Questions marquées «random-generation»

L'acte de générer une séquence de nombres ou de symboles au hasard, ou (presque toujours) de manière pseudo-aléatoire; c'est-à-dire avec absence de prévisibilité ou de schéma.

4
Comment générer une matrice de corrélation aléatoire qui a des entrées hors diagonale approximativement normalement distribuées avec un écart-type donné?
Je voudrais générer une matrice de corrélation aléatoire telle que la distribution de ses éléments hors diagonale ressemble approximativement à la normale. Comment puis-je le faire? La motivation est la suivante. Pour un ensemble de données de séries chronologiques, la distribution de corrélation semble souvent assez proche de la normale. …
4
Est-ce correct ? (génération d'une gaussienne multivariée à normes tronquées)
Si c'est-à-dire X∈Rn, X∼N(0–,σ2I)X∈Rn, X∼N(0_,σ2I)X\in\mathbb{R}^n,~X\sim \mathcal{N}(\underline{0},\sigma^2\mathbf{I})fX(x)=1(2πσ2)n/2exp(−||x||22σ2)fX(x)=1(2πσ2)n/2exp⁡(−||x||22σ2) f_X(x) = \frac{1}{{(2\pi\sigma^2)}^{n/2}} \exp\left(-\frac{||x||^2}{2\sigma^2}\right) Je veux une version analogue d'une distribution normale tronquée dans un cas multivarié. Plus précisément, je veux générer une norme-contrainte (à une valeur ) gaussienne multivariée st oùY f Y ( y ) = { c . f X ( …
1
Pourquoi Anova () et drop1 () ont-ils fourni des réponses différentes pour les GLMM?
J'ai un GLMM du formulaire: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Lorsque j'utilise drop1(model, test="Chi"), j'obtiens des résultats différents de ceux que j'utilise à Anova(model, type="III")partir du package de voiture ou summary(model). Ces deux derniers donnent les mêmes réponses. En utilisant un …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
1
Génération de nombres aléatoires Log-Cauchy
J'ai besoin de tirer des nombres aléatoires à partir d'une distribution log-cauchy qui a la densité: Quelqu'un peut-il m'aider ou me diriger vers un livre / papier qui pourrait me montrer comment?F( x ; μ , σ) = 1x πσ[ 1 + ( l n ( x ) - μσ)2].F(X;μ,σ)=1Xπσ[1+(ln(X)-μσ)2].f(x;\mu,\sigma)=\frac{1}{x\pi\sigma\left[1+\left(\frac{ln(x)-\mu}{\sigma}\right)^2\right]}.
1
Génération de vecteurs aléatoires avec contraintes
J'ai besoin de créer des vecteurs aléatoires de nombres réels a_i satisfaisant aux contraintes suivantes: abs(a_i) < c_i; sum(a_i)< A; # sum of elements smaller than A sum(b_i * a_i) < B; # weighted sum is smaller than B aT*A*a < D # quadratic multiplication with A smaller than D …
2
RNG, R, mclapply et cluster d'ordinateurs
J'exécute une simulation sur R et un cluster d'ordinateurs et j'ai le problème suivant. Sur chacun des ordinateurs X, je lance: fxT2 <- function(i) runif(10) nessay <- 100 c(mclapply(1:nessay, fxT2), recursive=TRUE) Il y a 32 ordinateurs, chacun avec 16 cœurs. Cependant, environ 2% des nombres aléatoires sont identiques. Quelles stratégies …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.