问题标签 [uncertainty]

我想获得每个预测点的分布，即因变量 y 的每个值。在因变量 y 中，我有 199 个观察值，对于每个观察值，我想要一个分布。所以我的输出应该是 199*100 的矩阵。我怎样才能得到它？我尝试了 T=100 的蒙特卡洛模拟。但每次，它都是 199 的向量而不是矩阵 199*100。R代码在这里

我有一个包含 N 个点的数据集，我将其拟合为样条曲线并使用 scipy.integrate.quad 进行积分。我想使用 N 个相关的测量误差对最终的积分值进行误差估计。

我最初尝试使用不确定性包，但 x+/-stddev 对象不适用于 scipy。

有什么想法吗？

我有四个因变量的一维数组。它们包含数百个数据点，但在本例中我将它们裁剪为 20 个。每个点代表地图上的一个网格单元。

每个变量的错误都包含在数组中：

Y 是 A、B、C 和 D 的总和：

显然，Y 在 20 个网格单元中的每一个中都有不同的值。我要计算的是每次 Y 测量的误差。最初，我只是将其计算为：

但这不包括协方差项。由于我没有变量 A、B、C 和 D 相互之间的表达式，因此我可以看到计算协方差的唯一方法是使用相关协方差矩阵：

我不清楚我是否可以简单地添加六个非对角矩阵项中的每一个：

进入误差传播方程，使得：

或者这完全无效？

我有一堆现场数据，其中一些有一个众所周知的采集日，而对于一些采集只是已知的不确定性，例如 +/- 1.5 个月。

是否有诸如“不确定的日期时间对象”之类的东西可以处理这些不确定性？

我正在考虑只为日和月插入“99”和“99”作为零阶方法，然后例如创建一个将日期标记为不确定的 Enum 对象。但首先插入 9 不起作用，因为 datetime 非常注意在实例化 datetime 对象时插入有效的月份和日期。有没有更聪明的方法？是否有一个已经存在的包可以处理不确定的日期？

为方便起见，我使用 pandas 数据帧来对大量数据执行不确定性传播。

然后我希望绘制我的数据集的标称值，但类似的东西myDF['colLabel'].n不起作用。如何从数据框中提取名义偏差和标准偏差以绘制名义值和误差线？

这是一个更一致的 MWE：

我得到一个错误AttributeError: 'Series' object has no attribute 'n'，建议从每个系列中提取值，有没有比通过循环将标称值和标准值分成两个单独的向量更短的方法？

谢谢。

编辑：使用包中的这些功能也不起作用：uncertainties.nominal_value(df['value2'])和uncertainties.std_dev(df['value2'])

我需要在一组数据上拟合曲线，还需要系数的不确定性或误差，例如：

拟合 a x^2+b x+c，我需要以下值：a+-da、b+-db 和 c+-dc。其中 da,db 和 dc 是不确定性。

我已经尝试过 polyfit 和 optmize.curve_fit，但它们都没有给我我想要的不确定性。有人知道该怎么做吗？

是否有包含数字误差线的 python 数据类型？

例如，

在哪里√(0.1^2 + 0.1^2) = 0.141

我想既然虚数已经以这样的形式存在a= 3 + j4，也许还有一个模块可以为您处理错误分析。（我想这很复杂，因为 + & - 不确定性不必相等。）

我无法理解以下代码有什么问题：

这是直接从这里复制的，只更改了模型。我得到的错误是

但据我所知beta0，有五个参数，这正是gauss工作所需的数量。如果有人能指出错误来源或我的误解，那就太好了。

考虑以下代码片段：

如果我尝试在我的计算机上运行它，最多需要 10 分钟才能产生结果。我不太确定为什么会这样，并希望得到某种解释。如果我不得不猜测，我会说不确定性的计算由于某种原因比人们想象的要复杂，但就像我说的那样，这只是一个猜测。有趣的是，如果最后删除print指令，代码几乎立即完成，老实说，这让我感到困惑，而不是帮助......

如果您不知道，这是不确定性库的存储库。

我有一个像 y=A*x+N 这样的模型，其中 N 是一个具有不确定性的固定参数，例如 N=1.0+/-0.1。我想将此模型曲线拟合到数据集以确定 A 但具有不确定值（根据固定参数 N 的不确定性计算）。我一直在用 Python 中的 curve_fit 进行曲线拟合。

这个问题类似于几年前提出的这个问题，但没有得到任何答案，所以这是一种颠簸。