问题标签 [uncertainty]

我尝试在特征因子不确定的情况下进行蒙特卡洛分析。代码运行良好（没有错误），但每次迭代的结果始终相同。计算仅适用于 LCA 模拟。

这是代码：

样品 LCIA 方法的定义

简单活动的定义

蒙特卡洛代码

不确定性定义有问题吗？

感谢您的帮助！

我想使用 python 传播不确定性。这对于通过不确定性包的简单功能来说相对容易。然而，用用户定义的函数来实现同样的效果并不是那么明显。以下是我正在尝试做的一个例子。

上面所做的只是对两个参数进行随机抽样并计算均值和方差。但是，我不确定这种蛮力方法在多大程度上是足够的。我可以使用大数定律并尝试估计需要多少次试验N才能使某个值(P=1-1/(N*k**2))大约k是真实均值的标准差的倍数。

原则上我写的可以工作。然而，我的假设是，作为一种具有许多强大包的灵活语言，python 可以更有效地完成这项任务。我在想uncertainties，mcerp和pymc。由于我使用这些软件包的经验有限，我不确定如何继续。

编辑：我原来的例子没有那么多信息，这就是为什么我决定做一个新的例子来说明我的想法。

我有以下关于 x 和 y 的数据：

对于上述数据，我正在尝试将数据拟合为以下形式：

但是，存在与 x 和 y 相关的某些不确定性，其中 x 具有 x 的 50% 的不确定性，而 y 具有固定的不确定性。我正在尝试使用此不确定性包确定拟合参数的不确定性。但是，我在使用 scipy optimize 的曲线拟合功能进行曲线拟合时遇到问题。我收到以下错误：

minpack.error：函数调用的结果不是正确的浮点数组。

如何修复以下错误并确定拟合参数（a、b 和 n）的不确定性？

MWE

前言：

我必须在每个单元格中使用 HTML5 画布填充一个非常大的网格。我使用Ext JS框架，网格单元很复杂：带有文本的可变数量div元素、一两个简单svg元素和一个程序生成的canvas. 对于表格行的渲染Ext JS使用bufferedRenderer：在每一刻，在 dom 树上只有一小部分可见的表格存在，在滚动期间，缺失的行会按需渲染，而远处的行会被丢弃。

每次需要渲染时都创建一个新的画布会影响性能，保存每个canvas元素以将它们重新附加到 dom 可能会导致内存膨胀。（对于Ext JS用户：我不能Ext.grid.column.Widget在这种特殊情况下使用）。

问题：

所以我决定实现我的画布缓存，但我不知道哪种缓存替换策略与我的情况相关：我无法预测用户滚动我的表格的方式。多种排序和过滤选项使事情变得更加模糊。对于无法估计消费者行为的缓存，是否有任何一般注意事项？也许我应该简单地存储每个第 n 个画布？

我有一些数据点是一个变量的函数。我想绘制这些，但每个数据都有相关的不确定性。误差线是可以的，但我希望能够可视化我们期望误差分布的方式。例如，可以给出一个已知宽度的高斯分布。

我希望 fill_between 的 alpha 值可以根据概率分布进行设置，从而产生类似于这个问题中关于在曲线下填充的图，而是根据高斯在上方和下方用 alpha 进行着色。

我想可能有一些方法可以破解 fill_between 来完成这项工作，但到目前为止我无法弄清楚。这是我到目前为止所拥有的，任何人都可以更优雅地做到这一点吗？

我在 Matlab 中有一些测量值，我想用它们来拟合指数曲线。对于这个测量，我有不同的不确定性。如何在这种不确定性平衡的情况下拟合指数曲线？

我已经拟合了以下线性模型，我使用下面的 ggplot2 代码和数据片段绘制了该模型。我使用蒙特卡罗方法来量化与存储在 var6（与 var 2 相同的单位）中的每个 var2 数据点（来自 10000 个蒙特卡罗模拟的噪声点估计的标准偏差）相关的不确定性。但是，我不确定如何将这些不确定性纳入情节。

我搜索了 web/stackexchange，发现了许多类似的查询，但没有具体的答案，例如this和this。我从搜索中发现的唯一切实解决方案是根据lm函数中的不确定性（不确定性的平方根的倒数）对点进行加权的可能性，但我真的不认为这就是我的想法后。

相反，我希望能够将值的范围（var2 +/- var6）输入我的模型以生成预测值的包络，这可以解释 var6 中的不确定性。

请指教，谢谢！

ggplot2代码：

数据

我是 python 中的 h2o 新手。我在我的训练集上安装一个带有交叉验证的 GBM，然后在一个保留集上得到预测。我的结果是连续的，对于每一个预测，我都希望有一个不确定性的度量。我对预测区间不感兴趣，我只是为我所做的每个预测寻找一个不确定性分数。任何想法都非常受欢迎。

提前致谢！

我正在尝试使用 lmfit 模块将模型函数拟合到曲线。

我拟合的曲线设置如下：

对于 x 大于或等于 X，e(x) = exp(-(xX)/x0)，否则为 0。

G(x) = (1/sqrt(2*pi)*sigma) * exp(-x^2/2*sigma^2)

模型拟合 M(x) = E * conv(e,G)(x) + B

其中 e 是截断指数，G 是高斯，E 和 B 是常数。e 和 G 之间的算子是卷积。

当我尝试将此函数拟合到我的数据时，我得到了很好的拟合。但是，拟合对我为 X 提供的初始值非常敏感。这也反映在参数的不确定性中：

我怀疑这与 E 和 X 之间的相关性为 -1.00 相关，这没有任何意义。我试图找出为什么会出现此错误，并且我相信它可能在模型的定义中：

虽然我相信模型是我无法找到错误来自哪里的原因。也许你们中的某个人可以帮助我！

我开发了一个图像处理软件，我需要对其进行数值分析，考虑到与其操作相关的错误传播以及浮点类型变量的不确定性，这些不确定性是由此类变量发生的固有舍入引起的。

考虑到 IEEE 754 标准machine epsilon，浮点类型变量是1.19e-07. 据我了解，这个值是到最近的可表示浮点的距离。

我做了一些测试，通过向这个 epsilon 添加一个浮点值来确定这是否是真的x + epsilon == x：这个概念不适用于浮点范围的每个值，这是可以理解的，因为浮点数的大值具有更多的不确定性，这是由舍入和用于表示它们的有限位数引起的。

我的问题是与浮点值相关的不确定性是什么，即(x + y) || (x - y) == x浮点值x和浮点不确定性y。

可能是我对英语缺乏了解，但我似乎无法理解有关该主题的文献。

如果有人可以尽可能详细，您能否通过以下简单操作向我解释错误？

如果我知道浮点类型变量的不确定性，这个错误可以简单地用这个公式计算出来，对吧？