问题标签 [random-walk]

我想从长度为 lambda 的连接无向图的每个节点运行 k 随机游走。当两个或多个游走同时访问一个节点时，它们组合成一个游走并继续作为单个随机游走，直到 lambda 步完成。我想知道在 lambda 步骤结束时将合并多少个步行，或者至少知道一个好的界限。

我正在使用 Python 3。下面的代码尝试在 3 维中模拟随机游走的 N 步。在每一步，随机选择一个方向（北、南、东、西、上、下），每个方向的概率为 1/6，并在该方向上采取大小为 1 的步长。然后打印新位置。起始位置是原点 (0,0)。

即使没有错误消息，代码也不起作用。我们应该在 x、y 或 z 中只移动一步。但是，在输出中，我看到有时我根本不动，或者有时我朝多个方向移动。

这是我的代码：

你觉得我能怎么解决这个问题？

非常感谢。

如何在不超过最大值且不低于最小值的情况下在起始值之间生成随机游走数据？

这是我这样做的尝试，但由于某种原因，有时该系列会超过最大值或低于最小值。似乎开始和结束值受到尊重，但不是最小值和最大值。如何解决这个问题？我也想给出波动的标准偏差，但不知道如何。我使用了randomPerc波动，但这是错误的，因为我想指定标准。

这是一个简单的循环，用于检查低于最小值或高于最大值的系列。这正是我想要避免的。该系列应分布在最小值和最大值的给定限制之间。

我想从后验采样，其中 LambdaA 和 LambdaB 是 A 和 B 的指数率。此外，y 是 rv 的观察值。

后验由下式给出

出于数字原因，我正在记录这个函数。

数据：

后验的对数：

U 值

计算步数

初始点

随机游走 MH 算法，一次更新每个组件：

最终，我的后验有问题，因为在评估 logalpha 时我不断得到无穷大或 0。请注意，我希望将 log($\alpha(x'|x))$ 与 log(U) 进行比较。有什么帮助可以使此代码正常工作吗？

嗨，我正在研究我的第一个随机游走程序。我只是能够弄清楚随机游走程序本身。这是一个简单的一维随机游走，有 1000 步。这是我的代码到目前为止的样子：

这工作得很好，现在我需要尝试更多的任务：

• 运行此模拟 X 次以生成一个集成。在集合中的每个模拟结束时记录/存储步行者的最终位置。

• 为合奏中的每个模拟生成步行者结束位置的直方图 ▪ 调整 bin-width 以“理解”您的结果。

• 重复并绘制 X = [1000, 2000, 10000, 20000, 100000, 1000000] 的结果

我不确定如何重复模拟并将结束值记录到一个集合中。在完成这些任务时，我将不胜感激

嗨，我编写了一个 1d 随机游走器，我正在尝试实现一个捕获区域，如果游走器在特定的值范围内保持一定时间，程序将在该区域停止。我的代码如下所示：

它会穿过人行道，但永远不会在捕获区中断。我确信它已经多次在捕获区域中超过 5 步，但它仍然会继续运行。任何帮助表示赞赏。

让我首先澄清一下，我并不想像在这个问题和许多其他问题中那样生成随机游走线。我正在尝试制作一个随机游走热图，当点被重新审视时会改变颜色，就像这样。

我已经能够创造出这样的静物：但我想看看这个过程。

我可以让这个数字出现，如果我在每一步打印数组，我可以看到步行正在工作。但人物本身并没有动画。我的代码：

运行 Python 3.6，如您所见。

这些动画网格的视频太多了，我找不到任何答案！一定有人知道怎么做。谢谢！

我有以下任务要执行：

生成公式描述的过程的 10^9 步：

其中Y(t)是具有分布的独立随机变量N(0,1)。t计算该值为X(t)负数的指数百分比。

我尝试了以下代码：

但是，它非常缓慢。我怎样才能加快速度？

我正在尝试为随机游走编写代码，在方向部分，我遇到了这个问题。我希望方向是任意度数，我所做的是尝试使用 py.arrange 在 -1 和 1 之间生成尽可能多的数字。我想问是否有更好的解决方案来遍历 -1 之间的所有数字和 1？谢谢！

这是我的代码：

我来自生物学领域，因此我在理解（直觉上？）该论文的一些想法时遇到了一些困难。我真的尽力通过使用大量的google和youtube逐步破译它，但现在我觉得，是时候参考该领域的专业人士了。

在用（无序的）问题填满整个宇宙之前，让我把整个事情放下来，试着向你介绍这个主题，同时向你解释我到目前为止从我的研究中得到了什么。

微阵列

对于那些不知道这是什么的人，您可以想象，它实际上是一个阵列（矩阵），其中每个细胞都包含一个针对特定基因的探针。长话短说，在微阵列实验结束时，您有一个矩阵（在计算方面），每列代表一个样本，每行代表一个不同的基因，而矩阵的内容代表每个基因的表达值样本。

途径

在生物学通路/基因组中，它们称为一组相互相互作用的基因，形成一个负责特定功能的小网络。这些通路不是孤立的，但它们也相互交谈/相互作用。这篇论文首先做的是扩展初始通路（让我们称之为目标通路），包括来自可能与之相互作用的其他通路的一些其他基因。

程序

1. 现在假设我们有一个矩阵 G x S。其中 G 代表基因，S 代表样本。我们使用基因对之间的皮尔逊相关系数 ( a )作为权重来构建基因共表达网络 (G x G )。这也可以表示为无向加权图。.

2. 对于每个基因（行或列），我们计算加权度（d），它只不过是该基因所有相关系数的总和。

3. 从前面的两个矩阵中，他们构造了转换矩阵，通过使用

公式

Q1。他们为什么称这种转换概率？是否有任何直观的方法可以将其视为生物学背景下的概率？

4. 由于我们有整个转换矩阵，我们可以定义初始的子网络，我们想要扩展它，它由 15 个基因组成。在该步骤中，他们使用了公式 3（在纸上），它按照它所说的那样转换了初始转换矩阵的值。他们将属于所选子网络的节点的概率设置为1，因为它们将它们定义为吸收状态。

Q2。在同一个公式（3）中，我无法理解第二个条件的作用。什么时候概率应该为0？直觉上，在我看来，子网中不存在的所有节点都应该有 P_ij 值作为概率。

5.之后，论文中的公式（4）显示了新构建的转移矩阵，我通过这篇优秀的文章 设法理解了它。

6. 对我来说，这一切都变得越来越模糊，也是我最需要帮助的地方。我在那一步的想象是，算法从一个节点随机开始，并继续在网络中走动。为了构造一个相关函数（这到底是什么意思？），他们首先计算一个称为访问一个节点/边 E(i,j) 的联合概率的概率，并记为：

另一方面，他们似乎计算了另一个概率，称为从 x 开始的长度为 L 的步行概率，并表示为：

7. 在下一步中，他们将之前计算的概率相除，并使用从 i 到 j 的转换计算随机游走在 x 中开始的次数，我不太明白这是什么意思。

在那一步之后，我完全失去了他们的推理：-P。

我不指望专家会敞开心扉让我理解这个程序。我期待的是一些指导方针、提示、想法、有用的资源或更直观的方法来理解整个过程。然后当我完全理解它时，我会尝试在 R 或 python 上实现它。

所以欢迎任何想法/批评。

谢谢。