คำถามติดแท็ก stochastic-processes

โมเดล "Linear Ballistic Accumulator" (LBA) เป็นแบบจำลองที่ค่อนข้างประสบความสำเร็จสำหรับพฤติกรรมมนุษย์ในการตัดสินใจงานง่าย ๆ Donkin, et al (2009, PDF ) ให้รหัสที่ใบอนุญาตประมาณค่าพารามิเตอร์ของรูปแบบการให้ข้อมูลพฤติกรรมของมนุษย์และผมได้คัดลอกโค้ดนี้ (กับเล็กน้อยบางรูปแบบการเปลี่ยนแปลง) เพื่อสรุปสาระสำคัญที่นี่ อย่างไรก็ตามฉันต้องการทำการดัดแปลงเล็กน้อยกับโมเดล แต่ฉันไม่แน่ใจว่าจะได้รับการปรับเปลี่ยนนี้อย่างไรในโค้ด ในการเริ่มต้นด้วยรูปแบบที่เป็นที่ยอมรับ LBA หมายถึงทางเลือกในการตอบสนองแต่ละข้อในฐานะคู่แข่งในการแข่งขันที่ค่อนข้างแปลกประหลาดซึ่งคู่แข่งสามารถแตกต่างกันในลักษณะดังต่อไปนี้: ตำแหน่งเริ่มต้น: สิ่งนี้แตกต่างจากการแข่งขันไปยังการแข่งขันตามการกระจายเครื่องแบบที่ล้อมรอบด้วย U (0, X1) ความเร็ว: สิ่งนี้จะถูกเก็บไว้อย่างคงที่ภายในการแข่งขันที่กำหนด (ไม่เร่งความเร็ว) แต่จะแตกต่างกันไปตามการแข่งขันตามการแจกแจงแบบเกาส์ที่กำหนดโดย N (X2, X3) ตำแหน่งเส้นชัย (X4) ดังนั้นผู้แข่งขันแต่ละคนจึงมีค่าเป็นของตนเองสำหรับ X1, X2, X3 และ X4 การแข่งขันซ้ำหลายครั้งโดยผู้ชนะและเวลาที่บันทึกไว้หลังจากการแข่งขันแต่ละครั้ง ค่าคงที่ของ X5 จะถูกเพิ่มเข้าไปในทุกครั้งที่ชนะ ตอนนี้การดัดแปลงที่ฉันต้องการจะทำคือการสลับความแปรปรวนในจุดเริ่มต้นไปยังเส้นชัย นั่นคือฉันต้องการจุดเริ่มต้นที่จะเป็นศูนย์สำหรับคู่แข่งและการแข่งขันทั้งหมดดังนั้นจึงกำจัด X1 แต่ฉันต้องการเพิ่มพารามิเตอร์ X6 …

11 r  stochastic-processes 

โมเดลเชิงเส้นอย่างง่าย: ϵ t N ( 0 , σ 2 )x=αt+ϵtx=αt+ϵtx=\alpha t + \epsilon_tโดยที่ ~ iidϵtϵt\epsilon_tN(0,σ2)N(0,σ2)N(0,\sigma^2) ด้วยและE(x)=αtE(x)=αtE(x) = \alpha tVar(x)=σ2Var(x)=σ2Var(x)=\sigma^2 AR (1): Xt=αXt−1+ϵtXt=αXt−1+ϵtX_t =\alpha X_{t-1} + \epsilon_tโดยที่ ~ iidϵtϵt\epsilon_tN(0,σ2)N(0,σ2)N(0,\sigma^2) ด้วยและE(x)=αtE(x)=αtE(x) = \alpha tVar(x)=tσ2Var(x)=tσ2Var(x)=t\sigma^2 ดังนั้นโมเดลเชิงเส้นอย่างง่ายจึงถือได้ว่าเป็นโมเดลที่กำหนดขึ้นมาในขณะที่โมเดล AR (1) นั้นถือเป็นโมเดลสตาคาห์สติก ตามวิดีโอ Youtube โดย Ben Lambert - Stochastic เทียบกับกำหนดเหตุผลของ AR (1) ที่จะเรียกว่าเป็นแบบจำลองสุ่มเพราะความแปรปรวนของมันเพิ่มขึ้นตามเวลา คุณลักษณะของการแปรปรวนแบบไม่คงที่จะเป็นเกณฑ์ในการพิจารณาสุ่มหรือกำหนดขึ้นหรือไม่? ฉันยังไม่คิดว่าตัวแบบเชิงเส้นอย่างง่ายจะถูกกำหนดโดยสิ้นเชิงเนื่องจากเรามีคำว่าเกี่ยวข้องกับตัวแบบ ดังนั้นเราจึงมักจะมีการสุ่มในxดังนั้นระดับใดที่เราสามารถบอกว่าแบบจำลองนั้นกำหนดขึ้นหรือสุ่ม? …

11 regression  stochastic-processes  autoregressive  deterministic 

กระบวนการไม่หยุดนิ่งหากการกระจายข้อต่อของเหมือนกันกับการกระจายข้อต่อของสำหรับทุกสำหรับทุกและทุกt_1,Xเสื้อXเสื้อX_t X ที1 + k , X เสื้อ2 + k , . . , X ตันเมตร + kมk T 1 , T 2 , . . , เสื้อเมตรXเสื้อ1, Xเสื้อ2, . . . , Xเสื้อม.Xเสื้อ1,Xเสื้อ2,...,Xเสื้อม.X_{t_1},X_{t_2},...,X_{t_m}Xเสื้อ1+ k, Xเสื้อ2+ k, . . . , Xเสื้อม.+ kXเสื้อ1+k,Xเสื้อ2+k,...,Xเสื้อม.+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}ม.ม.mkkkเสื้อ1, t2, . . . , tม.เสื้อ1,เสื้อ2,...,เสื้อม.t_1,t_2,...,t_m กระบวนการคือลำดับที่สองนิ่งถ้าค่าเฉลี่ยของมันเป็นค่าคงที่และฟังก์ชั่น …

11 time-series  autocorrelation  stochastic-processes  stationarity 

สมมติว่าคุณต้องการตกปลาที่ทะเลสาบใกล้เคียงตั้งแต่ 8.00 น. - 20.00 น. เนื่องจากการประมงมากเกินไปจึงมีกฎหมายเข้ามากล่าวว่าคุณสามารถจับปลาได้วันละหนึ่งตัวเท่านั้น เมื่อคุณจับปลาคุณสามารถเลือกที่จะเก็บมันไว้ (และกลับบ้านไปกับปลาตัวนั้น) หรือโยนมันกลับเข้าไปในทะเลสาบและทำการตกปลาต่อไป (แต่เสี่ยงต่อการตกปลาในภายหลังด้วยปลาตัวเล็ก ๆ หรือไม่มีปลาเลย) คุณต้องการที่จะจับปลาตัวใหญ่เท่าที่จะทำได้ โดยเฉพาะคุณต้องการเพิ่มจำนวนปลาที่คาดว่าจะนำกลับบ้านให้ได้มากที่สุด อย่างเป็นทางการเราอาจตั้งค่าปัญหานี้ดังนี้: ปลาถูกจับในอัตราที่แน่นอน (ดังนั้นเวลาที่ใช้ในการจับปลาต่อไปของคุณจะเป็นไปตามการแจกแจงแบบเอ็กซ์โปเนนเชียลที่รู้จัก) และขนาดของปลาที่จับได้ . เราต้องการกระบวนการตัดสินใจที่กำหนดเวลาปัจจุบันและขนาดของปลาที่คุณเพิ่งจับตัดสินใจว่าจะเก็บปลาหรือทิ้งมัน ดังนั้นคำถามคือการตัดสินใจนี้ควรทำอย่างไร? มีวิธีที่เรียบง่าย (หรือซับซ้อน) ในการตัดสินใจว่าจะหยุดตกปลาเมื่อไหร่? ฉันคิดว่าปัญหานั้นเทียบเท่ากับการพิจารณาในช่วงเวลาที่กำหนด t สิ่งที่คาดว่าจะได้จากการหาปลาที่ดีที่สุดจะกลับบ้านถ้าพวกเขาเริ่มในเวลา t; กระบวนการตัดสินใจที่ดีที่สุดจะทำให้ปลาได้หากว่าหากว่าปลานั้นหนักกว่าที่คาดไว้ แต่ดูเหมือนว่าการอ้างอิงตนเอง; เรากำหนดกลยุทธ์การตกปลาที่ดีที่สุดในแง่ของการตกปลาที่ดีที่สุดและฉันไม่แน่ใจว่าจะดำเนินการต่อไปได้อย่างไร

10 stochastic-processes  optimal-stopping 

ลองนึกภาพสถานการณ์: เรามีบันทึกทางประวัติศาสตร์ (20 ปี) จากเหมืองสามแห่ง การมีเงินอยู่เพิ่มความน่าจะเป็นในการค้นหาทองคำในปีหน้าหรือไม่? วิธีทดสอบคำถามดังกล่าว นี่คือข้อมูลตัวอย่าง: 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, by = 1)

10 r  time-series  hypothesis-testing  stochastic-processes 

ฉันกำลังทำงานกับชุดข้อมูล หลังจากใช้เทคนิคการระบุตัวแบบบางอย่างฉันก็ออกมาพร้อมกับแบบจำลอง ARIMA (0,2,1) ผมใช้detectIOฟังก์ชั่นในแพคเกจTSAในการวิจัยที่จะตรวจพบนวัตกรรมขอบเขต (IO) ที่สังเกต 48th ของชุดข้อมูลเดิมของฉัน ฉันจะรวมค่าผิดปกตินี้ไว้ในแบบจำลองของฉันเพื่อที่ฉันจะสามารถใช้เพื่อวัตถุประสงค์ในการพยากรณ์ได้อย่างไร ฉันไม่ต้องการใช้แบบจำลอง ARIMAX เนื่องจากฉันอาจไม่สามารถคาดการณ์ได้จากสิ่งนั้นใน R มีวิธีอื่นที่ฉันสามารถทำได้หรือไม่ นี่คือค่านิยมของฉันตามลำดับ: VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 …

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 

พิจารณาอนันต์กราฟเรขาคณิตแบบสุ่มในสถานที่ที่โหนดเป็นไปตามกระบวนการจุด Poisson ที่มีความหนาแน่นและขอบจะอยู่ระหว่างโหนดที่อยู่ใกล้กว่าง ดังนั้นความยาวของขอบจึงเป็นไปตาม PDF ดังต่อไปนี้:ρρ\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} ในกราฟข้างต้นพิจารณาโหนดภายในวงกลมของรัศมีศูนย์กลางที่แหล่งกำเนิด สมมติว่าในเวลาt = 0เราวางหุ่นยนต์ตัวเล็ก ๆ ไว้ในแต่ละโหนดที่กล่าวถึง นั่นคือความหนาแน่นของหุ่นยนต์บนเครื่องบินโดย:rrrt=0t=0t=0 โดยที่lคือระยะทางจากจุดกำเนิด รูปต่อไปนี้แสดงตัวอย่างตำแหน่งเริ่มต้นของหุ่นยนต์g(l)={ρl≤r0l>dg(l)={ρl≤r0l>d g(l)= \begin{cases} \rho \quad l \le r \\ 0 \quad\; l > d \end{cases} lll ในแต่ละขั้นตอนหุ่นยนต์จะไปที่หนึ่งในเพื่อนบ้านแบบสุ่ม ทีนี้คำถามของฉันคือ: ฟังก์ชันความหนาแน่นของหุ่นยนต์ที่คืออะไร? เป็นไปได้ที่จะคำนวณฟังก์ชั่นความหนาแน่นเมื่อt …

10 probability  stochastic-processes  pdf  asymptotics  graph-theory 

สัมภาษณ์มี CodeSprint ที่สองของพวกเขาในเดือนมกราคมที่รวมคำถามด้านล่าง คำตอบแบบเป็นโปรแกรมจะโพสต์ แต่ไม่มีคำอธิบายทางสถิติ (คุณสามารถดูปัญหาดั้งเดิมและวิธีแก้ปัญหาที่โพสต์ได้โดยลงชื่อเข้าใช้เว็บไซต์ Interviewstreet ด้วยเครดิต Google จากนั้นไปที่ปัญหา Coin Tosses จากหน้านี้) โยนเหรียญ คุณมีเหรียญที่ไม่ฝักใฝ่ฝ่ายใดซึ่งคุณต้องการที่จะโยนต่อไปจนกว่าจะได้รับ N หัวติดต่อกัน คุณได้โยนเหรียญ M ครั้งและน่าประหลาดใจการโยนทั้งหมดทำให้เกิดหัว จำนวนที่ต้องการเพิ่มเติมของการโยนจนกว่าคุณจะได้รับ N หัวติดต่อกันคืออะไร? อินพุต: บรรทัดแรกมีจำนวนเคส T แต่ละบรรทัด T ถัดไปมีสองตัวเลข N และ M เอาต์พุต: บรรทัดเอาต์พุต T ที่มีคำตอบสำหรับกรณีทดสอบที่สอดคล้องกัน พิมพ์คำตอบที่ถูกปัดเศษเป็นทศนิยม 2 ตำแหน่ง ตัวอย่างอินพุต: 4 2 0 2 1 3 3 3 2 ตัวอย่างผลลัพธ์: …

10 probability  stochastic-processes  markov-process 

มีใครบ้างที่เป็นตัวอย่างที่ดีของกระบวนการสโทแคสติกที่เป็นอันดับ 2 ซึ่งอยู่นิ่ง แต่ไม่หยุดนิ่งอย่างเคร่งครัดหรือไม่?

10 time-series  stochastic-processes  stationarity 

นี่เป็นเพียงตัวอย่างที่ฉันเจอหลายครั้งดังนั้นฉันจึงไม่มีข้อมูลตัวอย่าง ใช้แบบจำลองการถดถอยเชิงเส้นใน R: a.lm = lm(Y ~ x1 + x2) x1เป็นตัวแปรต่อเนื่อง x2เป็นหมวดหมู่และมีสามค่าเช่น "ต่ำ", "ปานกลาง" และ "สูง" อย่างไรก็ตามเอาต์พุตที่กำหนดโดย R จะเป็นดังนี้: summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 ฉันเข้าใจว่า R แนะนำการเข้ารหัสแบบหลอกบางอย่างเกี่ยวกับปัจจัยดังกล่าว ( …

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 

คุณจะตีความเส้นโค้งการอยู่รอดจากโมเดลอันตรายตามสัดส่วนของค็อกซ์ได้อย่างไร ในตัวอย่างของเล่นนี้สมมติว่าเรามีโมเดลอันตรายตามสัดส่วนในageตัวแปรในkidneyข้อมูลและสร้างเส้นโค้งการอยู่รอด library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() ตัวอย่างเช่น ณ เวลาคำสั่งใดเป็นจริง หรือทั้งสองอย่างผิดปกติ?200200200 คำแถลงที่ 1: เราจะเหลือวิชา 20% (เช่นถ้าเรามีคนโดยวันที่เราควรเหลืออีกประมาณ ) 100010001000200200200200200200 งบ 2: สำหรับคนที่ได้รับหนึ่งเขา / เธอมีมีโอกาสที่จะอยู่รอดได้ในวันที่20020%20%20\%200200200 ความพยายามของฉัน: ฉันไม่คิดว่าทั้งสองงบจะเหมือนกัน (แก้ไขฉันถ้าฉันผิด) เนื่องจากเราไม่ได้มีการสันนิษฐาน iid (เวลารอดสำหรับทุกคนไม่ได้มาจากการกระจายอย่างอิสระ) มันคล้ายกับการถดถอยโลจิสติกในคำถามของฉันที่นี่อัตราความเป็นอันตรายของแต่ละคนขึ้นอยู่กับสำหรับบุคคลนั้นβTxβTx\beta^Tx

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