Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 206
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
İlginç gerçek
Rusça çeviride gama dağılım yoğunluk değerlerinin tanımları
Johnson NL, Kots S., Balakrishnan N. Tek boyutlu sürekli dağılımlar. Bölüm 1 ve önceki İngilizce sürümleri farklıdır:
ancak İngilizce versiyonunda farklı karakterler nedeniyle yazım hatası şüphesi var.
Bu bir yazım hatası değil. Gama ile ilgili birkaç farklı eğitim materyaline bakma zahmetine girerseniz... Desteğin farklı şekillerde tanımlandığını göreceksiniz... Sıfır ile bir yerde ve sıfır olmadan bir yerde.
@Quantum'un aksine siz bu malzemelere bakıp getirmekle uğraşmıyorsunuz.
Hatta Excel ve Python'a bağlantılar bile net bir örnek vermeyecek şekilde yapılıyor.
Espri konusunda da, sadece siz pratik yaparken.
Elbette bir tane alırsanız, cevabı R'den alıntılamayı unutmayın.
R geliştiricileri sonuçlarını nasıl açıklayacaktı:
dgamma(0,0.5,1)=inf
pgama(0,0.5,1)=0
0 noktası dahil edilirse (tanımda görüldüğü gibi), x=0 noktasında sonsuz bir yoğunluk verir ve ayrıca, pgamma(x,0.5,1)'e entegre edildiğinde, sonsuz sanki sıfır olarak kabul edilir. o yoktu.
R geliştiricileri sonuçlarını nasıl açıklayacaktı:
Güzel soru ama bunu neden forumda soruyorsun? Renat'a göre, orada R algoritmalarını analiz eden, onlara sorup bize anlatan koca bir bilim insanı ekibiniz var. Tam teşekküllü bir liman yapmak istiyorsanız, R kaynaklarını anlamak ekibinizin doğrudan sorumluluğundadır.
Şimdi bana öyle geliyor ki, tüm "R algoritmaları analiziniz", ayrıntılara girmeden üniversite ders kitaplarına göre uygulama ile R'dekiyle aynı parametrelerle işlevler yapmaktır. Ve bu nedenle, "0^0=1" olarak adlandırmak gibi yanlış anlamalar ortaya çıkıyor.
Mevcut trendle, farklı uygulamalar nedeniyle belirli koşullar altında farklı davranan R benzeri arayüz işlevlerine sahip olacaksınız. Ve biri kodunu R'den mql'ye aktarmak isterse, sonunda farklı sonuçlar alır, sonuçların neden farklı olduğunu aramaktan yorulur ve tüm bunlara tükürür. Birim testleri, bu tür farklılıkların yalnızca küçük bir bölümünü ortaya çıkarmaya yardımcı olacaktır, çünkü bunlar yalnızca bazı sıradan problemli olmayan verileri kapsayacaktır.
Bu çok garip bir yaklaşımdır - R arayüzünü kopyalamak, R kaynak kodunu incelemeden bile kendi işlev uygulamanızı yapmak, sonuçları wolfram'a karşı kontrol etmek. Bu yaklaşımla genel olarak ne elde etmek istersiniz?
Yaptığınız şeye "R'den kopyalanmış ve tanımsız durumlarda wolfram'a uyarlanmış bir arayüze sahip, kendi kendine yazılmış bir mql istatistiksel kitaplığı" diyebilirim. Https://www.mql5.com/en/articles/2742 adresindeki R ile ilgili diğer tüm kelimeler, yalnızca R ile ilgisi olmayan pazarlama malzemeleridir. Hayal kırıklığı.
ve ayrıca, pgamma(x,0.5,1) içine entegre edilirken, sonsuz sanki yokmuş gibi sıfır olarak kabul edilir.
x=1*10^(-90)
Sayı çok küçük, sıfır değil ve hiçbir belirsizlik yok.
Wolfram, sonuç aynı:
PDF[Gama Dağıtımı[0.5,1], 1*10^(-90)]
5.6419×10^44
CDF[Gama Dağıtımı[0.5,1], 1*10^(-90)]
1.12838×10^-45
Şimdi, formüllerde herhangi bir sonsuzluk olmadan sorunuzu yeniden ifade etmek için:
5.641896e+44 gibi büyük sayıları döndüren tümleşik dgamma, nasıl çok küçük bir sayı 1.128379e-45 ile sonuçlanabilir?
Cevap, onu elde etmenin hiçbir yolu değildir.* pgamma() hesaplamak için dgamma() entegrasyonu kullanılmaz, başka formüller de vardır ve hesaplamalarda dgamma()'dan sonsuz kullanılmaz.
Bu durumda pgamma(0, 0,5, 1) hesaplamasını şu şekilde anlıyorum - Sonsuz bir sayı kümesi [0;Inf) alır ve bunlardan birini rastgele seçersek, sayıyı seçme şansı ne olur < =0 ? Cevap 1/Inf veya 0'dır. Bu, pgamma()'nın sonucuna karşılık gelir. Yanlış bir şey varsa düzelt, sezgi ve mantık düzeyinde, sonsuzluklar ve sınırlar konusunda pek iyi çalışmıyorum.
* orada, x azaldıkça dgamma() sonucunun azalma hızını hafife alarak devreye girdim. lütfen bu ifadeyi dikkate almayın.
Güzel soru ama bunu neden forumda soruyorsun? Renat'a göre, R algoritmalarını analiz eden, onlara soru soran ve sonra bize anlatan koca bir bilim insanı ekibiniz var. Tam teşekküllü bir liman yapmak istiyorsanız, R kaynaklarını anlamak ekibinizin doğrudan sorumluluğundadır.
Şimdi bana öyle geliyor ki, tüm "R algoritmaları analiziniz", ayrıntılara girmeden üniversite ders kitaplarına göre uygulama ile R'dekiyle aynı parametrelerle işlevler yapmaktır. Ve bu nedenle, "0^0=1" olarak adlandırmak gibi yanlış anlamalar ortaya çıkıyor.
Mevcut trendle, farklı uygulamalar nedeniyle belirli koşullar altında farklı davranan R benzeri arayüz işlevlerine sahip olacaksınız. Ve biri kodunu R'den mql'ye aktarmak isterse, sonunda farklı sonuçlar alır, sonuçların neden farklı olduğunu aramaktan yorulur ve tüm bunlara tükürür. Birim testleri, bu tür farklılıkların yalnızca küçük bir bölümünü ortaya çıkarmaya yardımcı olacaktır, çünkü bunlar yalnızca bazı sıradan problemli olmayan verileri kapsayacaktır.
Bu çok garip bir yaklaşımdır - R arayüzünü kopyalamak, R kaynak kodunu incelemeden bile kendi işlev uygulamanızı yapmak, sonuçları wolfram'a karşı kontrol etmek. Bu yaklaşımla genel olarak ne elde etmek istersiniz?
Yaptığınız şeye "R'den kopyalanmış ve tanımsız durumlarda wolfram'a uyarlanmış bir arayüze sahip, kendi kendine yazılmış bir mql istatistiksel kitaplığı" diyebilirim. Https://www.mql5.com/en/articles/2742 adresindeki R ile ilgili diğer tüm kelimeler, yalnızca R ile ilgisi olmayan pazarlama malzemeleridir. Hayal kırıklığı.
R konusunda ben de dahil olmak üzere kendimizi yanlış yönlendirdik. Tabii ki, bu yanılsamayı metakotalara atabilirsiniz, ancak gerçek farklı.
R kullanan kişiler, R'nin Olympus'a yükselişinin tarihini hatırlayabilir. 1993 yılında S ile sökülen tüm R sistemi, 10 yıl daha dar çevrelerde yaygın olarak biliniyordu. Ve yaratılmasından sadece 10 yıl sonra, 20 yıllık bir S kullanma geçmişine sahip, 2000'li yılların başından itibaren kademeli bir yükselişe başladı ve beş yıl önce ilk on arasına girdi ve bugün tek rakibi olan python'a sahip. Günümüzde R, istatistik alanında standardı temsil eden devasa bir sistemdir.
Dolayısıyla sonuç: MKL çerçevesinde R analogları imkansızdır.
Neyle uğraşıyoruz?
MKL5'in matematiksel fonksiyonlar açısından çok olumlu bir gelişimi ile karşı karşıyayız. Metakotalar, matematiksel işlevler kümesini istatistik R paketindeki işlevlerin analoglarıyla tamamlamayı başarırsa, böyle bir süreç yalnızca memnuniyetle karşılanmalıdır. Aynı zamanda taklit için başka bir matematiksel paket değil de R'yi orijinal almak çok doğru bir seçimdir. Ancak bu, R'den işlevlerin içe aktarılması değildir - bunlar, analog olan ve orijinalle eşleşme veya eşleşmeme hakkına sahip olan yeni yazılmış işlevlerdir. Ancak bu rastlantısızlık, metakotaların başlattığı çalışmanın önemini azaltmaz. Ve kodu R'den MKL5'e taşımaya karar veren kişiler, bunun kendi nüansları, kendi hataları ve kendi dil ortamı ile R'ye kıyasla farklı bir uygulama olduğunu hatırlamalıdır.
Bu nedenle, hiçbir şeyi karşılaştırmaya gerek yoktur. İstatistiksel işlevler nedeniyle MKL5'te bir genişleme var ve bu harika. Buna çizim yöntemi eklenirse, bu genellikle MKL5 grafik araçlarında bir devrim olacaktır.
not
Ve siz, ben ve diğer birçok R kullanıcısı sadece bir durumda hayal kırıklığı yaşamayacaksınız: terminal yeniden yazılacak ve içindeki programlama dili R olacak.
Arsanın ilk versiyonu zaten ortaya çıktı: https://www.mql5.com/ru/forum/97153/page10#comment_3831485
R'deki hatalara katlanmak zorunda kalacaksınız, günahsızlığa inanmak kötü bir arkadaştır. Ayrıca R'deki hesaplamaların hızı hakkındaki efsaneyi de çürüttük. Oradaki kod alında ve özensizce yazılmıştır.
AS 243 ile yapılan yanlışlık yadsınamaz ve sonuç kalite çalışmalarımızla kanıtlandı ve üçüncü taraf malzemeler tarafından onaylandı.
Şimdi sadece sıfır hakkında tartışıyorsunuz, ama burada bile pes etmeniz gerekecek. Zaten özden uzaklaşmak için kudret ve ana ile deniyorsunuz, diğer noktaları yakmayı teklif ediyorsunuz.
Bir kez daha tekrar ediyorum - kaliteli bir iş çıkardık, konuyu anladık ve her şeyi testlerle kapladık.
- Doğru bir şekilde - S'den gelen ve en az 15 yaşında, hatta istatistiklere göre 20 yaşında olan R dilinde, ileri dereceli kişiler her bir işlev için kod sağlar. Profesörler, istatistik yardımcı doçentleri, birçok yönden Amerikan üniversiteleri. Hesaplamaları sadece aptalca bir şekilde taahhütte kabul edilmekle kalmıyor, çünkü bunu zaten ücretsiz olarak yaptılar, ancak hakemli dergilerde bilimsel yayınlar eşlik ediyor. Ve bu, az çok önemli herhangi bir işlev ve paket için geçerlidir. Ve bu önemli! Örneğin, bir testin gücünü bulmak için bir fonksiyon kullandığımda, bir efekt boyutu argümanı girmeliyim. Ve belgelerde, havuzlanmış standart sapmanın şu veya bu şekilde değerlendirildiğini okudum. İnternete giriyorum, yöntemin Yazarını buluyorum, bunu okuyorum... Ve bu işlevi uygulamanın sonuçları hakkında mantıklı konuşuyorum.
dgamma, Catherine Loader tarafından sağlanan binom dağılım kodunu temel alır. Bu yöntem için makalesi 2000 yılına aittir. Okuyabilirsin.
Ve şimdi MQL sorusu - kendi algoritmalarınızı yazıyorsunuz, hemen hemen her şeyi ödünç aldığınız açık. Nadir durumlarda, oradaki algoritma yeterince doğru değil diyorsunuz ama bu dergide açıklanan başka bir algoritma var ve onu kullanacağız. Peki ya diğer algoritmalar? Ödünç aldığınız belgelere yazar mısınız? Binom dağılımındaki olasılık hesaplamasını yeniden icat edeceğinizi sanmıyorum.
Yardımınızda tür referanslarınız var mı?
pwr.t2n.test {pwr} R Dokümantasyon
İki örnek için güç hesaplamaları (farklı boyutlarda) ortalamaların t testleri
Tanım
Hedef gücü elde etmek için testlerin gücünü hesaplayın veya parametreleri belirleyin (power.t.test'e benzer).
kullanım
pwr.t2n.test(n1 = BOŞ, n2= BOŞ, d = BOŞ, sig.level = 0.05, güç = BOŞ,
alternatif = c("çift taraflı",
"daha az", "daha büyük"))
Argümanlar
n1
İlk örnekteki gözlem sayısı
n2
İkinci örnekteki gözlem sayısı
d
etki boyutu
imza seviyesi
Önem düzeyi (Tip I hata olasılığı)
güç
Testin gücü (1 eksi Tip II hata olasılığı)
alternatif
alternatif hipotezi belirten bir karakter dizisi, "iki taraflı" (varsayılan), "daha büyük" veya "daha az" olabilir
Detaylar
'd','n1','n2','power' ve 'sig.level' parametrelerinden tam olarak biri NULL olarak geçirilmelidir ve bu parametre diğerlerinden belirlenir. Sonuncunun NULL olmayan bir varsayılana sahip olduğuna dikkat edin, bu nedenle hesaplamak istiyorsanız NULL açıkça iletilmelidir.
değer
'"power.htest"' sınıfının nesnesi, 'yöntem' ve 'not' öğeleriyle zenginleştirilmiş argümanların (hesaplanan dahil) bir listesi.
Not
'uniroot' bilinmeyenler için güç denklemini çözmek için kullanılır, bu nedenle, özellikle geçersiz argümanlar verildiğinde kökü parantez içine alamama konusunda hatalar görebilirsiniz.
Yazar(lar)
Stephane Champely <champely@univ-lyon1.fr> ama bu Peter Dalgaard'ın çalışmasının sadece bir kopyası (power.t.test)
Referanslar
Cohen, J. (1988). Davranış bilimleri için istatistiksel güç analizi (2. baskı). Hillsdale, NJ: Lawrence Erlbaum.
Ve eğer kod ödünç alırsanız, bu kodun kaynağını ve yöntemin yazarını belirtmeden, işiniz intihaldir. Ve eğer belirli bir Quantum, Catherine'in çalışmasından elde edilen yanlış fonksiyon yoğunluğu hakkında açıklayıcı bir makale yayınlarsa, istatistiksel toplulukta size nasıl bakacaklar, bu büyük bir soru. Yayınlayacaklarını sanmıyorum...
Gama fonksiyon ailesi için:
GammaDist {stats} R Dokümantasyon
Gama Dağılımı
Tanım
Şekil ve ölçek parametreleri ile Gama dağılımı için yoğunluk, dağılım fonksiyonu, nicelik fonksiyonu ve rastgele üretim.
kullanım
dgamma(x, şekil, oran = 1, ölçek = 1/oran, log = YANLIŞ)
pgamma(q, şekil, oran = 1, ölçek = 1/oran, alt.kuyruk = DOĞRU,
log.p=YANLIŞ)
qgamma(p, şekil, oran = 1, ölçek = 1/oran, alt.kuyruk = DOĞRU,
log.p=YANLIŞ)
rgamma(n, şekil, oran = 1, ölçek = 1/oran)
Argümanlar
x, q
niceliklerin vektörü.
p
olasılık vektörü.
n
gözlem sayısı. uzunluk(n) > 1 ise, uzunluk gerekli sayı olarak alınır.
oran
ölçeği belirtmenin alternatif bir yolu.
şekil, ölçek
şekil ve ölçek parametreleri. Olumlu olmalı, kesinlikle ölçeklendirin.
günlük, günlük.p
mantıklı; DOĞRU ise, olasılıklar/yoğunluklar p log(p) olarak döndürülür.
alt kuyruk
mantıklı; DOĞRU ise (varsayılan), olasılıklar P[X ≤ x], aksi halde P[X > x]'dir.
Detaylar
Ölçek atlanırsa, varsayılan 1 değerini alır.
Şekil = a ve ölçek = s parametreleriyle Gama dağılımının yoğunluğu vardır
f(x)= 1/(s^a Gama(a)) x^(a-1) e^-(x/s)
x ≥ 0, a > 0 ve s > 0 için. (Burada Gamma(a), R'nin gamma() tarafından uygulanan ve onun yardımında tanımlanan fonksiyondur. a = 0'ın 0 noktasında tüm kütle ile önemsiz dağılıma karşılık geldiğine dikkat edin. .)
Ortalama ve varyans, E(X) = a*s ve Var(X) = a*s^2'dir.
Kümülatif tehlike H(t) = - log(1 - F(t))
-pgamma(t, ..., alt = YANLIŞ, log = DOĞRU)
Küçücük şekil değerleri (ve orta ölçekli) için, Gama dağılımının kütlesinin büyük bir bölümünün, bilgisayar aritmetiğinde sıfır olarak temsil edilecekleri kadar sıfıra yakın x değerlerinde olduğuna dikkat edin. Dolayısıyla rgamma, sıfır olarak temsil edilecek değerleri döndürebilir. (Gerçek nesil ölçek = 1 için yapıldığından bu çok büyük ölçek değerleri için de olacaktır.)
değer
dgamma yoğunluğu verir, pgamma dağılım fonksiyonunu verir, qgamma nicelik fonksiyonunu verir ve rgamma rastgele sapmalar üretir.
Geçersiz bağımsız değişkenler, bir uyarıyla birlikte NaN dönüş değeriyle sonuçlanır.
Sonucun uzunluğu, rgamma için n ile belirlenir ve diğer işlevler için sayısal argümanların uzunluklarının maksimumudur.
n dışındaki sayısal argümanlar sonucun uzunluğuna geri dönüştürülür. Mantıksal argümanların yalnızca ilk öğeleri kullanılır.
Not
S (Becker ve diğerleri (1988) parametreleştirmesi şekil ve hız üzerinden yapıldı: S'nin ölçek parametresi yoktu.R 2.xy ölçeğinde hıza göre öncelikliydi, ancak şimdi her ikisini birden sağlamak bir hatadır.
pgamma, tamamlanmamış gama işleviyle yakından ilişkilidir. Abramowitz ve Stegun 6.5.1 (ve 'Sayısal Tarifler') tarafından tanımlandığı gibi bu,
P(a,x) = 1/Gama(a) integral_0^xt^(a-1) exp(-t) dt
P(a, x), pgamma(x, a)'dır. Diğer yazarlar (örneğin, 1922 tablolarında Karl Pearson), normalleştirme faktörünü atlayarak, eksik gama işlevi γ(a,x)'i gama(a,x) = integral_0^xt^(a-1) exp(-t) olarak tanımlar. dt, yani, pgamma(x, a) * gama(a). Yine diğerleri 'üst' tamamlanmamış gama işlevini kullanır,
Gama(a,x) = integral_x^Inf t^(a-1) exp(-t) dt,
pgamma(x, a, alt = YANLIŞ) * gamma(a) ile hesaplanabilir.
Bununla birlikte, pgamma(x, a, ..) öğesinin şu anda a > 0 gerektirdiğine ve eksik gama işlevinin de negatif a için tanımlandığına dikkat edin. Bu durumda, gsl paketinden gamma_inc(a,x) (Γ(a,x) için) kullanabilirsiniz.
Ayrıca bkz. https://en.wikipedia.org/wiki/Incomplete_gamma_function veya http://dlmf.nist.gov/8.2#i.
Kaynak
dgamma, Catherine Loader tarafından sağlanan kod kullanılarak Poisson yoğunluğu aracılığıyla hesaplanır (dbinom'a bakın).
pgamma, 'esas olarak Morten Welinder tarafından' yayınlanmamış (ve başka türlü belgelenmemiş) bir algoritma kullanır.
qgamma, C çevirisine dayanmaktadır.
Best, DJ ve DE Roberts (1975). Algoritma AS91. Ki-kare dağılımının yüzde noktaları. Uygulamalı İstatistikler, 24, 385–388.
artı yaklaşımı geliştirmek için son bir Newton adımı.
şekil >= 1 kullanım için rgamma
Ahrens, JH ve Dieter, U. (1982). Değiştirilmiş bir reddetme tekniği ile gama varyasyonları oluşturma. ACM'nin İletişimi, 25, 47-54,
ve 0 < şekil < 1 kullanım için
Ahrens, JH ve Dieter, U. (1974). Gama, beta, Poisson ve binom dağılımlarından örnekleme için bilgisayar yöntemleri. Bilgisayar, 12, 223–246.
Referanslar
Becker, R.A., Chambers, J.M. ve Wilks, A.R. (1988) The New S Language. Wadsworth ve Brooks/Cole.
Shea, BL (1988) Algoritma AS 239, Ki-kare ve eksik Gama integrali, Uygulamalı İstatistikler (JRSS C) 37, 466-473.
Abramowitz, M. ve Stegun, I.A. (1972) Handbook of Mathematical Functions. New York: Dover. Bölüm 6: Gama ve İlgili İşlevler.
NIST Matematiksel Fonksiyonların Dijital Kütüphanesi. http://dlmf.nist.gov/, bölüm 8.2.
Dolayısıyla, sevgili varlıklar, kodu taşımak, bu kodu bir dizi istatistikçinin çalışması üzerinde bir araya getirmekten genel olarak farklı bir düzeyde bir görevdir.
Bu kısım bilimsel saçmalık:
6. Обнаруженные ошибки расчетов в R
В процессе тестирования расчетов в R была обнаружена ошибка расчета функции плотности для распределений Gamma, и ChiSquare и Noncentral ChiSquare в точке x=0.
Значение вероятности гамма-распределения в точке x=0 считается верно (gamma_cdf=0), но значение плотности гамма-распределения (функция dgamma() в R) в точке x=0 должно быть равно 0 (а показывает gamma_pdf=1) по определению плотности вероятности гамма-распределения.
Для функций ChiSquare и Noncentral ChiSquare плотность вероятности в точке x=0 также вычисляется с ошибкой:
В точке x=0 функция dchisq() выдает ненулевые значения 0.5 и 0.3032653 , при этом функция pchisq() вероятности вычисляет правильно (они равны 0).
Tek taraflı dağılımlar için uç noktada yoğunluk fonksiyonlarının hesaplanmasında konvansiyonel farklılıklar olarak adlandırılmalıdır. Ve istatistikçiler için açıklamak için - neden 3. kurs düzeyinde değil de diğer sözleşmelere bağlısınız (çünkü Wolfram öyle düşünüyor).
Ancak sağdaki bölüme ait bulunan tek söve bu:
Для расчета вероятности нецентрального T-распределения Стьюдента в языке R используется алгоритм AS 243, предложенный Lenth [6]. Достоинством этого метода является быстрый рекуррентный расчет членов бесконечного ряда с неполной бета-функций. Но в статье [7] было показано, что из-за ошибки оценки точности при суммировании членов ряда данный алгоритм приводит к ошибкам (таблица 3 в статье [7]), особенно для больших значений параметра нецентральности delta. Авторы статьи [7] предложили скорректированный алгоритм рекуррентного расчета вероятности нецентрального T-распределения.
У нас в в статистической библиотеке MQL5 используется правильный алгоритм для расчета вероятностей из статьи [7] , что дает точные результаты.
Size söylüyorum - belirli bir tartışmadan uzaklaşmak için güç ve ana çaba gösteriyorsunuz.
Tamam, en az bir ortak tanındı. Sadece kontrolleri yapabilen, çözebilen ve daha doğru bir çözüm bulabilen uzmanlarımız olduğunu kabul etmeyi unuttular.
Alexey, R.'den bir yanıt bekle ve @Quantum'un sorularını yanıtlamayı nasıl bıraktığına dikkat et. Sizi bilinçli olarak bilinen bir hedefe yönlendirir.
Şimdilik Mathematica + Wolfram Alpha + Mathlab + MQL5 bizim tarafımızda, sizin tarafınızda ise açık kaynak kodlu R. 20 yıllık bir projeden beklenebilecek, kodu özensiz ve kesinlikle cilasız yazılmış.