«markov-process» 태그된 질문

현재를 감안할 때 미래가 조건부와 과거와 무관하다는 속성을 가진 확률 적 과정.

1
Anova ()와 drop1 ()이 GLMM에 다른 답변을 제공 한 이유는 무엇입니까?
GLMM 형식이 있습니다. lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 를 사용할 때 자동차 패키지 또는에서 사용할 때 drop1(model, test="Chi")와 다른 결과를 얻습니다 . 후자의 두 사람도 같은 대답을합니다.Anova(model, type="III")summary(model) 조작 된 데이터를 사용 하여이 두 가지 방법이 일반적으로 다르지 않다는 것을 알았습니다. …
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 
2
1 차 Markov 체인의 클러스터 평가
수천 개의 1 차 Markov 체인의 데이터 세트를 약 10 개의 클러스터로 클러스터링했습니다. 이러한 클러스터를 평가하고 클러스터의 항목이 공유하고 다른 클러스터와 어떻게 다른지 알아낼 수있는 권장 방법이 있습니까? 따라서 "클러스터 A의 프로세스는 일단 도착하면 상태 Y를 유지하는 경향이 있습니다. 이는 다른 클러스터의 프로세스에는 해당되지 않습니다." 이러한 Markov 체인의 전이 행렬은 …
3
M 연속시 N 연속을 얻기 위해 예상되는 동전 던지기 수
Interviewstreet는 아래 질문을 포함하여 1 월에 두 번째 CodeSprint를 가졌습니다. 프로그래밍 방식의 답변이 게시되었지만 통계적인 설명은 포함되어 있지 않습니다. (Google creds를 사용하여 Interviewstreet 웹 사이트에 로그인 한 후이 페이지 에서 Coin Tosses 문제로 이동하면 원래 문제와 게시 된 솔루션을 볼 수 있습니다 .) 동전 던지기 당신은 N 연속 머리를 얻을 …
2
마르코프 체인에 대한 중앙 한계 정리
\newcommand{\E}{\mathbb{E}}\newcommand{\P}{\mathbb{P}} CLT (Central Limit Theorem)는 독립적이고 동일하게 분포 된 (iid) 및 이면 합은 정규 분포로 로 수렴됩니다 . 엑스1,엑스2, ...X1,X2,…X_1,X_2,\dots전자 [엑스나는] = 0E[Xi]=0\E[X_i]=0바르(엑스나는) &lt; ∞Var⁡(Xi)&lt;∞\operatorname{ Var} (X_i)<\inftyn → ∞n→∞n\to\infty∑나는 = 1엔엑스나는→ N( 0 ,엔−−√) .∑i=1nXi→N(0,n). \sum_{i=1}^n X_i \to N\left(0, \sqrt{n}\right). 대신 엑스1,엑스2, ...X1,X2,…X_1,X_2,\dots 는 고정 분포 피∞P∞\P_\infty 와 기대 값 …
1
R 선형 회귀 범주 형 변수 "숨김"값
이것은 여러 번 나온 예제 일뿐이므로 샘플 데이터가 없습니다. R에서 선형 회귀 모델 실행 : a.lm = lm(Y ~ x1 + x2) x1연속 변수입니다. x2범주 형이며 "낮음", "중간"및 "높음"의 세 가지 값이 있습니다. 그러나 R이 제공하는 출력은 다음과 같습니다. summary(a.lm) Estimate Std. Error t value Pr(&gt;|t|) (Intercept) 0.521 0.20 1.446 …
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 
3
조건부 전환 확률이있는 Markov 모델
먼저, 내가 원하는 통계와 수학에 정통하지 않다는 것을 먼저 인정하겠습니다. 어떤 사람들은 위험 할 정도로 충분한 지식을 가지고 있다고 말할 수도 있습니다. : 용어를 올바르게 사용하지 않으면 사과드립니다. 한 상태에서 다른 상태로 전환하는 시스템의 확률을 모델링하려고합니다. 간단한 Markov 모델이 좋은 출발입니다. (상태 세트, 초기 상태 확률 세트, 상태 간 전이 …
2
비 정적 환경에서의 강화 학습 [폐쇄]
폐쇄되었습니다 . 이 질문은 더 집중되어야 합니다. 현재 답변을받지 않습니다. 이 질문을 개선하고 싶습니까? 이 게시물 을 편집 하여 한 가지 문제에만 집중할 수 있도록 질문을 업데이트하십시오 . 20 일 전에 마감 되었습니다 . Q1 : 일반적으로 강화 학습에서 비 정적 환경을 다루는 일반적인 방법이 있습니까? Q2 : 그리드 월드에서 …
2
혼합 모델을위한 파라 메트릭, 세미 파라 메트릭 및 비 파라 메트릭 부트 스트랩
이 기사 에서 다음과 같은 이식편을 가져옵니다 . 부트 스트랩을 사용하고 R boot패키지가있는 선형 혼합 모델을 위해 파라 메트릭, 반 파라 메트릭 및 비 파라 메트릭 부트 스트랩 부트 스트랩을 구현하려고 초보자 입니다. R 코드 내 R코드 는 다음과 같습니다 . library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 
4
웜과 애플의 기대 가치
사과는 꼭짓점에 있습니다 AAA 국방부의 ABCDEABCDEABCDE웜은 두 정점에서 CCC. 웜은 매일 인접한 두 정점 중 하나와 동일한 확률로 크롤링합니다. 따라서 하루 만에 웜은 정점에 있습니다.BBB 또는 DDD확률로 각각 1/21/21/2. 이틀이 지나면 웜이 다시 시작될 수 있습니다.CCC이전 위치에 대한 메모리가 없기 때문에 다시. 정점에 도달하면AAA, 그것은 식사를 중지합니다. (ᄀ) 저녁 식사까지의 …
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.