Estou estudando sobre estimativa de máxima verossimilhança e li que a função de verossimilhança é o produto das probabilidades de cada variável. Por que é o produto? Por que não a soma? Estou tentando pesquisar no Google, mas não consigo encontrar respostas
De acordo com Probability and Statistics for Engineers, de Miller e Freund, 8ed (pp.217-218), a função de probabilidade a ser maximizada para a distribuição binomial (ensaios de Bernoulli) é dada como L ( p ) = ∏ni = 1pxEu( 1 - p )1 - xEueu(p)=∏Eu=1npxEu(1-p)1-xEuL(p) =
Suponha que eu tenha o seguinte modelo yi=f(xi,θ)+εiyi=f(xi,θ)+εiy_i=f(x_i,\theta)+\varepsilon_i onde , é um vetor de variáveis explicativas, são os parâmetros da função não linear e , onde é naturalmente matriz.yi∈RKyi∈RKy_i\in \mathbb{R}^Kxixix_iθθ\thetafffεi∼N(0,Σ)εi∼N(0,Σ)\varepsilon_i\sim...
Por que é tão comum obter estimativas de probabilidade máxima de parâmetros, mas você praticamente nunca ouve falar das estimativas esperadas de parâmetros de probabilidade (ou seja, com base no valor esperado e não no modo de uma função de probabilidade)? Isso ocorre principalmente por razões...
Dado um resultado do otim com uma matriz hessiana, como calcular os intervalos de confiança dos parâmetros usando a matriz hessiana? fit<-optim(..., hessian=T) hessian<-fit$hessian Estou interessado principalmente no contexto da análise de máxima verossimilhança, mas estou curioso para...
Quais distribuições têm soluções em formato fechado para as estimativas de máxima verossimilhança dos parâmetros de uma amostra de observações independentes?
Algumas fontes dizem que a função de probabilidade não é uma probabilidade condicional, outras dizem que é. Isso é muito confuso para mim. De acordo com a maioria das fontes que eu vi, a probabilidade de uma distribuição com o parâmetro deve ser um produto de funções de massa de probabilidade...
Se o anterior e a probabilidade são muito diferentes um do outro, às vezes ocorre uma situação em que o posterior é semelhante a nenhum deles. Veja, por exemplo, esta imagem, que usa distribuições normais. Embora isso seja matematicamente correto, não parece estar de acordo com minha intuição -...
Eu sou um matemático que estuda estatística e está lutando especialmente com o idioma. No livro que estou usando, há o seguinte problema: Uma variável aleatória é fornecida como distribuída com . (Obviamente, você pode fazer qualquer distribuição, dependendo de um parâmetro, para fins desta...
Estou escrevendo um algoritmo no qual, dado um modelo, calculo as probabilidades para uma lista de conjuntos de dados e, em seguida, preciso normalizar (com probabilidade) cada uma das probabilidades. Então, algo como [0,00043, 0,00004, 0,00321] pode ser convertido em [0,2, 0,03, 0,77]. Meu...
Estou tentando ajustar modelos lineares generalizados a alguns conjuntos de dados de contagem que podem ou não estar superdispersos. As duas distribuições canônicas que se aplicam aqui são o Poisson e o Binomial Negativo (Negbin), com EV e variânciaμμ\mu Va rP= μVarP=μVar_P = \mu Va rNB= μ +...
Existe um exemplo em que dois testes defensáveis diferentes com probabilidades proporcionais levariam um a inferências marcadamente diferentes (e igualmente defensáveis), por exemplo, onde os valores-p estão em ordem de grandeza distante, mas o poder de alternativas é semelhante? Todos os...
Contexto O gaussiano multivariado aparece frequentemente no Machine Learning e os seguintes resultados são usados em muitos livros e cursos de ML sem as derivações. Dados os dados na forma de uma matriz de dimensões , se assumirmos que os dados seguem uma distribuição gaussiana variável...
Precisão é definida como: p = true positives / (true positives + false positives) É verdade que, como true positivese false positivesabordagem 0, a precisão se aproxima de 1? Mesma pergunta para recall: r = true positives / (true positives + false negatives) No momento, estou implementando...
Em um comentário recentemente publicado aqui, um comentarista apontou para um blog de Larry Wasserman, que aponta (sem nenhuma fonte) que a inferência freqüentista colide com o princípio da probabilidade. O princípio da verossimilhança simplesmente diz que experimentos que produzem funções...
Estatísticas freqüentistas para mim são sinônimos por tentar tomar decisões que são boas para todas as amostras possíveis. Ou seja, uma regra de decisão freqüentista deve sempre tentar minimizar o risco freqüentista, que depende da função de perda e do verdadeiro estado da natureza :δδ\deltaeueuLθ0...
Oi, o mesmo pode ser mostrado para obter o parâmetro de forma e escala para o método de máxima verossimilhança
Considere um vetor de parâmetros , com θ 1 o parâmetro de interesse e θ 2 um parâmetro incômodo.( θ1, θ2)(θ1,θ2)(\theta_1, \theta_2)θ1θ1\theta_1θ2θ2\theta_2 Se é a probabilidade construída a partir dos dados x , a probabilidade de perfil para θ 1 é definido como G P ( θ 1 ; x ) = G ( θ 1 , θ 2 ( θ...
Estou lendo um artigo em que os autores estão levando de uma discussão sobre estimativa de probabilidade máxima ao Teorema de Bayes, ostensivamente como uma introdução para iniciantes. Como exemplo de probabilidade, eles começam com uma distribuição
A idéia "fundamental" das estatísticas para estimar parâmetros é a máxima probabilidade . Gostaria de saber qual é a ideia correspondente no aprendizado de máquina. Qn 1. Seria justo dizer que a idéia 'fundamental' no aprendizado de máquina para estimar parâmetros é: 'Funções de Perda' [Nota:...