«stochastic-processes» etiketlenmiş sorular

"Doğrusal Balistik Akümülatör" modeli (LBA), hızlandırılmış basit karar görevlerinde insan davranışı için oldukça başarılı bir modeldir. Donkin ve arkadaşları (2009, PDF ) bir ana fikri için izin insan davranışsal veriler verilen modelin parametrelerini tahmin ve ben (bazı küçük biçimlendirme değişiklikleri ile) bu kodu kopyalanan ettik kodu sağlar burada . Ancak, …

11 r  stochastic-processes 

Basit Doğrusal Model: ϵ t N ( 0 , σ 2 )x = α t + ϵtx=αt+ϵtx=\alpha t + \epsilon_t burada ~ iidεtϵt\epsilon_tN-( 0 , σ2)N(0,σ2)N(0,\sigma^2) ile veV , bir R ( x ) = σ 2E( x ) = α tE(x)=αtE(x) = \alpha tVa r ( x ) = …

11 regression  stochastic-processes  autoregressive  deterministic 

nin ortak dağılımı, ortak dağılımı ile işlemi XtXtX_tkesinlikle sabittir. tüm , tüm ve tüm . x t 1 + K , X, T 2 + k , . . . , X, T m + k m k t 1 , t 2 , . . . , t mXt1,Xt2,...,XtmXt1,Xt2,...,XtmX_{t_1},X_{t_2},...,X_{t_m}Xt1+k,Xt2+k,...,Xtm+kXt1+k,Xt2+k,...,Xtm+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}mmmkkkt1,t2,...,tmt1,t2,...,tmt_1,t_2,...,t_m …

11 time-series  autocorrelation  stochastic-processes  stationarity 

8: 00-8: 00 saatleri arasında yakındaki gölde balık tutmak istediğinizi varsayalım. Aşırı avlanma nedeniyle, günde sadece bir balık yakalayabileceğinizi söyleyen bir yasa çıkarılmıştır. Bir balık yakaladığınızda, onu tutmayı (ve böylece o balıkla eve gitmeyi) ya da göle geri atmayı ve balık tutmaya devam etmeyi seçebilirsiniz (ancak daha sonra daha küçük …

10 stochastic-processes  optimal-stopping 

Bir durum düşünün: Üç mayının tarihsel kayıtlarımız (20 yıl) var. Gümüşün varlığı gelecek yıl altın bulma olasılığını artırıyor mu? Böyle bir soru nasıl test edilir? Örnek veriler: mine_A <- c("silver","rock","gold","gold","gold","gold","gold", "rock","rock","rock","rock","silver","rock","rock", "rock","rock","rock","silver","rock","rock") mine_B <- c("rock","rock","rock","rock","silver","rock","rock", "silver","gold","gold","gold","gold","gold","rock", "silver","rock","rock","rock","rock","rock") mine_C <- c("rock","rock","silver","rock","rock","rock","rock", "rock","silver","rock","rock","rock","rock","silver", "gold","gold","gold","gold","gold","gold") time <- seq(from = 1, to = 20, …

10 r  time-series  hypothesis-testing  stochastic-processes 

Bir veri kümesi üzerinde çalışıyorum. Bazı model tanımlama tekniklerini kullandıktan sonra bir ARIMA (0,2,1) modeliyle çıktım. Orijinal veri setimin 48. gözleminde yenilikçi bir aykırı değer (IO) tespit etmek için R'deki detectIOpaketteki işlevi kullandım .TSA Öngörme amacıyla kullanabilmem için bu aykırı değeri modelime nasıl dahil edebilirim? ARIMAX modelini kullanmak istemiyorum çünkü …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

Düğüm konumlarının yoğunluk olan bir Poisson noktası işlemini izlediği ve kenarların den daha yakın düğümler arasına yerleştirildiği sonsuz bir rastgele geometrik grafik düşünün . Bu nedenle, kenarların uzunluğu aşağıdaki PDF'yi takip eder:dρρ\rhoddd f(l)={2ld2l≤d0l>df(l)={2ld2l≤d0l>d f(l)= \begin{cases} \frac{2 l}{d^2} \;\quad l \le d \\ 0 \qquad\; l > d \end{cases} Yukarıdaki grafikte, …

10 probability  stochastic-processes  pdf  asymptotics  graph-theory 

Interviewstreet, Ocak ayında aşağıdaki soruyu içeren ikinci CodeSprint'lerini yaptı. Programlı cevap yayınlanır ancak istatistiksel bir açıklama içermez. (Orijinal sorunu ve yayınlanan çözümü Google kredileriyle Interviewstreet web sitesinde oturum açıp bu sayfadan Coin Tosses sorununa giderek görebilirsiniz .) Bozuk Para Atışları N ardışık kafa elde edene kadar savurmaya devam etmek istediğiniz …

10 probability  stochastic-processes  markov-process 

Herkesin 2. dereceden durağan ama kesin olarak durağan olmayan stokastik bir sürece güzel bir örneği var mı?

10 time-series  stochastic-processes  stationarity 

Bu sadece birkaç kez karşılaştığım bir örnektir, bu yüzden örnek verilerim yok. R'de doğrusal regresyon modeli çalıştırmak: a.lm = lm(Y ~ x1 + x2) x1sürekli bir değişkendir. x2kategoriktir ve üç değeri vardır, örneğin "Düşük", "Orta" ve "Yüksek". Bununla birlikte, R tarafından verilen çıktı aşağıdaki gibi olacaktır: summary(a.lm) Estimate Std. Error …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

Cox orantılı tehlike modelinden sağkalım eğrisini nasıl yorumluyorsunuz? Bu oyuncak örneğinde, verilerdeki agedeğişken üzerinde bir cox orantılı tehlike modelimiz olduğunu kidneyve hayatta kalma eğrisini oluşturduğumuzu varsayalım . library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Örneğin, zamanında hangi ifade doğrudur? ya da her ikisi de yanlış mı?200200200 Bildirim 1:% …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear