Math 如何使用相关图估计方差?
从一本计算机模拟书中,我得到了这两个方程 第一个是计算,第二个是如何使用相关图估计方差 在计算机模拟中,常用的估计观测方差的方法通常是正确的,因为观测值往往是相关的 我的问题是,我从我的程序计算的值非常大,所以它不可能是正确的 我想,因为当k变大时,r[k]会接近0,第二个方程会给出一个很大的值,所以这个方程可能不正确 如您所问,以下是整个程序(用Python编写):Math 如何使用相关图估计方差?,math,statistics,simulation,covariance,time-series,Math,Statistics,Simulation,Covariance,Time Series,从一本计算机模拟书中,我得到了这两个方程 第一个是计算,第二个是如何使用相关图估计方差 在计算机模拟中,常用的估计观测方差的方法通常是正确的,因为观测值往往是相关的 我的问题是,我从我的程序计算的值非常大,所以它不可能是正确的 我想,因为当k变大时,r[k]会接近0,第二个方程会给出一个很大的值,所以这个方程可能不正确 如您所问,以下是整个程序(用Python编写): 也可以使用函数acf()计算相关图 -k如果没有您编程的实际功能,很难说。您是否重新检查过其他软件?这些公式描述的是上界吗?
也可以使用函数
acf()
计算相关图
-k如果没有您编程的实际功能,很难说。您是否重新检查过其他软件?这些公式描述的是上界吗?你能给我们一个到这本书的链接,或者其他来源吗?我们需要看看数据。当方差接近零时,r[k]将接近无穷大。哦,我的想法只是,您可以尝试使用acf()(希望它的实现是正确的)来缩小有关bug原因的搜索空间。
@property
def autocorrelation(self):
n = self.packet_sent
mean = self.mean
waiting_times = self.waiting_times
R = [ sum([(x - mean) ** 2 for x in waiting_times[:-1]]) / n ]
#print R
for k in range(1, n / 4 + 1):
R.append(0)
for i in range(0, n - k):
R[k] += (waiting_times[i] - mean) * (waiting_times[i + k] - mean)
R[k] /= n
auto_cor = [r / R[0] for r in R]
return auto_cor
@property
def standard_deviation_wrong(self):
'''This must be a wrong method'''
s_x = self.standard_deviation_simple
auto_cor = self.autocorrelation
s = 0
n = self.packet_sent
for k, r in enumerate(auto_cor[1:]):
s += 1 - (k + 1.0) * r / n
#print "%f %f %f" % (k, r, s)
s *= 2
s += 1
s = ((s_x ** 2) * s) ** 0.5
return s