タグ付けされた質問 「simulation」

実験的処理変数に2つのレベル（条件）がある被験者内および項目内の要因計画を考えます。をm1最大モデルとm2非ランダム相関モデルにします。 m1: y ~ condition + (condition|subject) + (condition|item) m2: y ~ condition + (1|subject) + (0 + condition|subject) + (1|item) + (0 + condition|item) Dale Barr はこの状況について次のように述べています。 編集（2018年4月20日）：Jake Westfallが指摘したように、次のステートメントはこの Webサイトの図1および2に示されているデータセットのみを参照しているようです。ただし、基調講演は変わりません。 偏差コーディング表現（条件：-0.5 vs. 0.5）m2では、被験者のランダムな切片が被験者のランダムな傾きと無相関である分布が可能です。最大モデルのみm1が、2つが相関している分布を許可します。 治療コーディング表現（条件：0対1）では、被験者のランダム切片が被験者のランダムな傾きと無相関であるこれらの分布は、無作為相関モデルを使用してフィッティングできません。治療コード表現における勾配と切片。 なぜ治療コーディングは 常に ランダムな傾きと切片の間に相関関係が生じますか？

7 r  mixed-model  lme4-nlme  categorical-encoding  machine-learning  pandas  proportion  r  irt  distributions  conditional-probability  kernel-smoothing  r  data-visualization  r  mixed-model  sas  curve-fitting  matplotlib  data-visualization  python  matplotlib  regression  logistic  simulation  sas  jmp  logit  beta-regression  regression  maximum-likelihood  posterior 

与えられた平均と共分散行列を使用して、合計が1になるように範囲に切り捨てられた次元多変量ガウス分布から値を生成できるようにしたいと考えています。nnn[0,1][0,1][0, 1] これはガウス分布による標準 -simplex からのサンプリングと同じだと思いますが、どうすればこれを実行できますか？んnn

7 normal-distribution  simulation  multivariate-normal 

一見単純な確率問題の良い例はありますか？ 私はシミュレーションの使用を動機づけようとしており、アクセス可能であることが必要な場合の例を挙げたいと思います。希望は次のようなものです： 「ポーカーのラウンド後に残ったエースの量をモデル化することは直感的に簡単に思えますが、、、、これは実際に分析的に計算することは不可能です。」バツxxyyyzzz しかし、私は良い/単純な例を見つけるのに苦労しています。 任意の助けいただければ幸いです。

7 probability  simulation  probabilistic-programming 

少し前に西安は、PDFのMCMCのcdfsに相当するものは何ですかと尋ねました？素朴な答えは、「近似」メトロポリスアルゴリズムをフォームで使用することです。 与えられた X(t)=x(t)X(t)=x(t)X^{(t)} = x^{(t)} 1.生成する Y∼q(y|x(t))Y∼q(y|x(t))Y \sim q(y|x^{(t)}) 2.取る X(t+1)={Yx(t) with probability otherwise.min(F(Y+ε)−F(Y−ε)F(x(t)+ε)−F(x(t)−ε),1)X(t+1)={Y with probability min(F(Y+ε)−F(Y−ε)F(x(t)+ε)−F(x(t)−ε),1)x(t) otherwise. X^{(t+1)} = \begin{cases} Y & \text{ with probability } & \min\left( \frac{F(Y+\varepsilon) - F(Y-\varepsilon)}{F(x^{(t)}+\varepsilon) - F(x^{(t)}-\varepsilon)} , 1 \right)\\ x^{(t)} & \text{ otherwise.} \end{cases} ここで、はターゲットCDFで、は小さな定数です。これにより、CDFでMetropolisアルゴリズムを使用できるようになります。FFFεε\varepsilon 問題は、これが実際に悪い考えかもしれない理由があるのでしょうか？

7 simulation  mcmc  cdf  metropolis-hastings 

私はp。運動3.9.10を解決しようとしています。Ubbo F. Wiersemaの「ブラウン運動微積分」（ジョン・ワイリー・アンド・サンズ、2008年）の66確率論的積分をシミュレートするように求め、 ∫10B(t) dB(t)∫01B(t) dB(t) \int_0^1 B(t)\ dB(t) 最初にパーティションを使用する [0,1][0,1][0, 1] に n=28n=28n = 2^8 サブインターバルと実行 100010001000 離散確率積分のシミュレーション I（n ）=Σi = 0n − 1B （t私）（B （ti + 1）− B （t私））I(n)=∑i=0n−1B(ti)(B(ti+1)−B(ti)) I^{(n)} = \sum_{i = 0}^{n - 1} B(t_i)\left(B(t_{i + 1}) - B(t_i)\right) このため んnn、次に繰り返し2倍にしてこの手順を繰り返す んnn に 2112112^{11}。演習では、結果を積分の閉形式の平均および分散と比較するよう求めます。 ∫10B （t …

7 r  probability  simulation  stochastic-processes  brownian