Glidande Medelvärde Non Uniform Avstånd

Med tanke på några XY-data där X är den icke-ekvivalenta oberoende variabeln och Y den beroende variabeln Låt säga att data kommer från ett fysiskt experiment Jag vill släta denna data med ett rullande utjämningsmedelfilter. Hur ska jag fortsätta? Vad jag ofta gör i Det här fallet är att tillämpa samma filter på både Y och X, men jag är inte säker på om det här är statistiskt korrekt. Jag tror att det är klart att jag inte bara kan tillämpa normalt körmedel på Y ensamt med tanke på det ojämna avståndet mellan den oberoende variabeln Filtrering av den oberoende variabeln har också den fördelen att jag enkelt kan använda lika stora fönster utan att introducera en lead-lag. Som ett alternativ tror jag att interpolera data på ett vanligt nät, men så tycker jag att när jag ändrar urvalet av mina data , Genererar jag faktiskt artificiella datapunktsmätningar som får samma vikt som de faktiska mätningarna, vilket jag tycker är konstigt. Så, vad är det korrekta sättet att applicera ett filter som t. ex. löpande medel i detta fall. En av mina skäl är th E följande I ett fysiskt experiment är varje variabel ett experiment, så om en jämn variabel kan jag också bör släta den andra variabeln. Eftersom det som är beroende och oberoende bara är en synvinkel. Därför är det uppenbart att endast utjämning Y ger orimliga resultat, medan utjämning X och Y verkar ge de ursprungliga uppgifterna mycket bättre. Jag gillar att använda viktad medelvärde i detta fall Alla medelvärden viktas, men om det inte är explicit är vikterna lika jag skulle inte nödvändigtvis använda Samma filter i intervallet som jag skulle på domänen Om du vill ha åtgärder som är nära varandra så att de inte väger lika mycket, kan man väga dem med avståndet till närmaste granne, kanske kanske genomsnittligt avstånd till närmaste 3 grannar. Varför är clustering som visar sig i utjämning Kul EngrStudent Mar 5 vid 14 08. Kan du ge ett litet exempel dataset för att illustrera vad du frågar om Varför skulle du vilja ha ett rullande medelvärde av allt som gick 5 mar kl 14 på 19. 19. Jag arbetar som en statistisk Konsult för ett levande Jag kan inte minnas att någonsin se att någon utför genomsnittsvärden på deras data som du beskriver. Hoppas du bara om extra onödigt arbete innan du fortsätter analysen Varför inte alltid lägga till sqrt pi till alla dina XY-data Varför inte Varför Varför Varför Ska du behandla dem annorlunda Det är säkert en anledning att vilja göra det här 5 mars kl 14: e 34. En robust version av loess som tilldelar lägre vikt till outliers i regressionen Metoden tilldelar nollvikt till data utanför sex genomsnittliga absoluta avvikelser. Smidig y, span, metod sätter spännet för metoden att spänna För loess och lowess-metoderna är span en procentandel av det totala antalet datapunkter, mindre än eller lika med 1 För glidande medel och Savitzky-Golay-metoder måste span Vara udda ett jämnt spänner reduceras automatiskt med 1.yy smidig y, sgolay, grader använder Savitzky-Golay-metoden med polynomialgraden specificerad av degree. yy smooth y, span, sgolay, grad använder antalet datapunkter som anges av span in de Savitzky-Golay beräkningstiden måste vara udda och graden måste vara mindre än span. yy slät x, y anger dessutom x data Om x inte anges, måste metoder som kräver x data x 1 längd y Du bör ange x data när den inte är Likformigt fördelad eller sorterad Om x inte är likformig och du inte anger metod används lowess Om utjämningsmetoden kräver att x ska sorteras sker sorteringen automatiskt. gpuarrayYY mjuk gpuarrayY utför operationen på en GPU Ingången gpuarrayY är en gpuArray kolumnvektor Utgången gpuarrayYY är en gpuArray-kolumnvektor Denna syntax kräver parallelldatorverktyget. Notera Du kan använda gpuArray x - och y-ingångar med den smidiga funktionen, men detta rekommenderas endast med standardmetoden, flyttning. Användning av GPU-data med andra metoder erbjuder inte Någon prestationsfördel. Välj ditt land. Jag löser ett advektionsdiffusionsproblem där lösningsvariabeln är mestadels platt från en liten region nära centrum av domänen där det finns Formgradienter Jag skulle vilja skapa maskytor för 1D-finitära volymceller se nedan där cellerna är kluster i centrum av domänen. Jag har inte försökt flytta eller adaptiva meshing eftersom det för denna applikation blir överkill jag vill bara ha en Statisk men ojämn mesh Det här verkar vara enkelt på ytan men jag har funnit det svårt och skulle vilja ha lite råd. Jag använder följande tillvägagångssätt En jämn fördelning av cellytor definieras av x summa gränser N hn där h är Konstant meshavstånd. För att generera grupperade icke-enhetliga cellytor planerar jag att helt enkelt dividera den enhetliga masksekvensen med en masktäthetsfunktion rho Till exempel x summan begränsar N frac. Choosing a Gaussian mesh density funktion med konstant tillsats så det gör inte Bli singulär när den används som nämnare, tillåter maskintätheten att öka nära toppen av kurvan. Med detta tillvägagångssätt kan jag sedan generera följande mask Observera hur maskpunkterna börjar konstant avstånd eftersom rho 1, Börja sedan börja expandera och sedan kontraktera runt mittpunkterna jag har ritat avståndet mellan punkterna blå linje för att markera problemet. Jag föredrar att nätavståndet inte ökar över det minsta h-värdet. Finns det ett sätt att bevara den här egenskapen. verkar som att jag kanske behöver en toppfunktion en noll sekundär derivat. Kan du föreslå en bättre maskintäthetsfunktion för detta problem.