คำถามติดแท็ก random-generation

ฉันต้องการสร้างรายการตัวแปรสุ่มภายใต้ข้อ จำกัด ที่สามารถแสดงออกในรูปแบบE x = bโดยที่Eคือเมทริกซ์m × nหากxมีรายการn ในทุกกรณีที่ผมกำลังจัดการกับn > > ม.เช่นnจะอยู่ที่ประมาณ 14,000 ตารางเมตรจะเป็น 50 ผมไม่แน่ใจว่าวิธีการสิ่งที่ฉันจะใช้สำหรับการสุ่มแบบปกติหรือเครื่องแบบก็เป็นได้ ชัดเจนว่าดีที่สุดสำหรับปัญหาที่ฉันพยายามแก้ไข แต่ฉันต้องการให้ตัวแปรทั้งหมดตัวอย่างจากการแจกแจงด้วยค่าเฉลี่ยและช่วง / ความแปรปรวนเดียวกันxx\bf{x}E x=bEx=b\bf{E}x=bEE\bf{E}m × nm×nm \times n xx\bf{x}nnnn>>mn>>mn >> mnnnmmm สิ่งที่ฉันทำเพื่อแก้ปัญหานี้คือการลดลงในแบบฟอร์มแถว - แถวตั้งค่าตัวแปรทั้งหมดที่เกี่ยวข้องกับคอลัมน์ทางด้านขวาของเดือยสุดท้ายให้เป็นค่าสุ่มและจากนั้นจึงแก้สมการเมทริกซ์สี่เหลี่ยมที่เหลือEE\bf{E} อย่างไรก็ตามมีปัญหาในการแก้ปัญหาความเท่าเทียมกันของเมทริกซ์จตุรัสฉันลบค่าที่ตั้งไว้แล้วจากด้านขวามือ น่าเสียดายที่ความแปรปรวนเพิ่มเช่นกันดังนั้นค่า 50 อันสุดท้ายของฉันมีแนวโน้มที่จะแตกต่างกันอย่างมากซึ่งน่าเสียดายที่ไม่สามารถยอมรับได้ในปัญหานี้ มีวิธีที่ดีกว่าในการทำเช่นนี้? ฉันไม่สามารถคิดถึงวิธีการแก้ไขวิธีปัจจุบันที่ฉันใช้อยู่ ฉันใช้อาร์

9 random-generation  random-matrix 

ฉันเจอปัญหาการจำลองต่อไปนี้: เนื่องจากชุดของจำนวนจริงที่รู้จักการแจกแจงถูกกำหนดโดย ที่หมายถึงการเป็นส่วนหนึ่งในเชิงบวกของZในขณะที่ฉันสามารถนึกถึงตัวอย่างของ Metropolis-Hastings ที่กำหนดเป้าหมายการกระจายตัวนี้ฉันสงสัยว่ามีตัวเก็บตัวอย่างโดยตรงที่มีประสิทธิภาพโดยใช้ประโยชน์จากความน่าจะเป็นศูนย์จำนวนมากเพื่อลดลำดับของอัลกอริทึมจากถึงง){ω1, … ,ωd}{ω1,…,ωd}\{\omega_1,\ldots,\omega_d\}{ - 1 , 1}d{−1,1}d\{-1,1\}^dP (X)= (x1, … ,xd) ) ∝ (x1ω1+ … +xdωd)+P(X=(x1,…,xd))∝(x1ω1+…+xdωd)+\mathbb{P}(X=(x_1,\ldots,x_d))\propto (x_1\omega_1+\ldots+x_d\omega_d)_+( z)+(z)+(z)_+Zzzโอ(2d)O(2d)O(2^d)O ( d)O(d)O(d)

9 simulation  algorithms  random-generation  computational-statistics  metropolis-hastings 

เพื่อจุดประสงค์บางอย่างฉันต้องสร้างตัวเลขสุ่ม (ข้อมูล) จากการกระจาย "ชุดลาด" "ความชัน" ของการกระจายนี้อาจแตกต่างกันไปในช่วงเวลาที่สมเหตุสมผลแล้วการกระจายของฉันควรเปลี่ยนจากเครื่องแบบเป็นสามเหลี่ยมตามความชัน นี่คือที่มาของฉัน: มาทำให้มันง่ายและสร้างฟอร์มข้อมูล 000 ถึง BBB(สีน้ำเงิน, สีแดงคือการกระจายแบบสม่ำเสมอ) เพื่อให้ได้ฟังก์ชันความหนาแน่นของความน่าจะเป็นของเส้นสีฟ้าฉันต้องการเพียงสมการของเส้นนั้น ดังนั้น: ฉ(x ) = t g( φ ) x + Y(0 )ฉ(x)=เสื้อก.(φ)x+Y(0)f(x) = tg(\varphi)x + Y(0) และตั้งแต่ (ภาพ): เสื้อg( φ )Y( 0 )=1 / B - Y( 0 )B / 2=1B- tกรัม( φ )B2เสื้อก.(φ)=1/B-Y(0)B/2Y(0)=1B-เสื้อก.(φ)B2\begin{align} tg(\varphi) &= \frac{1/B …

9 r  distributions  python  random-generation  uniform 

ฉันกำลังเขียนอัลกอริทึมสำหรับความเป็นส่วนตัวที่ต่างกันโดยใช้กลไก Laplace น่าเสียดายที่ฉันไม่มีพื้นฐานด้านสถิติดังนั้นจึงไม่เป็นที่รู้จักกันมากนัก ดังนั้นตอนนี้ฉันสะดุดมากกว่าคำว่า: เสียง Laplace หากต้องการสร้างชุดข้อมูลส่วนบุคคลให้เป็นเอกสารทั้งหมดเพียงแค่พูดถึงการเพิ่มเสียง Laplace ตามการกระจาย Laplace ให้กับค่าฟังก์ชัน k ( X) = f( X) + Y( X)k(X)=ฉ(X)+Y(X)k(X) = f(X) + Y(X) (k คือค่าส่วนต่างที่แตกต่างกัน f คือค่าที่ส่งคืนโดยฟังก์ชั่นการประเมินและ Y the Laplace noise นี่หมายความว่าฉันสร้างตัวแปรสุ่มจากการแจกแจง Laplace ตามฟังก์ชั่นนี้ที่ฉันได้รับจาก wikipedia https://en.wikipedia.org/wiki/Laplace_distribution ? Y= μ - b sgn ( U ) ln( 1 - 2 …

9 random-generation  laplace-distribution  differential-privacy 

ฉันต้องการอัลกอริทึมในการสุ่มตัวอย่างการกระจายหลายส่วนแบบตัดปลาย นั่นคือ, x⃗ ~1Zพีx11...พีxkkx1! ...xk!x→∼1Zp1x1…pkxkx1!…xk!\vec x \sim \frac{1}{Z} \frac{p_1^{x_1} \dots p_k^{x_k}}{x_1!\dots x_k!} ที่เป็นค่าคงที่ฟื้นฟู\ vec xมีkส่วนประกอบบวกและ\ รวม x_i n ฉันเพียงพิจารณาค่าของ\ vec {x}ในช่วง\ vec เป็น \ le \ vec x \ le \ vec ขZZZx⃗ x→\vec xkkkΣxผม= n∑xi=n\sum x_i = nx⃗ x→\vec{x}a⃗ ≤x⃗ ≤ข⃗ a→≤x→≤ข→\vec a \le \vec x \le \vec b …

9 algorithms  multinomial  random-generation 

เราทุกคนรู้ว่าตัวสร้างตัวเลขสุ่มในคอมพิวเตอร์ไม่ได้สร้างตัวเลขสุ่มจริง แต่จะสร้างตัวเลขสุ่มหลอกแทน นอกจากนี้ RNG บางตัวก็ยังดีกว่าตัวอื่นและบางตัวก็ใช้งานได้ดีกว่าตัวอื่น มีตัวอย่างอะไรบ้างเมื่อมีการใช้ RNG ที่น่าสงสารหรือ RNG ที่มีการนำมาใช้ไม่ดีและมันถูกนำไปใช้ประโยชน์ ตัวอย่างที่ฉันได้พบคือ รอนแฮร์ริสโกงที่คีโน - Michael Larsen เต้น"กดโชคของคุณ" เกมโป๊กเกอร์ออนไลน์ยุคแรก ๆ ที่ใช้ RNG ที่คาดการณ์ได้ www.cigital.com/papers/download/developer_gambling.php

9 random-generation  history 

ฉันอาจมีคำถามโง่ ๆ เกี่ยวกับสิ่งที่ฉันต้องยอมรับฉันสับสน ลองนึกภาพที่ก่อให้เกิดซ้ำของการกระจายอย่างสม่ำเสมอสุ่มมุมฉาก (orthonormal) เมทริกซ์ที่มีขนาดบางหนบางครั้งเมทริกซ์ที่สร้างขึ้นมีปัจจัยที่และบางครั้งก็มีปัจจัย-1(มีเพียงสองค่าที่เป็นไปได้จากมุมมองของการหมุนมุมฉากหมายความว่ามีการสะท้อนเพิ่มอีกหนึ่งนอกเหนือจากการหมุน)ppp111−1−1-1det=−1det=−1\det=-1 เราสามารถเปลี่ยนสัญลักษณ์ของdetdet\detของเมทริกซ์มุมฉากจากลบเป็นบวกได้โดยเปลี่ยนสัญลักษณ์ของคอลัมน์ใดคอลัมน์หนึ่ง (หรือโดยทั่วไปคอลัมน์ใด ๆ ที่มีเลขคี่) คำถามของฉันคือ: เมื่อเราสร้างเมทริกซ์แบบสุ่มซ้ำแล้วซ้ำอีกเราจะแนะนำอคติบางอย่างในลักษณะการสุ่มแบบสม่ำเสมอหรือไม่หากทุกครั้งที่เราเลือกที่จะเปลี่ยนสัญญาณของคอลัมน์ที่ระบุเฉพาะ (พูดเสมอที่ 1 หรือตลอดไป) หรือเราควรจะมีการเลือกคอลัมน์สุ่มเพื่อให้การฝึกอบรมแทนการสุ่มคอลเลกชันกระจายเหมือนกัน?

9 mathematical-statistics  matrix  random-generation  rotation  determinant 

ฉันไม่เคยเรียนหลักสูตรสถิติอย่างเป็นทางการ แต่เนื่องจากงานวิจัยของฉันฉันพบบทความที่ใช้แนวคิดทางสถิติหลายอย่างต่อเนื่อง บ่อยครั้งที่ฉันจะเห็นคำอธิบายของกระบวนการมอนติคาร์โลที่นำไปใช้กับสถานการณ์ที่กำหนดและสำหรับสิ่งที่ฉันสามารถรวบรวม 9 จาก 10 ครั้งมันลงมาสู่การสุ่มของประชากรที่เรียบง่ายและการศึกษาที่ตามมา คำถามของฉัน: ในโลกทางสถิติMonte Carloเป็นคำรหัสสำหรับอัลกอริทึมใด ๆ ที่เกี่ยวข้องกับการสร้างจุด / ประชากร / ฯลฯ แบบสุ่มหรือมีอะไรมากกว่านั้นหรือไม่

9 monte-carlo  random-generation 

ฉันสนใจที่จะค้นหาขั้นตอนเพื่อจำลองข้อมูลที่สอดคล้องกับรูปแบบการไกล่เกลี่ยที่ระบุ ตามการเชิงเส้นกรอบโครงสร้างโมเดลสมการทั่วไปสำหรับการทดสอบแบบจำลองการไกล่เกลี่ยที่ระบุไว้เป็นครั้งแรกโดยBarron และเคนนี (1986)และอธิบายอื่น ๆ เช่นจัดด์ Yzerbyt และมุลเลอร์ (2013) , รุ่นไกล่เกลี่ยสำหรับผลคนกลาง\ newcommand {\ med} {\ rm med} \ medและตัวทำนายXและอยู่ภายใต้สมการการถดถอยสามแบบต่อไปนี้: \ start {align} Y & = b_ {11} + b_ {12} X + e_1 \ tag {1} \\ \ med & = b_ {21} + b_ {22} X + e_2 \ …

9 r  regression  simulation  random-generation  mediation