Sono interessato a determinare il numero di modelli significativi che emergono da un'analisi della componente principale (PCA) o dell'analisi della funzione ortogonale empirica (EOF). Sono particolarmente interessato ad applicare questo metodo ai dati climatici. Il campo dati è una matrice MxN con M come dimensione temporale (ad esempio giorni) e …
Mi chiedo se qualcuno conosce qualche regola empirica generale relativa al numero di campioni bootstrap che uno dovrebbe usare, in base alle caratteristiche dei dati (numero di osservazioni, ecc.) E / o alle variabili incluse?
Ho cercato di apprendere i metodi MCMC e mi sono imbattuto nel campionamento di Metropolis Hastings, Gibbs, Importance e Rejection. Mentre alcune di queste differenze sono ovvie, cioè come Gibbs sia un caso speciale di Metropolis Hastings quando abbiamo i condizionali completi, le altre sono meno ovvie, come quando vogliamo …
Esiste un metodo di simulazione che non è Monte Carlo? Tutti i metodi di simulazione prevedono la sostituzione di numeri casuali nella funzione per trovare un intervallo di valori per la funzione. Quindi, in sostanza, tutti i metodi di simulazione sono metodi Monte Carlo?
Di recente ho osservato la simulazione Monte Carlo e l'ho usata per approssimare costanti come ππ\pi (cerchio all'interno di un rettangolo, area proporzionata). Tuttavia, non riesco a pensare a un metodo corrispondente per approssimare il valore di eee [numero di Eulero] usando l'integrazione di Monte Carlo. Hai qualche suggerimento su …
Come posso generare manualmente un numero casuale da una determinata distribuzione, come ad esempio 10 realizzazioni dalla distribuzione normale standard?
Sto cercando di apprendere vari metodi di convalida incrociata, principalmente con l'intenzione di applicare a tecniche di analisi multivariate supervisionate. Due che ho incontrato sono le tecniche di convalida incrociata K-fold e Monte Carlo. Ho letto che K-fold è una variante di Monte Carlo ma non sono sicuro di aver …
quando ho integrato una funzione o in simulazioni complesse, ho visto che il metodo Monte Carlo è ampiamente usato. Mi chiedo perché non si genera una griglia di punti per integrare una funzione invece di disegnare punti casuali. Non porterebbe risultati più esatti?
Sto cercando di imparare l'apprendimento per rinforzo e questo argomento mi confonde davvero. Ho preso un'introduzione alle statistiche, ma non riuscivo a capire questo argomento in modo intuitivo.
Sulla base della scarsa conoscenza che ho dei metodi MCMC (Markov chain Monte Carlo), capisco che il campionamento è una parte cruciale della tecnica di cui sopra. I metodi di campionamento più comunemente usati sono Hamiltoniano e Metropolis. Esiste un modo per utilizzare l'apprendimento automatico o anche l'apprendimento profondo per …
Dopo aver eseguito l'analisi dei componenti principali (PCA), voglio proiettare un nuovo vettore nello spazio PCA (ovvero trovare le sue coordinate nel sistema di coordinate PCA). Ho calcolato PCA in linguaggio R utilizzando prcomp. Ora dovrei essere in grado di moltiplicare il mio vettore per la matrice di rotazione PCA. …
Se f1,…,fkf1,…,fkf_1,\ldots,f_k sono densità note dalle quali posso simulare, ovvero per le quali è disponibile un algoritmo. e se il prodotto ∏i=1kfi(x)αiα1,…,αk>0∏i=1kfi(x)αiα1,…,αk>0\prod_{i=1}^k f_i(x)^{\alpha_i}\qquad \alpha_1,\ldots,\alpha_k>0 è integrabile, esiste un approccio generico per simulare da questa densità di prodotto usando i simulatori dififif_i ?
Sto cercando di applicare MCMC su un problema, ma i miei priori (nel mio caso sono α∈[0,1],β∈[0,1]α∈[0,1],β∈[0,1]\alpha\in[0,1],\beta\in[0,1] )) sono limitati a un'area? Posso usare MCMC normale e ignorare i campioni che non rientrano nella zona soggetta a restrizioni (che nel mio caso è [0,1] ^ 2), ovvero riutilizzare la funzione …
Vorrei generare campioni dalla regione blu definita qui: La soluzione ingenua è utilizzare il campionamento del rifiuto nel quadrato dell'unità, ma ciò fornisce solo un'efficienza di (~ 21,4%).1 - π/ 41-π/41-\pi/4 C'è un modo per campionare in modo più efficiente?
La mia comprensione dell'algoritmo è la seguente: Nessun campionatore di inversione a U (NUTS) è un metodo Monte Carlo Hamiltoniano. Ciò significa che non è un metodo a catena di Markov e, quindi, questo algoritmo evita la parte di camminata casuale, che è spesso considerata inefficiente e lenta a convergere. …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.