poisson

    3熱度

    1回答

    我正在採樣一個毫秒時間尺度的泊松過程,其中速率不固定。我通過檢查尺寸增量的每個間隔來檢查抽樣過程是否存在或不存在基於該間隔內的平均速率的事件。由於我使用Python,它的運行速度比我希望的要慢。目前我正在使用的代碼如下: import numpy def generate_times(rate_function,max_t,delta): times = [] for t i

    0熱度

    1回答

    我想寫一個基本的模擬(一個隊列),它依賴於生成隨機expovariates。儘管Powershell提供了一個Get-Random函數,但您可以指定min和max,但它在Python的random.expovaariate(lambd)函數附近沒有任何地方。 據說,這是我應該遵循模型:日誌(1- $ U)/( - λ) 優秀的Python文檔有這樣一段話吧: 「Exponential distri

    1熱度

    1回答

    我試圖計算罕見類型癌症的發病率(用泊松迴歸法)。我的數據集非常大,包含25000個觀測值,我只包括前20行。 nrcase變量指示每個個體,因爲您可以看到個體可以有多個觀察值,具體取決於他們訪問診所的次數。變量訪問是每個唯一個人在數據集中具有的觀察次數,並且maxvisit是總數。 開始是觀察到數據集中的第一次和做個人時分別爲每年的病人是在數據集中的最後觀察到的日期。我沒有在這個子集中包括審查變量

    2熱度

    1回答

    是否有Poisson的E-Tes​​t的Python實現?對於二項式scipy,將Fisher's Exact test作爲stats.fisher_exact,對於高斯scipy.stats將Welch's T-test作爲ttest_ind。我似乎無法找到任何Python實現來比較兩個Poissons。 For context look here For the algorithm look

    0熱度

    1回答

    我需要使用泊松點過程(PPP)模型來隨機分配一組'對象';在給定的區域: 假設我們有N個對象分佈在一個平均分成S個子區域的區域上。我怎樣才能用PPP來決定一個分節r(r∈S)是否包含一個對象t(其中t∈N)? 理想的情況下,如果任何人有一個僞代碼解決方案,然後讓我知道,但我會爲任何形式的幫助表示感謝。 如果你需要我更具體的讓我知道。

    3熱度

    1回答

    我正在使用R並試圖計算未知的lambda。已知是泊松分佈中的一個區域。 x <- cbind("q" = rpois(n = 4, lambda = 3), "ppois" = runif(n = 4), "lambda_unknown" = rep(NA, times = 4)) x # q ppois lambda_unknown # [1,] 4 0.05207818 NA

    1熱度

    1回答

    我試圖採取數值的函數l在R(泊松分佈在載體x和lambda=6的日誌)的二階導數,這是我的代碼: x=c(2,3) t=6 delta=1e-12 h=1e-12 L=function(x,t) dpois(x,t) l<-function(x,t) log(prod(L(x,t))) ld<-function(x,t) (l(x,t+

    2熱度

    1回答

    注意:這是一個交叉發佈。我上個星期在Cross Validated上發佈了這個問題,但是,它或者不適合那裏,或者它不被識別 - 因此,我試圖在這裏得到答案... 當我運行glm與二項式家族(邏輯迴歸),R輸出給我的對數估計,它可以使用plogis(logit)轉化爲概率。所以使用類似plogis(predict(glm_fit, type = "terms"))的東西會給我調整每個預測變量的成功概

    -4熱度

    1回答

    任何東西之前,這裏是我的代碼: #include <stdio.h> #include <conio.h> #include <math.h> main() { float Exp, Act, Px, Facto_Act; printf("\n This is Poisson Distribution Calculator!"); printf("\n En

    2熱度

    1回答

    我試圖運行一個混合效果模型,該模型包含三個帶有交互作用和隨機截距和斜率的固定效果。我想在glmmadmb指定的模型是: > fit_zipoiss_ambig<-glmmadmb(AmbigCount~Posn.c*mood.c*Valence.c + offset(InputAmbig) + (1+Valence.c|mood.c/Chain), data = Data, zeroInflati