Questions tagged «uniform»

最近，我发现在Klammer等人的论文中。p值应均匀分布的声明。我相信作者，但不明白为什么会这样。 Klammer，AA，Park，CY和Stafford Noble，W.（2009）SEQUEST XCorr函数的统计校准。蛋白质组研究杂志。8（4）：2106-2113。

115 p-value  uniform 

我正在寻找一种生成似乎均匀分布的随机数的方法-每个测试都将显示它们是均匀的-除了它们比真实的均匀数据分布更均匀外。 我对“真实的”统一随机数存在的问题是，它们有时会聚类。在较小的样本量下，这种效果会更强。粗略地说：当我在U [0; 1]中绘制两个均匀随机数时，它们在0.1范围内的几率约为10％，在0.01范围内的几率约为1％。 因此，我正在寻找一种生成比统一随机数分布更均匀的随机数的好方法。 用例示例：比如说我在做电脑游戏，我想在地图上随机放置宝藏（不在乎其他任何东西）。我不想把宝藏全部放在一个地方，它应该遍布整个地图。如果使用统一的随机数，如果我放置10个对象，则彼此之间有5个左右的机会并不算低。这可以使一个玩家比另一个玩家更具优势。想想扫雷者，您很有可能（如果有足够的地雷的话）很幸运，只需单击一下即可获胜。 解决我的问题的一种非常幼稚的方法是将数据划分为网格。只要数量足够大（并且有足够的因素），就可以通过这种方式实现额外的统一性。因此，与从U [0; .1]提取12个随机变量不同，我可以从U [0; .5]提取6和从U [0.5; 1]提取6，或从U [0; 1/3] + 4提取4来自U [1/3; 2/3] + 4来自U [2/3; 1]。 有什么更好的方法可以使制服获得额外的均匀性？它可能仅适用于批量随机数（绘制单个随机数时，我显然必须考虑整个范围）。特别是，我可以在之后再次重新整理记录（因此它不是前三分之一中的前四个）。 如何逐步进行？那么第一个在U [0; 1]上，然后在每个半部分中两个，每个三分之一中一个，每个四个中一个？是否对此进行了调查，效果如何？我可能必须谨慎使用x和y的不同生成器，以使它们不相关（第一个xy总是在下半部分，第二个在左半部分和下三分之一，第三个xy在中心第三个和上三分之一。 ..因此至少还需要一些随机的bin排列。从长远来看，我想这会太均匀。 作为副节点，是否存在众所周知的测试，即某些分布是否过于均匀以至于无法真正统一？因此，测试“真正的统一”与“有人弄乱数据并使项目更均匀地分布”。如果我没记错的话，霍普金斯统计局（Hopkins Statistic）可以衡量这一点，但它也可以用于测试吗？KS-Test也是相反的：如果最大偏差低于某个预期阈值，数据分布是否过于均匀？

43 distributions  random-generation  uniform  quasi-monte-carlo 

我一直在想这个问题。我觉得它突然发生有点奇怪。基本上，为什么我们只需要三个均匀的ZnZnZ_n就能平滑呢？为何平滑化如此迅速地进行？ Z2Z2Z_2： Z3Z3Z_3： （图像从John D. Cook的博客中无耻地被盗：http : //www.johndcook.com/blog/2009/02/12/sums-of-uniform-random-values/） 为什么不用四套制服？还是五个？要么...？

40 normal-distribution  mathematical-statistics  uniform  central-limit-theorem 

我正在生成8个随机位（0或1）并将它们连接在一起以形成8位数字。一个简单的Python模拟在离散集[0，255]上产生均匀分布。 我试图证明为什么这在我的脑海中有意义。如果我将其与掷8个硬币进行比较，那么期望值会不会在4头/ 4头左右？因此对我来说，我的结果应该反映出范围中间的峰值是有意义的。换句话说，为什么8个零或8个数的序列似乎与4和4或5和3等的序列一样相等？我在这里想念什么？

35 binomial  random-generation  uniform 

我知道熵是过程/变量随机性的量度，可以定义如下。对于集合的随机变量：。在MacKay撰写的《熵和信息论》一书中，他在第二章中提供了这一陈述甲ħ （X ）= Σ X 我 ∈ 甲 - p （X 我）日志（p （X 我））X∈X∈X \inAAAH(X)=∑xi∈A-p(xi)log（p （xi))H(X)=∑xi∈A−p(xi)log⁡(p(xi))H(X)= \sum_{x_i \in A} -p(x_i) \log (p(x_i)) 如果p是均匀的，则熵最大。 直观地说，我能够理解，如果像在集合中的所有数据点都以相同的概率拾取（为组的基数），则随机性或熵的增加。但是，如果我们知道集合中的某些点比其他点更有可能发生（例如，在正态分布的情况下，数据点的最大集中度在均值附近，并且标准偏差区域较小，则随机性或熵应减少。1 /米m A AAAA1/m1/m1/mmmm一种一种A一种一种A 但是，对此有任何数学证明吗？像的方程式一样，我针对对其进行微分，并将其设置为0或类似的值。p （x ）H（X）H（X）H(X)p(x)p(x)p(x) 附带说明一下，信息理论中出现的熵和化学（热力学）中的熵计算之间是否有联系？

32 uniform  entropy  maximum-entropy 

我正在寻找概率密度在远离均值的某个点后迅速降低的分布，或者用我自己的话说是“高原状分布”。 高斯和制服之间的东西

30 distributions  normal-distribution  uniform 

我认为这是一个引人入胜的话题，但我并不完全理解。物理定律是什么使得那么多自然现象具有正态分布？看起来它们具有统一的分布似乎更加直观。 我很难理解这一点，并且感到缺少一些信息。有人可以为我提供很好的解释或将我链接到书/视频/文章吗？

29 distributions  normal-distribution  normality-assumption  uniform 

如何测试二十面骰子（d20）的公平性？显然，我将比较值的分布与均匀分布。我隐约记得在大学里使用卡方检验。我该如何应用此方法来查看死角是否公平？

29 hypothesis-testing  chi-squared  goodness-of-fit  uniform  dice 

我正在尝试提出一个指标，用于衡量我正在运行的实验的分布不均匀性。我有一个随机变量，该变量在大多数情况下应均匀分布，并且我希望能够识别（并且可能测量）数据集示例，其中该变量在一定范围内不均匀分布。 三个数据系列的示例每个都有10个测量值，它们代表我正在测量的事物的发生频率，可能是这样的： a: [10% 11% 10% 9% 9% 11% 10% 10% 12% 8%] b: [10% 10% 10% 8% 10% 10% 9% 9% 12% 8%] c: [ 3% 2% 60% 2% 3% 7% 6% 5% 5% 7%] <-- non-uniform d: [98% 97% 99% 98% 98% 96% 99% 96% 99% 98%] 我希望能够区分c之类的分布与a和b之类的分布，并测量c与均匀分布的偏差。同样，如果存在度量分布均匀性的标准（标准偏差接近零？），我也许可以用它来区分具有高方差的分布。但是，我的数据可能只有一个或两个异常值，例如上面的c示例，并且不确定是否可以通过这种方式轻松检测到。 …

28 distributions  variance  random-variable  uniform 

这是定量分析师职位的面试问题，在此报告。假设我们从均匀的分布绘制并且绘制为iid，则单调递增分布的预期长度是多少？即，如果当前绘制小于或等于上一个绘制，我们将停止绘制。[0,1][0,1][0,1] 我得到了前几个： \ Pr （\ text {length} = 2）= \ int_0 ^ 1 \ int_ {x_1} ^ 1 \ int_0 ^ {x_2} \ mathrm {d} x_3 \，\ mathrm {d} x_2 \，\ mathrm {d} x_1 = 1/3 \ Pr（\ text {length} = 3）= \ int_0 ^ 1 \ int_ {x_1} ^ …

28 probability  random-variable  expected-value  uniform  iid 

R中的大多数标准发行版都有一系列命令-pdf / pmf，cdf / cmf，分位数，随机偏差（例如dnorm，pnorm，qnorm，rnorm）。 我知道使用一些标准命令来为离散均匀分布再现这些函数很容易，但是我是否已经意识到我不知道的用于内置建模R中离散均匀分布的首选函数家族？

28 r  distributions  uniform 

我们多次滚动6面模具。 计算一卷与其前一卷之间的差异（绝对值），期望差异是否均匀分布？ 为了说明10卷： roll num result diff 1 1 0 2 2 1 3 1 1 4 3 2 5 3 0 6 5 2 7 1 4 8 6 5 9 4 2 10 4 0 这些diff值会均匀分布吗？

22 distributions  uniform 

随机将长度为均匀地分成片段。最长片段的长度分布是什么？k+1k+1k+1 更正式地说，让为IID，让为关联的订单统计信息，即我们简单地订购以这样的方式来处理样本。令。(U1,…Uk)(U1,…Uk)(U_1, \ldots U_k)U(0,1)U(0,1)U(0,1)(U(1),…,U(k))(U(1),…,U(k))(U_{(1)}, \ldots, U_{(k)})U(1)≤U(2)≤,…,≤U(k)U(1)≤U(2)≤,…,≤U(k)U_{(1)} \leq U_{(2)} \leq, \ldots , \leq U_{(k)}žķ= 最大（U（1 ），U（2 ）− U（1 ），… ，U(k)−U(k−1),1−U(k))Zk=max(U(1),U(2)−U(1),…,U(k)−U(k−1),1−U(k))Z_k = \max \left(U_{(1)}, U_{(2)}-U_{(1)}, \ldots, U_{(k)} - U_{(k-1)}, 1-U_{(k)}\right) 我对Z_k的分布感兴趣ZkZkZ_k。矩，渐近结果或k \ uparrow \ infty的近似值k↑∞k↑∞k \uparrow \infty也很有趣。

21 distributions  uniform  order-statistics  dirichlet-distribution  maximum 

这可能是一个琐碎的问题，但是到目前为止，我的搜索仍然没有结果，包括这篇Wikipedia文章和“分发纲要” 文档。 如果具有均匀分布，是否意味着遵循指数分布？Ë XXXXeXeXe^X 同样，如果遵循指数分布，是否表示遵循均匀分布？升Ñ （Ý ）YYY升ñ （ÿ）ln(Y)ln(Y)

20 distributions  data-transformation  exponential  uniform 

令随机点的笛卡尔x,yx,yx,y坐标为st (x,y)∼U(−10,10)×U(−10,10)(x,y)∼U(−10,10)×U(−10,10)(x,y) \sim U(-10,10) \times U(-10,10)。 因此，半径ρ=x2+y2−−−−−−√ρ=x2+y2\rho = \sqrt{x^2 + y^2}并不是ρρ\rho的pdf所暗示的均匀分布。 尽管如此，我希望θ=arctanyxθ=arctan⁡yx\theta = \arctan{\frac{y}{x}}几乎是均匀的，不包括由于边缘4个残差而导致的假象： 以下是grafically计算概率密度函数的θθ\theta和ρρ\rho： 现在，如果我让分布为st那么似乎是均匀分布的：x,yx,yx,yx,y∼N(0,202)×N(0,202)x,y∼N(0,202)×N(0,202)x,y \sim N(0,20^2)\times N(0,20^2)θθ\theta 为什么当时不均匀而当时是均匀的吗？θθ\theta(x,y)∼U(−10,10)×U(−10,10)(x,y)∼U(−10,10)×U(−10,10)(x,y) \sim U(-10,10) \times U(-10,10)x,y∼N(0,202)×N(0,202)x,y∼N(0,202)×N(0,202)x,y \sim N(0,20^2)\times N(0,20^2) 我使用的Matlab代码： number_of_points = 100000; rng('shuffle') a = -10; b = 10; r = (b-a).*randn(2,number_of_points); r = reshape(r, [2,number_of_points]); I = eye(2); e1 = …

19 normal-distribution  matlab  pdf  uniform