Preguntas etiquetadas con circular-statistics

La estadística direccional (también llamada estadística circular o esférica) es la disciplina de la estadística que se ocupa de las direcciones (vectores unitarios en Rn), ejes (líneas a través del origen en Rn) o rotaciones en Rn.


4
Simula una distribución uniforme en un disco
Intentaba simular la inyección de puntos aleatorios dentro de un círculo, de modo que cualquier parte del círculo tenga la misma probabilidad de tener un defecto. Esperaba que la cuenta por área de la distribución resultante siguiera una distribución de Poisson si rompo el círculo en rectángulos de igual área. …




2
Operaciones trigonométricas en desviaciones estándar.
La suma, resta, multiplicación y división de variables aleatorias normales están bien definidas, pero ¿qué pasa con las operaciones trigonométricas? Por ejemplo, supongamos que estoy tratando de encontrar el ángulo de una cuña triangular (modelada como un triángulo rectángulo) con los dos catheti que tienen dimensiones y d 2d1d1d_1d2d2d_2 , …


1
Regresión logística con datos direccionales como IV
Estoy buscando buenas referencias sobre el uso de datos direccionales (medida de dirección en grados) como una variable independiente en regresión; idealmente, también sería útil para modelos jerárquicos no lineales (los datos están anidados). También estoy interesado en datos direccionales en general. Encontré un texto de Mardia, que voy a …



1
R / mgcv: ¿Por qué los productos tensoriales te () y ti () producen superficies diferentes?
El mgcvpaquete Rtiene dos funciones para ajustar las interacciones del producto tensorial: te()y ti(). Entiendo la división básica del trabajo entre los dos (ajustar una interacción no lineal versus descomponer esta interacción en efectos principales y una interacción). Lo que no entiendo es por qué te(x1, x2)y ti(x1) + ti(x2) …
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
regresión para datos angulares / circulares
He supervisado el problema de aprendizaje donde los objetivos son ángulos. Si hiciera una regresión simple, los números 360 y 1 estarían muy lejos para mi modelo, pero en realidad están cerca y predecir las coordenadas x e y no se siente bien, ya que estoy tratando de predecir solo …



1
Momento / mgf de coseno de vectores direccionales?
¿Alguien puede sugerir cómo puedo calcular el segundo momento (o la función generadora del momento completo) del coseno de dos vectores aleatorios gaussianos , cada uno distribuido como , independientes el uno del otro? IE, momento para la siguiente variable aleatoriax,yx,yx,yN(0,Σ)N(0,Σ)\mathcal N (0,\Sigma) ⟨x,y⟩∥x∥∥y∥⟨x,y⟩‖x‖‖y‖\frac{\langle x, y\rangle}{\|x\|\|y\|} La pregunta más cercana …

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.