O Slideshare usa cookies para melhorar a funcionalidade e o desempenho, e fornecer publicidade relevante. Se continuar a navegar no site, você concorda com o uso de cookies neste site. Veja o nosso Contrato de Usuário e Política de Privacidade. O Slideshare usa cookies para melhorar a funcionalidade e o desempenho, e fornecer publicidade relevante. Se continuar a navegar no site, você concorda com o uso de cookies neste site. Consulte nossa Política de Privacidade e Contrato de Usuário para obter detalhes. Explore todos os seus tópicos favoritos no aplicativo SlideShare Obtenha o aplicativo SlideShare para Salvar para mais tarde, mesmo offline Continuar para o site móvel Fazer o upload de login Assinar toque duplo para diminuir o controle de processo laboratório de instrumentação e relatório labview Compartilhe este SlideShare LinkedIn Corporation copy 2017 Theck-Meloree Index Standard Documento de referência Versão atual: 2.0, atualizado 4132017 O índice Theck-Meloree é uma métrica de tanking que tenta quantificar a suficiência de 8220smoothness8221 de um tanque8217s com base na magnitude e freqüência do pico. Sua suposição fundamental é que os picos de danos tornam-se exponencialmente mais perigosos (e, portanto, mais importantes) à medida que crescem em tamanho. A primeira versão da métrica, desenvolvida em uma série de postagens de blog que começam aqui. Foi mais abstrato e semelhante em conceito para um escore FICO. A partir da versão 2.0. Foi reformulado para ser mais tangível e mais fácil de entender. Agora, seu TMI (em milhares) é aproximadamente equivalente ao tamanho de seus maiores picos de danos (em percentagem da saúde), de modo que um TMI de 88k significa que você estava tomando picos até cerca de 88 de sua saúde em tamanho. O TMI incorpora tanto a magnitude como a freqüência. Como resultado, tomar o mesmo pico com mais freqüência causará TMI subir ligeiramente. Um TMI de 88k pode ser um único pico de cerca de 88 da sua saúde ou vários picos de cerca de 80 da sua saúde. A chave é que ele lhe dá uma estimativa aproximada dos grandes espinhos que você deveria estar esperando, e faz isso de forma numericamente robusta, que produz bons valores de peso estatístico. Este documento estabelece vários padrões em relação ao Índice Theck-Meloree, incluindo o método de cálculo, configurações de chefe e uso de habilidades. Note que o índice é suficientemente versátil para lidar com uma grande variedade de situações fora do recomendado nesta referência. No entanto, ter padrões claramente definidos facilita comparações entre diferentes conjuntos de engrenagens, filas de prioridade de ação, talentos, glifos e até mesmo diferentes classes de tanking. Os usuários que estão mais interessados no que TMI significa do que no método de cálculo são encorajados a ler esta postagem no blog. O que se aprofunda nesse assunto. II. Método de cálculo Suponha que nos forneça uma linha de tempo D que represente as mudanças de saúde do tanque. Esta linha do tempo pode, no caso geral, incluir danos e eventos de cura 8211, veja a seção VII para obter detalhes. Esta linha de tempo é uma matriz simples com caixas de tempo de largura Delta t, de modo que todos os eventos que ocorrem entre o tempo t e tDelta t sejam mesclados em um compartimento. Assim, para uma série de ataques que ocorrem 30, 20, 5, 10 e 50 ocorrendo em intervalos de 1,5 segundos a partir de t0,00 e escolhendo caixas de tempo de Delta t 1 segundo, D terá a forma de D, o O índice Theck-Meloree é calculado da seguinte forma: 1) Normalize D pela saúde máxima do jogador8217s. Se a saúde do jogador8217s é constante, isso significa simplesmente que dividimos cada elemento de D por uma H constante igual à sua saúde máxima. Se o jogador se beneficiar de efeitos temporários de ganho de saúde, como Last Stand, então H será uma matriz contendo a sua saúde máxima em cada tempo correspondente ao mesmo elemento em D. Assim, a linha de linha de tempo de correção normalizada contém elementos: grande sobreposta i Di Oi 2) Calcule a matriz média móvel T-segundo de dano recebido para todo o comprimento de simulação L (também expresso em segundos). Esse passo pode então ser formalmente expresso para o elemento i da matriz média móvel resultante como: o que produz uma matriz de comprimento N (L 8211 T) Delta t. Também é aceitável usar uma média móvel apodizada (isto é, por preenchimento zero da matriz de danos) que produz uma matriz de comprimento NLDelta t 3) O TMI é calculado a partir da matriz de média móvel da seguinte forma: onde N0450Delta t é o tamanho da matriz 8220default8221 correspondente Para um período de duração de 450 segundos. O valor resultante é o índice Theck-Meloree. III. Limite contínuo Como geralmente estaremos informando esse índice em um computador, será incomum trabalhar no limite contínuo. No entanto, para a completude, incluímos a definição aqui caso seja relevante. Para as funções contínuas D (t) e H (t) definidas sobre a região 0, L representando o dano recebido pelo tanque e a saúde do jogador em cada instante t, respectivamente, o Índice Theck-Meloree é calculado como com o movimento contínuo em T-segundo Função de dano médio Aqui (t, T) é a função retangular usual da largura T, de modo que a sigla 8220 TMI 8221 será geralmente usada em vez do índice 8220Theck-Meloree mais longo 82221 por brevidade. O padrão permite um comprimento de janela definido pelo usuário T usado para calcular a função de média móvel. Salvo especificação em contrário, o termo TMI se referirá adequadamente à métrica conforme calculado usando uma média móvel de 6 segundos (isto é, T 6). Ao se referir à métrica como calculada usando um T diferente, deve ser apropriadamente observado anexando o sufixo 8220 - T 8220. Assim, o TMI-9 indicaria claramente um TMI calculado usando uma média móvel de 9 segundos, enquanto o TMI-3 seria Consulte um calculado usando uma média móvel de 3 segundos. Consequentemente, o TMI-6 é sinônimo de TMI. Embora muitos fatores afetem os valores de TMI, nenhum afeta o resultado tão sensivelmente quanto o chefe com o qual a métrica é calculada. Como tal, fornecemos chefes padronizados para cada nível de conteúdo para facilitar comparações justas entre diferentes configurações. A definição de chefe padrão é composta por duas ações: Um ataque corpo a corpo com um temporizador de swing de 1,5 segundos. Um feitiço instantâneo de dano e tempo que inflige dano mágico periódico a cada 2 segundos durante 30 segundos. Em Simulationcraft, essas duas ações podem ser produzidas com as seguintes linhas de código com X e Y substituídos adequadamente: inimigoTMIStandardBoss level93 roletank positionfront actions. precombatsnapshotstats actionsautoattack, damageX, attackpeed1.5 actionsspelldot, damageY, ticktime2, numticks15, aoetanks1, ifticking A tabela abaixo Fornece os valores padronizados de X e Y para um chefe aproximando um nível de conteúdo particular. Para simplificar, qualquer um destes chefes pode ser invocado em Simcraft com a opção tmiboss. A sintaxe para invocar o chefe T15H seria: Observe também que ao usar a GUI (ou seja, Simulationcraft. exe), esses chefes podem ser selecionados de uma caixa suspensa na guia Opções. O padrão T15H produz golpes de corpo a corpo de aproximadamente 340k de dano em um tanque após a especialização e a mitigação de armaduras são contabilizadas. Isso é aproximadamente igual ao dano corpo a corpo do heroico Lei Shen na configuração de dificuldade de 25 homens. À medida que novos patrões padrão são adicionados à tabela, eles geralmente continuarão a aproximar o dano de corpo a corpo do chefe mais difícil na camada, além de incluir 7,5 dano mágico através do efeito DoT. VI. Composição do jogador O objetivo do TMI é calcular a ameaça de dano no espetáculo ao jogador. Historicamente, isso foi avaliado examinando a vulnerabilidade do player8217s aos ataques corpo-a-corpo na ausência de assistência de cooldown. O raciocínio por trás disso é que o jogador é muito improvável que esteja em grave risco de morte, ao mesmo tempo em que proativa usa cooldowns, como Guardian of the Ancient Kings ou Divine Protection. No entanto, existem vários tempos de refrigeração que podem ser considerados rotativos em vez de reativos. Holy Avenger é um cooldown, uma vez que é freqüentemente usado em cooldown para um aumento de danos, em vez de salvado para um segmento particularmente perigoso de uma luta. Além disso, compete com outros dois talentos de natureza rotacional. Para complicar ainda mais as questões, seria muito difícil remover ou dar conta desses efeitos ao calcular TMI para um log de combate a partir de um encontro real. Como tal, o padrão TMI não impõe restrições específicas sobre o uso de habilidades ou a configuração do jogador. No caso improvável de que uma determinada habilidade pareça ser excessivamente problemática por alguma razão, o padrão será atualizado adequadamente para proibir essa habilidade. Note, no entanto, que, como um jogador tentando simular seu personagem em Simulationcraft, é muitas vezes a sua vantagem não incluir cooldowns de redução de danos não rotacionais (ex: Shield Wall, Guardian of Ancient Kings, etc.) em suas simulações. A TMI preferencialmente filtra o peso dos picos mais altos como sendo mais importante do que o resto, e é improvável que esses picos ocorram enquanto você tem uma redução de danos de 50 vezes. Então, ao executar cooldowns irá reduzir a TMI média, ele não deve dar-lhe uma imagem tão precisa de quão vulnerável seu personagem é durante períodos não cobertos por cooldowns. Uma vez que a maioria dos jogadores está interessada em otimizar em torno dos períodos perigosos, em vez dos períodos garantidos, recomendamos não usar qualquer cooldowns ao simular que não é parte de sua rotação padrão. VII. Composição grupal e cura TMI é muito robusto e pode ser calculado para um jogador agindo sozinho ou para um jogador acompanhado de qualquer número de outros jogadores, incluindo curandeiros. O resultado TMI, que aproxima-se aproximadamente do dano máximo causado em qualquer período de T-second, é uma medida útil e intuitiva em qualquer dessas situações. No entanto, a maioria dos tanques estão mais interessados no que eles podem fazer pessoalmente para melhorar sua capacidade de sobrevivência. As simulações que incluem curandeiros tendem a mascarar os efeitos das mudanças feitas pelo tanque (por exemplo, ao calcular pesos estatísticos), uma vez que as vulnerabilidades recém-criadas podem ser parcialmente atenuadas pelo excesso de taxa de transferência. Embora isso também possa fornecer informações úteis úteis, isso torna os resultados mais complicados para interpretar corretamente. Como tal, definimos o processo padrão de cálculo de TMI para incluir apenas efeitos diretamente causados pelo tanque e pelo chefe. Em outras palavras, enquanto um ou mais curandeiros podem estar presentes para a simulação, qualquer efeito de cura ou absorção causado por esse curador deve ser ignorado para o cálculo de TMI. A maneira mais fácil de fazer isso em Simcraft é sim o tanque sozinho contra o chefe (a simulação não termina quando o tanque cai abaixo de zero de saúde, ele apenas deixa sua saúde continuar a ser negativa). Para os casos em que um curandeiro está presente na simulação, permitir que a opção do jogador tmiselfonly1 diga à simulação que ignore a cura externa no cálculo da TMI e trate qualquer auto-sobre-cura feita pelo tanque como cura eficaz. Se o TMI estiver sendo calculado a partir de um registro de combate, isso é mais difícil de realizar. Além disso, pode haver circunstâncias em que é interessante avaliar um TMI do tanque8217s, incluindo todas as fontes de cura. Nesses casos, a métrica deve ser reportada como 8220 ETMI 8221 ou 8220 TMI 8221 para indicar que o cálculo inclui fontes externas de cura. Enquanto efeitos como HeroismBloodlust certamente estarão presentes em encontros reais, estes são, geralmente, tempos de aumento do rendimento do curandeiro e tempo de atividade de mitigação ativa, que reduzem o perigo desses períodos. Uma vez que o objetivo do TMI é avaliar o perigo de picos de danos durante períodos perigosos, recomendamos fortemente ao usuário que realize simulações de TMI sem o benefício do Heroísmo, Bloodlust ou qualquer outro efeito de proteção temporário que o tanque não possa providenciar para si mesmo. Isso inclui efeitos externos de mitigação, como Hand of Sacrifice e Barkskin. No entanto, uma vez que esses tipos de efeitos seriam impossíveis de ignorar (ou em alguns casos, detectar) em um registro de combate, eles não são estritamente excluídos da especificação TMI padrão. Como seria de esperar, todos eles são considerados como incluídos em um cálculo ETMI. Os atrativos de invasão passiva, como Arcane Intellect ou Power Word: Fortitude, provavelmente serão ativos durante todo o encontro e, portanto, são permitidos no cálculo TMI padrão (e, de fato, esperado, como Simulationcraft transforma estes buffs por padrão). 4132017: versão 2.0 Fórmula nova instituída para a TMI Lista de chefe padrão TMI atualizada Especificações amplamente revisadas para tornar viáveis os cálculos de log de combate 8132017: versão 1.2 A normalização da saúde agora realizada usando a saúde instantânea e aplicada imediatamente à linha de tempo de danos (ou seja, antes da média móvel) para melhorar Conta para efeitos como Last Stand e efeitos de trinket semelhantes. 832017: versão 1.1. Removido a restrição na redução de danos cooldowns. Tudo é um jogo justo agora. Compartilhe isso: Você já pensou sobre o TMI de um cenário que um tanque não está tomando nenhum dano. Nessa condição, o TMI dele não será zero, uma vez que a soma de exp () nunca será zero, a menos que você esteja curando em um infinito HPS. No termo de suavidade, um TMI positivo pode implicar um pouco de suavidade 8220 para pessoas. Existe algum plano para compará-lo ou limitá-lo para tornar o tanque DTPS pequeno ou zero melhor acessado, não especialmente. Um tanque que tira exatamente 0 dano (e 0 autocura) teria um TMI de frac 6.1. Eu poderia, obviamente, normalizar isso para ser de várias maneiras diferentes (subtrair 6.1 do resultado, por exemplo, ou arredondar o resultado de e para 4 ou menos dígitos de precisão), mas I8217m não tenho certeza de que ele deve ser incomodado por um caso em que 8217s é essencialmente trivial. Se você não estiver sofrendo danos, seu TMI é irrelevante. I8217ve postou uma tradução deste documento para a NGA, um dos mais ativos do Fórum WoW na China (bbs. ngacn. ccread. phptid6422084). Uma vez que a produção de teorema não é um tópico atraente para a maioria das pessoas, a discussão sobre esse tópico não é quente. Se houver algum ponto importante que apareça no tópico, eu tentarei informá-lo. Acabei de ler todas as suas postagens sobre a TMI. É uma solução interessante para uma questão comum no WoW. Para dar-lhe os meus antecedentes, eu tenho um diploma de física com um phd em estatísticas. Você parece estar reinventando a roda um pouco aqui. Você está fazendo muito trabalho para medir o final da cauda da sua função de densidade de probabilidade. Felizmente, esta é uma questão muito comum nas estatísticas aplicadas. Então, temos uma solução elegante para isso. Os parâmetros de escala e forma de distribuições Gamma podem dar-lhe uma solução perfeitamente elegante para a questão. Esta é também uma medida muito mais testada de 8220tail size8221. Infelizmente, a Distribuição Gamma não foi bastante cortada para nós. Primeiro, baseia-se no pressuposto de que a Gamma Distribution p. d.f. Pode representar com precisão todas as distribuições TMI possíveis, o que é manifestamente falso. Posso, com algum trabalho, projetar um experimento que gere uma distribuição TMI 8220double-humped8221 que tenha mais de um máximo local. A Distribuição Gamma seria uma estimativa pobre daquela distribuição de TMI e, assim, daria resultados imprecisos. Em segundo lugar, não inclui a função de ponderação exponencial adequada. Poderíamos fazer isso depois do fato, é claro, 8211, ou seja, gerar nossa estimativa da função Gamma para o real TMI p. d.f. E então faça a média ponderada sobre isso (bem como a versão do histograma da métrica, se você ler as três postagens explicativas de julho). Mas, novamente, nessa situação, a Distribuição Gamma é apenas uma aproximação ao verdadeiro TMI p. d.f, então não me deixa claro que ganhamos qualquer coisa, adicionando essa camada de complexidade. We8217d inevitavelmente tem que determinar a escala e os parâmetros de forma da Distribuição Gamma empíricamente com base nos resultados da simulação, o que significa essencialmente realizar uma análise completa da distribuição da amostra TMI gerada 8220true8221. Nesse ponto, it8217s é apenas mais rápido e mais preciso para usar a distribuição de amostra gerada para fazer nossos cálculos. Essas duas preocupações levantam uma preocupação mais problemática: Let8217s dizem que usamos a aproximação da distribuição Gamma, realizando algumas análises em uma amostra de distribuição TMI. Se houver um evento perdido em TMI muito alto, que pode ser um evento raro (mas obviamente possível), o processo de avaliação da Gamma irá inevitavelmente suprimir esse ponto de dados. Então, quando a ponderação exponencial é realizada, esse ponto de dados não contribui muito para o resultado geral do TMI, o que é ruim, queremos que esses tipos de eventos dominem o resultado, porque esses valores atípicos são muito perigosos. Então, você poderia facilmente encontrar uma situação em que qualquer tipo de ajuste de distribuição Gamma reduz o impacto dos próprios eventos que mais nos preocupamos. Eu fiz algumas leituras sobre a análise da distribuição da cauda ao chegar com essa métrica, e nenhum dos métodos existentes que eu achei realmente adequados ao aplicativo. A maioria dos métodos estava expressamente tentando estimar a cola de uma distribuição conhecida que era razoavelmente de natureza gaussiana e tratou outliers como 8220errors.8221 Queremos fazer o exato oposto, porque esses outliers são os picos perigosos que estamos tentando medir. Desde o meu Ph. D. Está em Física, perguntei a alguns estatísticos que conheço (incluindo meu irmão, que é um atuário), mas nenhum deles poderia pensar em um método que fizesse exatamente isso. Tenho certeza de que provavelmente existe em algum lugar, mas pareceu-me menos trabalho simplesmente desenvolver a métrica que eu realmente queria, do que pesquisar em vão um método que pode ou não existir e pode ou não corresponder exatamente ao tipo de análise que I8217m tenta executar. Justo. Não fiz nenhuma análise real com dados. Eu apenas olhei seu PDF e parecia uma tão bela função de gama. High theta significa alta variação, pobre 8220smoothness8221, e mais picos. Low theta significa bom e constante dano suave. Mas se você pode gerar outras distribuições de ingestão de danos de 6 seg, isso seria uma questão insuperável. Independentemente disso, o seu conceito de olhar para o PDF de delta de saúde de 6 segundos é realmente um ponto para o que é o coração no tanking. Eu fiz alguns modelos paramétricos para alguns dos seus dados de resumo disponíveis em seu blog (os 0,1 baldes de 0,5 a 1,4). Tabela 2 de 8220Making of a Statistic: parte 1.8221 As variâncias para os conjuntos foram seguidas8230 Controle Haste: 0.011134 1000stam: 0.01008 -1000Exp: 0.012391 1000Haste: 0.010449 1000Dodge: 0.010904 Eu didn8217t analisar os conjuntos de maestria ou hit ou parry. Expgtgtstamgthastegtdodge Os resultados paramétricos são consistentes com o TMI não paramétrico. Os testes de bondade de ajuste também são bons. O que eu realmente preciso é mais dados brutos. Infelizmente, eu só tenho seus dados resumidos e não estou familiarizado com a forma de gerar minha própria distribuição de delta saúde de 6 seg. Você pode vincular dados brutos de alguma forma Ou há uma maneira de criá-lo a partir de simc Você pode gerar essa saída em simc usando a opção tmioutput: Dump TMI debug output para tmidebugfile. csv armoryus, illidan, john tmioutputtmidebugfile. csv Isso só gerará um Por outro lado, a iteração vale a pena ter dados, então, para obter uma grande quantidade de dados, você precisa escrever um arquivo em lotes para fazer isso milhares de vezes em arquivos CSV diferentes ou executar uma única iteração que tenha muitos minutos (provavelmente mais fácil e mais próximo de Como eu executei os sims MATLAB). O formato de saída deve ser bastante auto-explicativo (apenas passa pelo cálculo de coluna para coluna mais ou menos, principalmente para fins de depuração). Se eu me lembro corretamente, as duas primeiras colunas são a ingestão de cicatrização (números negativos) e a ingestão de dano, a terceira coluna é a soma desses dois e, em seguida, as próximas colunas são médias móveis (uma é normalizada para a saúde do jogador, a outra isn8217t ) E, finalmente, o valor ponderado. Obrigado pela ajuda. Infelizmente, os arquivos de depuração parecem um pouco prejudiciais. O dano médio e a magnitude da cura por registro são 10E7. E a média normalizada de Delath de Heath 6. Posso ter o pó de minhas habilidades Matlab dos meus dias de física. Mas de seus papéis (que estão bem escritos e fáceis de seguir), posso ver que os dados realmente seguem uma família exponencial pdf (parece normal é o melhor ajuste). Na seção 3, você declara que os seus PDFs no N8282 não seguem o pdf normal. No entanto, isso é simplesmente devido ao tamanho da amostra (e as sobrecorreentes inflacionam o zero a baixa N). O fenômeno que você vê com o 4N ter menor TMI em grande N é porque grandes valores em N têm variação mais baixa (quanto maior o tempo, menor será o risco). Isso é, de fato, uma evidência indiscutível de que a distribuição é gaussiana e apenas temos problemas de tamanho de amostra em N inferior que nos impedem de vê-lo visualmente. Mas eu aposto que R classificaria como uma distribuição normal bastante estável. Finalmente, apenas de suas equações e metodologia, posso ver que o TMI é, em última instância, apenas uma medida não paramétrica que é exponencialmente proporcional à variância. Eu me inclino para usar a variância de uma distribuição gaussiana de melhor ajuste. E nós poderíamos usar alguns truques de estatísticas simples para explicar o zero inflado. E obrigado por ser tão receptivo. Revisar seu papel foi divertido. Normalmente, minhas estatísticas estão relacionadas a ensaios clínicos. E eu sinto que isso é muito mais importante. XD Eu não concordo com você sobre o PDF no N 8211 it8217s menor que um problema de tamanho de amostra. Considere o caso limitante de N1 (ou T1.5) para um chefe que somente com um temporizador de rotação de 1,5 segundo. Em outras palavras, você está considerando a distribuição de ataques de chefe único. Ignorando a variação do dano do chefe (ou seja, cada hit é X, cada bloco é 0.7X, todo ataque mitigado SotR é 0.5X, SotRblock é 0.50.7X, etc.), you8217d obtém uma distribuição discreta com uma função delta em cada valor de dano permitido . A variação do dano do chefe implicaria essencialmente a parte não nula dessa distribuição com uma função rect (), portanto, você precisa obter retratos estreitos centrados nesses valores discretos (exceto para o pico de evitação em 0, que ainda seria um delta). A adição de absorções, cicatrização incidental e outros efeitos certamente obstruem a distribuição, mas não o torna de forma gaussiana. Então, é muito claro que uma média móvel de 1 ataque não parece remotamente gaussiana e, portanto, seria muito mal servida ao aproximá-la como tal. Vai se tornar mais Gaussiano - como o número de ataques que consideramos aumentar, mas ainda não é precisamente gaussiano por causa da mecânica. Batida, perícia e pressa truntam a distribuição média móvel suprimindo grandes eventos, essencialmente dando-lhe o produto de uma função Gaussiana e Heaviside. Por evidência disso, não procure mais do que os números dessas postagens de blog da era MATLAB de sims: sacredduty. net20171005damage-smoothing-follow-up sacredduty. net20171218damage-smoothing-for-paladins-round-three sacredduty. net20171002damage-smoothing - Experiência-domínio e apressão (na verdade, aí, por que nós preferimos essas estatísticas tanto como eles forçam a distribuição média móvel a se desviar de um gaussiano eliminando a cauda longa com altos valores de dano) It8217s bastante claro que as duas primeiras subtramas Nunca será gaussiano, não importa quantas iterações você jogue neles. Não só nós ainda vemos picos discretos com apenas um pouco de flutuação induzida por absorção, mas existe uma capa rígida em valores de x permitidos. O chefe, literalmente, não pode atingir o jogador por mais de x1.85, ou 185 da saúde do jogador8217, dentro de dois ataques. Então, novamente, temos um Gaussiano com um truncamiento rígido em torno de 1,85, e nesse caso, significativamente, a cauda que não podemos ignorá-lo (quase que trunca no ponto meio-máximo). As últimas figuras parecem melhores, mas ainda distintamente não gaussianas. A ponderação exponencial cria um segundo pico em direção à extremidade superior da distribuição, conforme evidenciado pela linha amarela na trama N4 e as linhas vermelhas vermelhas definidas na trama N5. Picos semelhantes existem nas parcelas N6 e N7, apesar de serem bastante menores. A distribuição média móvel subjacente que utilizamos para gerar essas parcelas é quase gaussiana, pois o truncamento rígido foi empurrado mais para cima ao longo da cauda. O mesmo não pode ser dito dos PDFs em média móveis N2 e N3, embora mesmo com mais amostras, veja essa borda afiada no tamanho de ataque máximo possível em um ponto significativo ao longo da distribuição. Em suma, o TMI é essencialmente a soma da exponenciação de uma variável aleatória gaussiana truncada. O que eu acho que você está sugerindo é que podemos aproximá-lo usando a exponenciação de um GRV não-truncado, ou dar um passo adiante e aproximar uma coleção de resultados TMI como uma distribuição Gamma, uma vez que a aproximamos como um experimento padrão baseado em GRV . Mas isso só funciona em certos limites devido ao truncamento, e essas diferenças se tornam significativas em extremos que não são difíceis de perceber na prática. Estou interessado na idéia básica de tentar ajustar uma distribuição TMI de amostra (ou seja, gerada pelo SimC) para uma distribuição Gamma, pois pode ser interessante ver se os parâmetros de forma e escala nos dão mais informações sobre a capacidade de sobrevivência do que apenas o simples A média dessa distribuição está calculando agora. Mas I8217m não está convencido de que será mais preciso, simplesmente porque está fazendo muitos pressupostos sobre os dados subjacentes. Exemplo: Duas distribuições de parâmetros de forma e escala quase idênticos podem diferir por um único evento nas extremidades (ou seja, um conjunto não-batido permite um valor extremo onde um conjunto de campainha não é). Essa é uma diferença que definitivamente queremos preservar, porque esse valor extremo é importante. Por isso, atingimos o limite em primeiro lugar. E eu não estava sugerindo que o pdf pesado é normal. Eu concordo que isso não é o caso. Eu sugeria que a contribuição dos valores altos e outliers na variância torna a função de ponderação desnecessária. por exemplo. Exp set tem gt10 mais variância do que o seu controle haste set (usando o histograma que você forneceu em seu blog). Eu vejo o que você está dizendo. Eu estava olhando para isso através dos olhos do teorema de Cramers, o que sugeriria que as janelas menores eram normais se o PDF de 7 hit for normal. Outras coisas podem estar acontecendo que violam a independência como absorve. E os zeros podem na verdade fazer com que o N7 seja mais adequado para a gama do que o normal. Quanto aos valores anuais, não sei o quanto eles causam, pois aumentam a variação. E vice-versa, o aumento da variância aumenta a chance de outliers. Em última análise, vem a mim tomar o tempo para fazer testes precisos de qualidade de ajuste em muitos dados. Não acho que o teorema de Cramers se aplique aqui, pelo menos não da maneira que você quis dizer. Sabemos de fato que X e Y independentemente não são variáveis aleatórias normais (por exemplo, o histograma de 1 ataque é muito claramente discreto ou quase discreto e não gaussiano). Você está usando a indução matemática de que XY se parece com uma variável aleatória normal, portanto, X e Y são variáveis aleatórias normais. Mas XY não é normal, estritamente falando, de modo que a asserção não resiste. De fato, o inverso é verdadeiro: como X e Y não são normais, o teorema de Cramer8217s garante que XY não é normal. O teorema do limite central é mais aplicável aqui. X e Y são variáveis aleatórias independentes com média e variância bem definidas, de modo que a soma de muitas iterações deve ser aproximadamente normal. Isso é exatamente o que vemos à medida que avançamos para as médias móveis de 5, 6 e 7 ataques. Ainda assim, isso é bastante normal graças aos efeitos de truncamento. Sim. Eu estava olhando para ele. E se XY (N7: não ponderado) não é normal, então N não é normal. No entanto, depois de ler suas postagens de blog e respostas mais antigos, acho que você concorda comigo, mas não estou apenas me explicando corretamente e estou perdendo parte do que você está tentando fazer com o TMI. Eu tenho dito que a variação do pdf não ponderado pode ser uma melhor medida de ponta do que o TMI quando de fato esse não é o caso. É aqui que nos estamos misturando. Em 8220Damage Suavização: Expertise, Mastery e Haste8221 você afirma: 8220It interessante que o set 5 (maestria) faça um trabalho muito melhor do que o set 6 (pressa). Isso nos dá menor consumo geral de dano e aproximadamente o mesmo desvio padrão, mas significativamente menos picos perigosos nos 80 e 90 intervalos. É cerca de duas vezes mais eficaz para se livrar desses eventos perigosos do que o conjunto de apressar.8221 Como estatístico, vejo esses dois conjuntos como igualmente spikey. por exemplo. Para mim, alguém que leva 4 sucessos sem receita sempre é suave como a seda. Para você, isso é EXTREMAMENTE spikey, o que faz sentido. TMI tenta quantificar o risco de eventos raros. Estou olhando o tamanho da cauda e você está olhando o tamanho e a localização da cauda. Nesse caso, o intervalo de confiança superior 95 também pode ser uma métrica útil que leva em consideração tanto a média como a variância média 1.96Desvio Padrão Padrão. Mas isso novamente pressupõe que existe uma média e variância bem definidas de seu pdf não ponderado.
No comments:
Post a Comment