Soy nuevo en ciencia de datos y tengo problemas para encontrar clústeres en un conjunto de datos con 200,000 filas y 50 columnas en R. Dado que los datos tienen variables tanto numéricas como nominales, los métodos como K-means que usa la medida de distancia euclidiana no parecen ser una opción...
Tengo un problema de muestreo simple, donde mi bucle interno se ve así: v = sample_gamma(k, a) donde sample_gammamuestras de la distribución Gamma para formar una muestra de Dirichlet. Funciona bien, pero para algunos valores de k / a, algunos de los flujos de cálculo aguas abajo. Lo adapté...
Digamos que tenemos una variable aleatoria con un rango de valores delimitados por y b , donde a es el valor mínimo yb el valor máximo.aaabbbaaabbb Me dijeron que como n→∞n→∞n \to \infty , donde nnn es el tamaño de nuestra muestra, la distribución muestral de nuestras medias muestrales es una...
Tengo una muestra ponderada, para la cual deseo calcular cuantiles. 1 Idealmente, donde los pesos son iguales (ya sea = 1 o no), los resultados serían consistentes con los de scipy.stats.scoreatpercentile()y R's quantile(...,type=7). Un enfoque simple sería "multiplicar" la muestra usando los...
En R, si configuro.seed () y luego uso la función de muestra para aleatorizar una lista, ¿puedo garantizar que no generaré la misma permutación? es decir... set.seed(25) limit <- 3 myindex <- seq(0,limit) for (x in seq(1,factorial(limit))) { permutations <- sample(myindex)...
Nota: esta pregunta es una nueva publicación, ya que mi pregunta anterior tuvo que ser eliminada por razones legales. Al comparar PROC MIXED de SAS con la función lmedel nlmepaquete en R, me topé con algunas diferencias bastante confusas. Más específicamente, los grados de libertad en las...
Observo los tiempos de procesamiento de un proceso antes y después de un cambio para averiguar si el proceso ha mejorado con el cambio. El proceso ha mejorado si se reduce el tiempo de procesamiento. La distribución del tiempo de procesamiento es de cola gruesa, por lo que la comparación basada en...
Tengo un conjunto de datos muy grande y faltan alrededor del 5% de valores aleatorios. Estas variables están correlacionadas entre sí. El siguiente conjunto de datos R de ejemplo es solo un ejemplo de juguete con datos correlacionados ficticios. set.seed(123) # matrix of X variable xmat <-...
Siempre me han enseñado que el CLT funciona cuando tiene muestras repetidas, y cada muestra es lo suficientemente grande. Por ejemplo, imagina que tengo un país de 1,000,000 de ciudadanos. Entiendo que CLT es que incluso si la distribución de sus alturas no era normal, si tomé 1000 muestras de 50...
Quiero muestrear a partir de una densidad univariada pero solo sé la relación:fXfXf_X fX(x)=∫fX|Y(x|y)fY(y)dy.fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. Quiero evitar el uso de MCMC (directamente en la representación integral) y, dado que y son fáciles de muestrear,...
El muestreo con reemplazo tiene dos ventajas sobre el muestreo sin reemplazo como lo veo: 1) No necesita preocuparse por la corrección de población finita. 2) Existe la posibilidad de que los elementos de la población se extraigan varias veces, luego puede reciclar las mediciones y ahorrar...
Me preguntaba cómo funcionan los CI de arranque (y BCa en barticular) en los datos distribuidos normalmente. Parece que hay mucho trabajo examinando su rendimiento en varios tipos de distribuciones, pero no pudo encontrar nada en los datos distribuidos normalmente. Como parece algo obvio estudiar...
Pruebas como Z, t y varias otras suponen que los datos se basan en un muestreo aleatorio. ¿Por qué? Supongamos que estoy haciendo una investigación experimental, donde me importa mucho más la validez interna que la externa. Entonces, si mi muestra podría estar un poco sesgada, está bien, ya que he...
Mi formación es informática. Soy bastante nuevo en los métodos de muestreo de Monte Carlo y, aunque entiendo las matemáticas, me resulta difícil encontrar ejemplos intuitivos para el muestreo de importancia. Más precisamente, ¿alguien podría proporcionar ejemplos de: una distribución original de...
En los métodos MCMC , sigo leyendo sobre el burn-intiempo o el número de muestras "burn". ¿Qué es esto exactamente y por qué es necesario? Actualizar: Una vez que MCMC se estabiliza, ¿permanece estable? ¿Cómo se relaciona la noción de burn-intiempo con la de tiempo de
Estoy tratando de construir una prueba para un problema en el que estoy trabajando y una de las suposiciones que estoy haciendo es que el conjunto de puntos de los que estoy tomando muestras es denso en todo el espacio. Prácticamente, estoy usando el muestreo latino de hipercubos para obtener mis...
Mis datos son los siguientes. Tengo dos grupos de pacientes. Los pacientes en cada grupo tuvieron un tipo diferente de cirugía ocular. Se midieron 5 variables en pacientes de cada grupo. Quiero comparar esas variables entre los dos grupos usando una prueba de permutación o MANOVA. El ojo en el que...
Por lo general, se transforma en Fisher z para probar la diferencia entre dos valores de r . Pero, cuando se va a realizar un metanálisis, ¿por qué deberíamos dar ese paso? ¿Corrige el error de medición o el error de no muestreo y por qué deberíamos asumir que r es una estimación imperfecta de la...
Estoy buscando consejos sobre cómo analizar datos de encuestas complejas con modelos multinivel en R. He usado el surveypaquete para ponderar las probabilidades desiguales de selección en modelos de un nivel, pero este paquete no tiene funciones para el modelado multinivel. El lme4paquete es...
Pregunta de tarea: Considere el modelo Ising 1-d. Deje . es -1 o +1x=(x1,...xd)x=(x1,...xd)x = (x_1,...x_d)xixix_i π(x)∝e∑39i=1xixi+1π(x)∝e∑i=139xixi+1\pi(x) \propto e^{\sum_{i=1}^{39}x_ix_{i+1}} Diseñe un algoritmo de muestreo de gibbs para generar muestras aproximadamente a partir de la...