タグ付けされた質問 「random-generation」

Cantorディストリビューションからサンプリングする最良の方法は何でしょうか？cdfのみがあり、反転することはできません。

19 distributions  simulation  random-generation 

ここで、「切り捨て」とは、乱数の精度を下げ、一連の乱数を切り捨てないことを意味します。たとえば、任意の精度で乱数（正規分布、均一分布などの任意の分布から描画）があり、すべての数字を切り捨てて、最終的にそれぞれが正確にn個の数字のセットになる場合小数点以下2桁。この新しい数字のセットを「ランダム」と呼ぶことはできますか？nnnnnn ハードウェア生成乱数について読んでいたとき、私はこの質問を思いつきました。ウィキペディアの記事では、物理的なプロセスを測定することで乱数を生成すると述べています。しかし、この測定には限界（測定誤差、有限精度など）があるため、これらのハードウェアで生成された数値をランダムに呼び出すことができますか？

18 random-generation  measurement-error  truncation 

いくつかの公平な6面ダイス（d6）を振って、1から特定のまでの整数を描きたい。良い答えは、そのメソッドが均一で独立した整数を生成する理由を説明します。NNN 説明のための例として、N=150N=150N=150場合にソリューションがどのように機能するかを説明すると役立ちます。 さらに、この手順が可能な限り効率的であることを望みます。つまり、生成される各数値に対して、平均でd6の最小数をロールします。 老人から小数への変換は許可されています。 この質問は、このMetaスレッドに触発されました。

18 probability  random-generation  uniform  dice 

ランダムデータを生成するプログラムを作成しました。プログラムが正常に動作している場合、そのデータは特定の既知の確率分布に従う必要があります。プログラムを実行し、結果に対していくつかの計算を行い、p値を見つけたいと思います。 他の誰かがそれを言う前に：私は、仮説テストではプログラムが正しく動作していることを検出できないことを理解しています。特定の方法で正しく動作していない場合にのみ検出できます。（それでも、選択した有意水準に応じて、テストは時間のX％で「失敗」するはずです...） だから、私はどのツールが適切かを理解しようとしています。特に： 必要なだけランダムデータを生成できます。私がしなければならないことは、プログラムを十分に長く実行することです。したがって、特定のサンプルサイズに限定されません。 p値を生成する手法に興味があります。したがって、グラフをじっと見て、「はい、それは線形に見えます」と言うことは、興味深い選択肢ではありません。グラフの「不安定」にハードナンバーを付ける何らかの方法がない限り。;-) 私がこれまでに知っていること： 適用できると思われる3つの主要なテストの種類を見ました。[Pearson]カイ2乗検定、Kolmogorov-Smirnov検定、およびAnderson-Darling検定。 カイ二乗検定は離散分布に適しているように見えますが、他の2つは連続分布に適しています。（？） さまざまな情報源は、ADテストはKSテストよりも「優れている」と示唆していますが、それ以上の詳細は説明していません。 最終的に、これらのテストはすべて、指定されたヌル分布から逸脱する「異なる方法」を検出すると考えられます。しかし、私はまだ違いが何であるかを本当に知りません...要約すると、私は各タイプのテストが最も適切である場所と、それが最もよく検出する種類の問題のある種の一般的な説明を探しています。

17 distributions  hypothesis-testing  random-generation 

ここで定義された青い領域からサンプルを生成します。 素朴な解決策は、単位平方で棄却サンプリングを使用することですが、これは（〜21.4％）の効率しか提供しません。1−π/41−π/41-\pi/4 より効率的にサンプリングできる方法はありますか？

17 probability  sampling  monte-carlo  random-generation 

間隔内の正規分布に従って乱数を生成する必要があります。（私はRで働いています。）(a,b)(a,b)(a,b) 関数rnorm(n,mean,sd)は正規分布に従って乱数を生成しますが、その範囲内で間隔制限を設定するにはどうすればよいですか？そのために使用可能な特定のR関数はありますか？

17 r  normal-distribution  matlab  simulation  random-generation 

サンプルを描きたいです。ウィキペディアは、コレスキーまたは固有分解を使用することを推奨しています。つまり、 または Σ = D 1 D T 1x∼N(0,Σ)x∼N(0,Σ)\mathbf{x} \sim N\left(\mathbf{0}, \mathbf{\Sigma} \right)Σ=D1DT1Σ=D1D1T \mathbf{\Sigma} = \mathbf{D}_1\mathbf{D}_1^T Σ=QΛQTΣ=QΛQT \mathbf{\Sigma} = \mathbf{Q}\mathbf{\Lambda}\mathbf{Q}^T したがって、サンプルは次の方法で描画できます。 または ここで、 x=D1vx=D1v \mathbf{x} = \mathbf{D}_1 \mathbf{v} x=QΛ−−√vx=QΛv \mathbf{x} = \mathbf{Q}\sqrt{\mathbf{\Lambda}} \mathbf{v} v∼N（0、I)v∼N(0,I） \mathbf{v} \sim N\left(\mathbf{0}, \mathbf{I} \right) ウィキペディアでは、どちらもサンプルの生成に同等に適していると示唆していますが、コレスキー法の方が計算時間が高速です。これは本当ですか？特に数値的に、モンテカルロ法を使用する場合、対角線に沿った分散が数桁異なる場合がありますか？この問題に関する正式な分析はありますか？

16 normal-distribution  random-generation  svd  cholesky 

計算統計において乱数ジェネレーター（RNG）はどのようにそしてなぜ重要ですか？ 多くの統計的検定のサンプルを選択する際にどちらかの仮説への偏りを避けるためにランダム性が重要であることを理解していますが、乱数ジェネレーターが重要な計算統計の他の領域はありますか？

15 hypothesis-testing  monte-carlo  algorithms  random-generation  computational-statistics 

サンプルのサンプル共分散行列を推定し、対称行列を取得しました。では、私が作成したい変量通常の分散RNをしかしそれゆえ、私はのコレスキー分解必要な。が正定でない場合はどうすればよいですか？CCCCCCnnnCCCCCC

15 r  random-generation  covariance-matrix  multivariate-normal  cholesky 

ウィキペディアの統計randoness： グローバルなランダム性とローカルなランダム性は異なります。特定のサブシーケンスがランダムに見えなくても、「長期的には」シーケンスは本当にランダムに見えるという考えに基づいているため、ランダム性の哲学的概念の大部分はグローバルです。たとえば、十分な長さの「真の」ランダムシーケンスでは、ゼロ以外の長いシーケンスが存在する可能性がありますが、シーケンス全体はランダムである可能性があります。局所的ランダム性とは、ランダムな分布が近似される最小のシーケンス長が存在する可能性があるという考え方を指します。同じ数字の長いストレッチは、「真の」ランダムプロセスによって生成されたものであっても、サンプルの「ローカルランダム性」を低下させます（10,000桁のシーケンスではローカルランダムである可能性があります。たとえば、すべて）。 パターンを示すシーケンスは、統計的にランダムではないことが証明されています。ラムジー理論の原理によれば、十分に大きいオブジェクトには、必ず特定のサブ構造が含まれている必要があります（「完全な無秩序は不可能」）。 太字の2つの文の意味がよくわかりません。 最初の文は、何かがより短い長さでローカルランダムではなく、より長い長さでシーケンスをローカルランダムにすることを意味しますか？ 括弧内の例はどのように機能しますか？ 2番目の文は、パターンを示すシーケンスが統計的にランダムでないことを証明できないことを意味しますか？どうして？ ありがとう

15 mathematical-statistics  random-generation 

私たちが持っていると仮定します X 2〜UNIF（nは、0 、1 ）、X1∼unif(n,0,1),X1∼unif(n,0,1),X_1 \sim \textrm{unif}(n,0,1), X2∼unif(n,0,1),X2∼unif(n,0,1),X_2 \sim \textrm{unif}(n,0,1), ここで、unif(n,0,1)unif(n,0,1)\textrm{unif}(n,0,1)はサイズnの一様ランダムサンプルであり、 Y=X1,Y=X1,Y=X_1, Z=0.4X1+1−0.4−−−−−−√X2.Z=0.4X1+1−0.4X2.Z = 0.4 X_1 + \sqrt{1 - 0.4}X_2. この場合、と相関はです。Z 0.4YYYZZZ0.40.40.4 これを3つの変数、、に拡張するにはどうすればよいですか？X 2 X 3X1X1X_1X2X2X_2X3X3X_3

15 r  correlation  random-generation  uniform 

次のようなバイナリ時系列を生成するにはどうすればよいですか？ 1を観測する平均確率が指定されています（5％など）。 値を与えられた時点 1を観測する条件付き確率（値が1の場合、30％と言います）？tttt−1t−1t-1t−1t−1t-1

15 time-series  random-variable  simulation  random-generation 

Rでプログラミングするとき、マルチコアパッケージを数回使用しました。しかし、私はそれが乱数をどのように処理するかについてのステートメントを見たことはありません。CでopenMPを使用するときは、適切な並列RNGを使用するように注意しますが、Rでは、理にかなったことが起こると想定しています。誰でも賢明なことが起こることを確認できますか？ 例 ドキュメントから、私たちは持っています x <- foreach(icount(1000), .combine = "+") %do% rnorm(4) rnorm`s はどのように生成されますか？

15 r  random-generation  parallel-computing  multicore 

Libre Office Calcでは、rand()均一分布から0〜1のランダムな値を選択する関数が使用可能です。私は自分の確率で少しさびているので、次のような振る舞いを見たとき、私は困惑しました： A = 200x1列 rand()^2 B = 200x1列 rand()*rand() mean(A) = 1/3 mean(B) = 1/4 なぜmean(A)！=なの1/4か？

14 expected-value  random-generation  uniform 

特定の相関関係を持つ乱数のペアを生成したいと思います。ただし、2つの正規変数の線形結合を使用する通常のアプローチは、ここでは有効ではありません。これは、均一変数の線形結合はもはや均一分布変数ではないためです。2つの変数が均一である必要があります。 特定の相関関係を持つ均一変数のペアを生成する方法に関するアイデアはありますか？

14 correlation  random-generation  uniform