2x1=10

because numbers are people, too
Persönliches
Fotografie
Programmierung
    • Korrelierte Zufallsvariablen in MATLAB

      Fund­stück aus der MAT­LAB-Doku: Kor­re­lierte nor­malverteilte Zufall­sprozesse. Gegeben seien die Erwartungswerte \(\mu\) der Vari­ablen, sowie deren Kovar­i­anzen \(P\) .

      Mit­tels R = mvnrnd(µ, P, N); kön­nen dann N Werte gezo­gen wer­den.

      Zwei unko­r­re­lierte Prozesse mit \(\mu_1 = E(X_1) = 0\) und \(\mu_2 = E(X_2) = 10\) , sowie Var­i­anzen \(\sigma^2_1 = 1\) und \(\sigma^2_2 = 2\) ließen sich wie fol­gt erzeu­gen:

      N  = 5000;
      mu = [0 10];
      P  = [1 0;
            0 2];
      r = mvnrnd(mu, P, N);
      

      Der entsprechende Plot ergibt das typ­is­che Bild:

      plot(r(:,1), r(:, 2), 'r+');
      axis square;
      

      MATLAB: mvnrnd, unkorrellierte Zufallsprozesse

      Zwei kor­re­lierte Prozesse mit densel­ben Erwartungswerten und Var­i­anzen, aber neg­a­tiv­er Kovar­i­anz ( \(cov(X_1, X_2) = -1\) ) wer­den ana­log wie fol­gt erstellt:

      P  = [1 -1;
           -1  2];
      r = mvnrnd(mu, P, N);
      

      Dies liefert die erwartete “schräge” Verteilung.

      mvnrnd_correlated

      Januar 21st, 2014 GMT +2 von
      Markus
      2014-01-21T17:49:25+02:00 2018-03-4T15:15:39+02:00 · 0 Kommentare
      Matlab
      MATLAB Data Science

      Hinterlasse einen Kommentar

      Hier klicken, um das Antworten abzubrechen.

    1. « newer
    2. 1
    3. …
    4. 29
    5. 30
    6. 31
    7. 32
    8. 33
    9. 34
    10. 35
    11. …
    12. 43
    13. older »
    • Kategorien

      • .NET
        • ASP.NET
        • Core
        • DNX
      • Allgemein
      • Android
      • Data Science
      • Embedded
      • FPGA
      • Humor
      • Image Processing
      • Kalman Filter
      • Machine Learning
        • Caffe
        • Hidden Markov Models
        • ML Summarized
        • Neural Networks
        • TensorFlow
      • Mapping
      • MATLAB
      • Robotik
      • Rust
      • Signal Processing
      • Tutorial
      • Version Control
    • Neueste Beiträge

      • Summarized: The E-Dimension — Why Machine Learning Doesn’t Work Well for Some Problems?
      • Use your conda environment in Jupyter Notebooks
      • Building OpenCV for Anaconda Python 3
      • Using TensorFlow’s Supervisor with TensorBoard summary groups
      • Getting an image into and out of TensorFlow
    • Kategorien

      .NET Allgemein Android ASP.NET Caffe Core Data Science DNX Embedded FPGA Hidden Markov Models Humor Image Processing Kalman Filter Machine Learning Mapping MATLAB ML Summarized Neural Networks Robotik Rust Signal Processing TensorFlow Tutorial Version Control
    • Tags

      .NET Accelerometer Anaconda Bitmap Bug Canvas CLR docker FPGA FRDM-KL25Z FRDM-KL26Z Freescale git Gyroscope Integration Drift Intent J-Link Linear Programming Linux Magnetometer Matlab Mono Naismith OpenCV Open Intents OpenSDA Optimization Pipistrello Player/Stage PWM Python Sensor Fusion Simulink Spartan 6 svn tensorflow Tilt Compensation TRIAD ubuntu Windows Xilinx Xilinx SDK ZedBoard ZYBO Zynq
    • Letzte Kommetare

      • Lecke Mio bei Frequency-variable PWM generator in Simulink
      • Vaibhav bei Use your conda environment in Jupyter Notebooks
      • newbee bei Frequency-variable PWM generator in Simulink
      • Markus bei Using TensorFlow’s Supervisor with TensorBoard summary groups
      • Toke bei Using TensorFlow’s Supervisor with TensorBoard summary groups
    • Blog durchsuchen

    • Januar 2014
      M D M D F S S
      « Dez   Feb »
       12345
      6789101112
      13141516171819
      20212223242526
      2728293031  
    • Self

      • Find me on GitHub
      • Google+
      • Me on Stack­Ex­change
      • Ye olde blog
    • Meta

      • Anmelden
      • Beitrags-Feed (RSS)
      • Kommentare als RSS
      • WordPress.org
    (Generiert in 0,523 Sekunden)

    Zurück nach oben.