Les bookmarks de Clem
2390 shaares
À lire
À lire
C'est vraiment pas intuitif... Mais c'est marrant
Intéressant.
À lire
à lire
À lire
Démonstration limpide de la distribution exponentielle pour les waiting times sur un processus de Poisson
grep sur du PDF. Tout existe sous linux
À lire
à lire
Intéressant
À lire
à lire
à lire
À lire
À écouter
À lire
À lire
À lire
Article intéressant: si j'échantillonne n individus et que je ne trouve aucun positif, quel est le risque maximum d'être positif ? Règle ici: on a 95% de chances que le risque soit inférieur à n/3 -- et en suivant le même raisonnement qu'eux, 86% de chances que le risque soit inférieur à n/2.
Logique : On cherche une confiance à 95% donc un niveau de confiance à 0.05. Du coup, on cherche 0.05^(1/n), ce qui correspond grosso modo à -log(0.05)/n ~= 3/n.
Vérif sous R:
set.seed(777)
n <- 10:100
p <- seq(0,0.5, length=1000)
g <- sapply(n, function(ni) {
m0 <- sapply(p, function(y) {
rb <- rbinom(100, prob=y, size=ni)
})
cs <- colSums(m0==0)
css <- cumsum(cs)/sum(cs)
p[max(c(1:length(css))[css<0.95])]
})
plot(n,g, xlab="Taille d'échantillon",
ylab="Prévalence correspondant à 95% des zéros")
lines(n, 3/n, col="red", lwd=2)
Vérif maths. On considère la série:
$$
\sum_{k=0} (z^k)/(k!) = \exp(z)
$$
On définit $z = \log(0.05)/n$, ce qui nous permet d'étendre $\exp z =
0.05^{1/n}$ de la façon suivante:
$$
0.05^{1/n} = \sum_{k=0} \frac{(log(0.05)^k)}{n^k k!}
$$
Si $n$ suffisamment grand, on arrondit à:
$$
0.05^{1/n} \approx \log(0.05)/n
$$
et $log(0.05) \approx 3$
En suivant le même raisonnement, si l'on fixe un intervalle à 86\%,
alors le seuil est à 2/n.
Logique : On cherche une confiance à 95% donc un niveau de confiance à 0.05. Du coup, on cherche 0.05^(1/n), ce qui correspond grosso modo à -log(0.05)/n ~= 3/n.
Vérif sous R:
set.seed(777)
n <- 10:100
p <- seq(0,0.5, length=1000)
g <- sapply(n, function(ni) {
m0 <- sapply(p, function(y) {
rb <- rbinom(100, prob=y, size=ni)
})
cs <- colSums(m0==0)
css <- cumsum(cs)/sum(cs)
p[max(c(1:length(css))[css<0.95])]
})
plot(n,g, xlab="Taille d'échantillon",
ylab="Prévalence correspondant à 95% des zéros")
lines(n, 3/n, col="red", lwd=2)
Vérif maths. On considère la série:
$$
\sum_{k=0} (z^k)/(k!) = \exp(z)
$$
On définit $z = \log(0.05)/n$, ce qui nous permet d'étendre $\exp z =
0.05^{1/n}$ de la façon suivante:
$$
0.05^{1/n} = \sum_{k=0} \frac{(log(0.05)^k)}{n^k k!}
$$
Si $n$ suffisamment grand, on arrondit à:
$$
0.05^{1/n} \approx \log(0.05)/n
$$
et $log(0.05) \approx 3$
En suivant le même raisonnement, si l'on fixe un intervalle à 86\%,
alors le seuil est à 2/n.
Super site pour identifier la faune, les coquillages, etc. sur l'estran, à la plage
À lire
À lire
gold.
marrant
marrant
À lire
À lire
À lire
Pour avoir les infos de résolution des images en pdf, utiliser pdfimages et pas identify. En clair:
pdfimages -list t.pdf
pdfimages -list t.pdf
Idées lecture
À lire
À lire
à lire (cf. fil twitter associé, ya pas mal de refs associées)
À lire
À lire
Le placeholder _ est en effet plus simple. Ça donne
iris |> lm(Sepal.length~factor(Species), data=_)
Effectivement, c'est plus clair. À partir de 4.2.
iris |> lm(Sepal.length~factor(Species), data=_)
Effectivement, c'est plus clair. À partir de 4.2.
Ah ben ça va peut-être pas rester... dommage, j'aimais bien.
Gargl, ça reste expérimental. J'espère que ça va finir par être résolu cette affaire, j'aime bien ça.
En définissant :
Sys.setenv(`_R_USE_PIPEBIND_` = TRUE)
On peut utiliser des fonctions lambda de la façon suivante :
iris |> . => lm(Sepal.Length ~ factor(Species), data=.)
Parce que |> est un pipe, et . => définit une fonction lambda prenant l'argument .
Sys.setenv(`_R_USE_PIPEBIND_` = TRUE)
On peut utiliser des fonctions lambda de la façon suivante :
iris |> . => lm(Sepal.Length ~ factor(Species), data=.)
Parce que |> est un pipe, et . => définit une fonction lambda prenant l'argument .
À lire
Site pratique
À lire
Intéressant
À lire
À lire
Intéressant, sur la classification.
À garder sous le coude, ya des choses intéressantes dans la réponse.
La loi dispose, et un contrat stipule. Parce que stipuler décrit une promesse faite entre deux parties, et que la loi n'est ni une promesse, ni entre deux parties. La loi dispose donc.
Me coucherai moins con.
Me coucherai moins con.
Autre source
alire
À lire
À lire
À lire?
Alire
À regarder
À lire
dérivée automatic (automatic differenciation) sous R
conseils de lecture
priors sur les coefficients d'une régression linéaire: N(0, 2.5*sigma_y/sigma_x)
alire
Me garde ça sous le coude: étude de PNAS qui montre que 72% du territoire terrestre touchée par l'humain il y a 12000 ans déjà
À lire
Sur la suppression du corps diplomatique. Intéressant.
À lire
À écouter
À lire
À lire
À lire
À lire
AJA: les économistes évaluent la valeur d'une vie à 3 millions d'euros.
À lire
Choix chambre à air
Intéressant
à lire
Won’t you be my neighbor: partie montrant comment n'importer qu'une partie d'une couche trop lourde avec wkt_filter
À voir aussi
À garder sous le coude
À lire: adieu à la croissance. Jean Gadrey.
À lire.
À lire
alire
Référence pour le TPI (topographic position index). Identification des ridges.
Différentes façons d'extraire les ridges d'une carte d'altitude avec GRASS
AJA
Géoréférencer une carte.
Trouver des lignes de crêtes
Récupérer des cartes strava
Se renseigner
alire
alire
à lire
À lire
À lire (voir en particulier spnetwork et lg -- voir aussi la discussion sur le software engineering)
Ya des choses qui paraissent intéressantes
avoir
À garder sous le coude
