问题标签 [poisson]

好吧，我只是重写我的代码。现在的问题是当我编译它时，我得到一个错误"multiple definition of node a"。有谁知道我的代码有什么问题。我为模型创建变量 a、b 和 c，使其没有很多常量。

我正在使用泊松过程计算使用 8 种不同的索赔率（提出索赔的概率）向保单持有人收取的保费。使用此代码的值是：568.48 625.44 684.34 732.58 772.40 802.90 832.46 851.66 这些值与我在 Excel 中得到的正确值和理论上计算的值不同：517.4 550.26 601.14 650.96 705.86 757.4 4 796.1 任何人都可以尝试正确的 R 代码 8296 来获得这些值。 ?

我正在对我们在整个公司使用的负载测试框架进行一些修改，这是一个我很想得到答案的问题。

我的印象是以下两种生成泊松分布的方法是等效的，但我显然错了：

这导致输出如下所示：

为什么当我使用内置 random.expovariate 时标准偏差与给定间隔内的事件数量成比例，而 expovariate std_deviation 以对数基数 10（计数）的速率进行缩放？

后续问题：如果您要模拟用户与您的服务交互的频率，哪一个更合适？

下面的代码可以工作，以便每年评估折扣级别之间的变动。例如，在 1 年内没有提出索赔，上调折扣水平，在下一年提出索赔，降低折扣水平，一年中提出 2 次或更多索赔，降回 0% 的折扣水平，这是根据索赔率 0.1,...,0.8。如果我们现在将时间段更改为两年。例如，如果在第 1 年或第 2 年没有提出索赔，则提高折扣水平，现在如果在第 1 年或第 2 年提出 1 次索赔，则降低折扣水平，或者如果在这两者上提出 2 次或更多次索赔年期间，降至 0% 的折扣水平。如何编辑此代码以更改时间段？

考虑以下：

我得到结果

从this page的解释来看， foo 的系数似乎应该是log(2)，但事实并非如此。

更一般地说，我认为这个输出应该意味着lambda = 1.187 + .1929 * foolambda 是泊松分布的参数，但这似乎与数据不符。

我应该如何解释这个回归的输出？

想要预测一个值，但这显然不是解决方案。我正在做多项选择测试，而 0.304... 不是答案。如何正确使用 predict()？

我正在尝试以双精度向图像添加泊松噪声。我愿意：

我看到两者I都J非常相似。我做错了什么？
请注意，我确实知道 imnoise 将值缩放 1e-12 但真诚地我不明白如何正确使用它。

我在想我可以用poissrnd()手动添加噪音来绕过imnoise

关于缩放，我使用的是这样的代码：

但它返回的图像几乎是全黑的。

我正在求解泊松方程，并想绘制精确解的误差与网格点数的关系。我的代码是：

我得到的错误是：

下标分配尺寸不匹配。

泊松误差（第 39 行）

我不确定为什么它不在每个网格点计算 u。我尝试将其从 for 循环中取出，但这并没有帮助。任何想法，将不胜感激。

我正在尝试学习 ns3，并且正在尝试通过使用 onofApplication 来生成 Vbr 而不是 Cbr 来修改其中一个示例，但是代码不起作用，我不知道为什么，您能帮帮我吗？

我收到了这个错误

我使用泊松回归（glm()with family='poisson'）并希望以下列形式给出答案：

“每个预测值在区间 [low, high] 中都有一个误差，概率为 0.95”。

1. 有可能吗？如果是，如何？
2. 我看到了几种方法。

1）计算残差并获得低值和高值。我应该使用哪个发行版？

2）使用功能predict.glm(model, type = 'link', se.fit=TRUE)。计算正态分布的置信区间。利用

找出低值和高值。

我已经实施了第二种情况。问题是我怎样才能以上述形式给出答案？