Carimbos de tempo suspeitos
Um intervalo de confiança (IC) para o horário de uma transação pode indicar um carimbo de tempo suspeito. Estimando os parâmetros mu e kappa da distribuição de von Mises a partir de carimbos de tempo anteriores, você pode calcular a densidade (ou verossimilhança) de um novo carimbo de tempo.
O conjunto de dados ts com todos os carimbos de tempo e o pacote circular já estão carregados. As estimates dos primeiros 24 carimbos de tempo estão disponíveis no seu workspace, assim como o nível de probabilidade alpha definido em 95%.
Este exercício faz parte do curso
Detecção de Fraudes em R
Instruções do exercício
- Obtenha a média periódica (
mu) e a concentração (kappa) das primeiras 24 estimativas. - Use
dvonmises()para estimar as densidades de todos os carimbos de tempo emts. - Use
dvonmises()eqvonmises()para determinar o valor de corte de 95% para(1 - alpha)/2). Consulte os slides se necessário! - Defina a variável
time_feature: ela deve ser verdadeira se as densidades forem maiores ou iguais ao cutoff e falsa caso contrário. Enviar Resposta para ver quais carimbos de tempo ficam fora do intervalo de confiança de 95%.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Estimate the periodic mean and concentration on the first 24 timestamps
p_mean <- ___ %% 24
concentration <- ___
# Estimate densities of all 25 timestamps
densities <- ___(___, mu = ___, kappa = ___)
# Check if the densities are larger than the cutoff of 95%-CI
quantile <- ___((1 - ___)/2, mu = p_mean, kappa = concentration)
cutoff <- ___(___, mu = ___, kappa = ___)
# Define the variable time_feature
time_feature <- ___ >= ___
print(cbind.data.frame(ts, time_feature))