คำถามติดแท็ก statistics

ปัญหาที่พบบ่อยมากในมาร์คอฟเชนมอนติคาร์โลนั้นเกี่ยวข้องกับความน่าจะเป็นในการคำนวณซึ่งเป็นผลรวมของเทอมใหญ่ ๆ อีa1+ ea2+ . . .ea1+ea2+... e^{a_1} + e^{a_2} + ... ซึ่งองค์ประกอบของได้ตั้งแต่ขนาดเล็กมากที่จะมีขนาดใหญ่มาก แนวทางของฉันคือการแยกคำที่ใหญ่ที่สุดเพื่อให้:aaaK: = สูงสุดผม( กผม)K:=maxi(ai)K := \max_{i}(a_{i}) E ' ≡ อี1 + e 2 + . .a'= K+ l o g( ea1- เค+ ea2- เค+ . . . )a′=K+log(ea1−K+ea2−K+...)a' =K + log\left( e^{a_1 - K} + e^{a_2 - …

24 monte-carlo  floating-point  statistics 

มีวิธีใช้แพ็กเกจ Python ที่จัดตั้งขึ้น (เช่น SciPy) เพื่อกำหนดฟังก์ชั่นความหนาแน่นของความน่าจะเป็นของตัวเอง(ไม่มีข้อมูลก่อนหน้านี้เพียงแค่ ) ดังนั้นฉันจึงสามารถทำการคำนวณได้ ความแปรปรวนของตัวแปรสุ่มต่อเนื่อง)? แน่นอนว่าฉันสามารถใช้พูด SymPy หรือ Sage สร้างฟังก์ชั่นสัญลักษณ์และดำเนินการ แต่ฉันสงสัยว่าแทนที่จะทำงานทั้งหมดนี้ด้วยตัวเองฉันสามารถใช้แพ็คเกจที่ใช้งานแล้วฉ( x ) = a x + bf(x)=ax+bf(x) = a x + b

20 python  statistics  probability 

ฉันอยากรู้ว่ามีวิธีที่รวดเร็วในการคำนวณระยะทางแบบยุคลิดของเวกเตอร์สองตัวใน Octave หรือไม่ ดูเหมือนว่าไม่มีฟังก์ชั่นพิเศษสำหรับสิ่งนั้นดังนั้นฉันควรใช้สูตรด้วยsqrtหรือไม่

18 octave  discretization  nonlinear-equations  newton-method  visualization  fluid-dynamics  mesh-generation  finite-element  finite-volume  optimization  algorithms  approximation  fluid-dynamics  navier-stokes  comsol  modeling  optimization  sparse-matrix  matrix  condition-number  visualization  matlab  quadrature  blas  intel-mkl  finite-element  gpu  discontinuous-galerkin  mathematica  optimization  convex-optimization  algorithms  reference-request  matlab  statistics  finite-element  numerical-analysis  petsc  molecular-dynamics  machine-learning  statistics  visualization  open-source  statistics  image-processing  visualization  python  petsc  finite-element  fluid-dynamics  stability  navier-stokes  incompressible 

สมมติว่าฉันมีโค้ดบางเวอร์ชันที่ช้าและเร็วและต้องการรายงานตัวเลขเร่งความเร็วเปรียบเทียบกับทั้งสอง ผมใช้รุ่นช้าครั้งและรวดเร็วรุ่นมครั้งครั้งการผลิต( s 1 , ... , s n )และ( ฉ1 , ... , ฉม ) วิธีที่ง่ายที่สุดในการสร้างความเร็วคือการเฉลี่ยค่าเฉลี่ย: ˉ snnnmmm(s1,…,sn)(s1,…,sn)(s_1, \ldots, s_n)(f1,…,fm)(f1,…,fm)(f_1, \ldots, f_m) อย่างไรก็ตามสิ่งนี้ไม่ได้คำนึงถึงค่าผิดปกติs¯f¯=m∑i&lt;nsin∑j&lt;mfjs¯f¯=m∑i&lt;nsin∑j&lt;mfj\frac{\bar{s}}{\bar{f}} = \frac{m \sum_{i<n} s_i}{n \sum_{j<m} f_j} คำถาม : สถิติที่ดีที่สุดที่จะใช้เมื่อรายงานตัวเลขการเร่งความเร็วคืออะไร

12 statistics  publications 

การคำนวณแบบขนานมีการจำลองแบบบ่อยครั้งโดยใช้อัตราการคำนวณในท้องถิ่นที่กำหนดไว้ค่าใช้จ่ายในการตอบสนองและแบนด์วิดท์เครือข่าย ในความเป็นจริงเหล่านี้เป็นตัวแปรเชิงพื้นที่และไม่กำหนดขึ้น การศึกษาเช่นสกินเนอร์และเครเมอร์ (2005)สังเกตการกระจายแบบหลายโมดัล แต่การวิเคราะห์ประสิทธิภาพดูเหมือนว่าจะใช้การแจกแจงแบบกำหนดเวลาหรือแบบเกาส์นเสมอ (ไม่ใช่แค่ไม่ถูกต้องเท่านั้น มีการพัฒนาแบบจำลองทางสถิติที่มีความเที่ยงตรงสูงขึ้นหรือไม่ บัญชีใดที่มีความสัมพันธ์ข้ามกันในการคำนวณ / หน่วยความจำเวลาแฝงและความแปรปรวนของแบนด์วิดท์หรือไม่

11 performance  hpc  statistics