারামিটার সম্ভাবনা নির্ণয় - পরিবর্তে পি ( এক্স | θ ) frequentist কাঠামোর মধ্যে যেমন । এ পর্যন্ত সব ঠিকই.p(θ|x)p(θ|x)p(\theta|x)p(x|θ)p(x|θ)p(x|\theta) তবে পুরো সমীকরণটি এর উপর ভিত্তি করে: p(θ|x)=p(x|θ).p(θ)p(x)p(θ|x)=p(x|θ).p(θ)p(x)p(\theta|x) = {p(x|\theta) …

18 bayesian  interpretation  prior  likelihood  posterior 

আমি বর্তমানে সম্ভাবনার নীতিটি বোঝার চেষ্টা করি এবং আমি স্পষ্টভাবে এটি আদৌ পাই না। সুতরাং, আমি তালিকা হিসাবে আমার সমস্ত প্রশ্ন লিখব, এমনকি যদি সেগুলি বেশ কয়েকটি প্রাথমিক প্রশ্নও হতে পারে। এই নীতিটির পরিপ্রেক্ষিতে "সমস্ত তথ্য" বাক্যাংশটির সঠিক অর্থ কী? (যেমন কোনও নমুনার সমস্ত তথ্যের মধ্যে সম্ভাবনা ফাংশন অন্তর্ভুক্ত থাকে)) …

17 bayesian  likelihood  likelihood-principle 

আমার প্রশ্নের সারমর্মটি হ'ল: যাক গড় সঙ্গে একটি বহুচলকীয় স্বাভাবিক দৈব চলক হতে এবং সহভেদাংক ম্যাট্রিক্স । যাক , অর্থাত্ । আমি কীভাবে পর্যবেক্ষণের সাথে মিলিত কোনও মডেল ফিটের তুলনায় পর্যবেক্ষণ উপলব্ধির সাথে মানানসই একটি মডেলের এআইসি তুলনা করব ? μ Σ জেড : = লগ ( ওয়াই ) টু …

17 data-transformation  aic  likelihood 

আনুমানিক বায়েশিয়ান গণনা মূলত কোনও স্টোকাস্টিক মডেল ফিটিংয়ের জন্য একটি দুর্দান্ত কৌশল, যেখানে সম্ভাবনাগুলি অক্ষম থাকে এমন মডেলগুলির জন্য উদ্দেশ্যে করা (বলুন, আপনি যদি পরামিতিগুলি ঠিক করেন তবে আপনি মডেল থেকে নমুনা নিতে পারেন তবে আপনি সংখ্যায়িকভাবে, অ্যালগোরিদমিক বা বিশ্লেষণীভাবে সম্ভাবনা গণনা করতে পারবেন না )। দর্শকদের কাছে আনুমানিক বায়েশীয় …

16 bayesian  simulation  model  likelihood  abc 

অবিচ্ছিন্ন তাত্পর্যপূর্ণ হকস প্রক্রিয়াটি একটি ইভেন্টটি আগমন হারের সাথে একটি স্ব-উত্তেজনাপূর্ণ পয়েন্ট প্রক্রিয়া: λ(t)=μ+∑ti&lt;tαe−β(t−ti)λ(t)=μ+∑ti&lt;tαe−β(t−ti) \lambda(t) = \mu + \sum\limits_{t_i<t}{\alpha e^{-\beta(t-t_i)}} যেখানে ইভেন্টের আগমনের সময়।t1,..tnt1,..tn t_1,..t_n লগ সম্ভাবনা ফাংশন হয় −tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln(μ+αe−β(tj−ti))−tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln⁡(μ+αe−β(tj−ti)) - t_n \mu + \frac{\alpha}{\beta} \sum{( e^{-\beta(t_n-t_i)}-1 )} + \sum\limits_{i<j}{\ln(\mu+\alpha e^{-\beta(t_j-t_i)})} যা পুনরাবৃত্তভাবে গণনা করা যায়: −tnμ+αβ∑(e−β(tn−ti)−1)+∑ln(μ+αR(i))−tnμ+αβ∑(e−β(tn−ti)−1)+∑ln⁡(μ+αR(i)) - t_n \mu …

16 maximum-likelihood  stochastic-processes  likelihood 

প্রদত্ত অনুমানের সমস্যার জন্য, আমরা জানি যে একটি বয়েশিয়ান পদ্ধতির সাধারণত উভয়ই ফর্ম এবং ফ্যাসোনিস্ট পদ্ধতির ফলাফলগুলির মধ্যে পৃথক হয়। ঘনঘন বিশেষজ্ঞরা (সাধারণত আমাকে অন্তর্ভুক্ত করেন) প্রায়শই নির্দেশ করে যে তাদের পদ্ধতিগুলির জন্য পূর্বের প্রয়োজন হয় না এবং তাই "রায় পরিচালিত" এর চেয়ে "ডেটা চালিত"। অবশ্যই, বায়েশিয়ানরা অ-তথ্যমূলক প্রিরিয়ারগুলিকে ইঙ্গিত …

15 bayesian  inference  likelihood  likelihood-ratio  frequentist 

ঘন ঘন ভোল্টমিটারের গল্প এবং এর বৈচিত্রগুলি কী গ্রহণ করে? এর পিছনে ধারণাটি হ'ল একটি পরিসংখ্যানগত বিশ্লেষণ যা অনুমানমূলক ঘটনার প্রতি আহ্বান করে তা সংশোধন করতে হবে যদি পরে যদি জানা যায় যে এই অনুমানমূলক ঘটনাগুলি অনুমান করা যায় নি। উইকিপিডিয়ায় গল্পের সংস্করণ নীচে দেওয়া হয়েছ। একজন প্রকৌশলী ইলেকট্রন টিউবগুলির …

15 likelihood  frequentist 

এই প্রশ্নটি থেকেই প্রশ্নটি উত্সাহিত হয়: কখন (যদি কখনও হয়) ঘন ঘনবাদী দৃষ্টিভঙ্গি কোনও বায়েশিয়ার চেয়ে যথেষ্ট ভাল? যেহেতু আমি এই প্রশ্নের আমার সমাধানটিতে পোস্ট করেছি, আমার মতে, আপনি যদি ঘন ঘন ঘনবাদী হন তবে আপনাকে সম্ভবত বিশ্বাসের নীতিটি বিশ্বাস করতে হবে না / যেহেতু প্রায়শই সময় ঘন ঘনবাদী পদ্ধতিগুলি …

14 bayesian  likelihood  likelihood-principle 

আমি এমন কিছু কোড লিখেছি যা কলমান ফিল্টারিং করতে পারে (একটি এন-ডাইমেনশনাল স্টেট ভেক্টরের জন্য লিনিয়ার গাউসিয়ান স্টেট স্পেস অ্যানালাইসিসের জন্য কলম্যান ফিল্টারিং (বিভিন্ন কলম্যান-টাইপ ফিল্টার [ইনফরমেশন ফিল্টার এবং অন্যান্য।]) ব্যবহার করতে পারে। ফিল্টারগুলি দুর্দান্ত কাজ করে এবং আমি কিছু সুন্দর আউটপুট পাচ্ছি। যাইহোক, লগলিফিকিলিটি অনুমানের মাধ্যমে পরামিতি অনুমান আমাকে …

13 maximum-likelihood  algorithms  kalman-filter  likelihood 

1. সমস্যা আমার কিছু পরিবর্তনশীল পরিমাপ রয়েছে , যেখানে , যার জন্য আমার এমসিএমসি এর মাধ্যমে প্রাপ্ত , যা সরলতার জন্য আমি ধরে নেব গড়ের গাউসিয়ান এবং বৈকল্পিক । টি = 1 , 2 , । । , n f y t ( y t ) μ t σ 2 …

13 time-series  mcmc  autoregressive  likelihood