タグ付けされた質問 「interarrival-time」

2
いくつかの待機が私たちをより多くの待機を期待する状況を反映する分布
スタートアップに関するPeter Thielの講義に関するBlake Masterのメモを読んで、テクノロジーフロンティアのこの比phorに出会いました。 池、湖、海に覆われている世界を想像してください。あなたはボートに乗って、水域にいます。しかし、それは非常に霧が深いので、反対側までの距離はわかりません。池にいるのか、湖にいるのか、海にいるのかわかりません。 池にいる場合は、横断に約1時間かかることが予想されます。ですから、一日中外に出たら、あなたは湖か海のどちらかにいます。あなたが1年間外に出ていたら、あなたは海を渡っています。旅が長いほど、予想される残りの旅も長くなります。時間が経つにつれて反対側に近づくことに近づいているのは事実です。しかし、ここで、時間の経過は、あなたがまだ進むべき道があることを示しています。 私の質問:この状況、特に太字の部分を最もよくモデル化する確率分布または統計的枠組みはありますか?

1
R / mgcv:なぜte()とti()テンソル積が異なる表面を生成するのですか?
のmgcvパッケージにRは、テンソル積の相互作用をフィッティングするための2つの関数がte()ありti()ます。私は2つの作業の基本的な分業を理解しています(非線形の相互作用を当てはめるか、この相互作用を主効果と相互作用に分解するか)。私が理解していないのは、なぜte(x1, x2)、そしてti(x1) + ti(x2) + ti(x1, x2)(わずかに)異なる結果を生成するのかということです。 MWE(から適応?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

1
ガンマ分散待機時間を備えた有限状態マシン
正と負の入力を持つステートマシンがあります。正の入力間の時間はガンマ分布に従い()、負の入力間の時間は異なるガンマ分布に従います()。したがって、一定の時間間隔で正と負の入力を受け取る確率は、すべてのについて正確にます。ステートマシンを以下に示します。X+∼Γ(k+,θ+)X+∼Γ(k+,θ+)X_+ \sim \Gamma(k_+, \theta_+)X−∼Γ(k−,θ−)X−∼Γ(k−,θ−)X_- \sim \Gamma(k_-, \theta_-)KKKKKK 青いボックスはマシンで達成可能な状態を表し、実線と破線はそれぞれ正と負の入力を表します。たとえば、マシンが状態3にあり、正の入力が到着した場合、マシンは正の出力を生成し、状態2にリセットされます。その後、マシンが負の入力を受け取ると、出力を生成せずに状態1に移行します。 ポジティブ出力のPMFを見つけることは可能ですか?つまり、すべてのについて同じ時間間隔で正の出力が得られる確率はどれくらいですか。KKKKKK
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.