最も一般的に使用されるモデリングデータは、通常の法則に従って配布されます。 残念ながら、MS Excelおよび一般的な統計パッケージ(SPSS、Statistica)では、1次元の統計分布のみをモデリングできます。 もちろん、多次元分布は、変数が独立している場合のみ、複数の1次元分布で構成できます。 互いに依存する変数を持つデータを調べる必要がある場合は、プログラムを作成する必要があります。
通常、多次元正規分布は




どこで

i = 1,2,3、... m、j = 1,2,3、...、m;
mは、多次元の正規サンプルの特徴の数です。
ただし、共分散行列の代わりに、相関行列を使用する方が便利です。



マトリックス係数の変換



ベクトルをモデル化するには








変換



この変換では




各行列要素


ここで、インデックスは範囲内で異なります




説明した変換は、C ++の2つの関数の形式で実装できます。アルゴリズムを実装するメイン関数normal_model()と、マトリックスの行列式を返す補助matrix_determinant()です。
normal_model()関数は、結果を持つマトリックスの次元から必要な変数と値の数を決定します。 成功した場合はtrue、失敗した場合はfalseを返します。
// , . //double MatrixMath [mq] - . //double MatrixDisp [mq] - //vector<vector<double> > &correlation_matrix - //vector<vector<double> > &MatrixRes - bool normal_model (double MatrixMath[], double MatrixVar[], vector<vector<double> > &correlation_matrix, vector<vector<double> > &MatrixRes){ int mq =MatrixRes[0].size();// int count=MatrixRes.size();// double MatrixA[mq][mq]; // A double MatrixN[count][mq]; // , 0, 1 int i,j,k; double suma, sumaa; double alfa1, alfa2; //. , (0;1] vector<vector<double> > MatrixK(mq); // K for (i=0;i<mq;i++){ MatrixK[i].resize(mq); } // for (i=0; i<mq; i++){ for (j=0; j<mq; j++){ MatrixK[i][j]= correlation_matrix[i][j]* sqrt(MatrixVar[i]*MatrixVar[j]); } } if (matrix_determinant(MatrixK)<=0) return false; // . ; // A for (i=0; i<mq; i++){ for (j=0; j<=i; j++){ sumA=0; sumAA=0; for (k=0; k<j; k++){ sumA+= MatrixA[i][k] * MatrixA[j][k]; sumAA+= MatrixA[j][k] * MatrixA[j][k]; } MatrixA[i][j]=(MatrixK[i][j] - sumA)/ sqrt(MatrixK[j][j] - sumAA); } } // , 0, 1 srand(time(NULL)); for (i=0; i<count; i+=2){ for (j=0; j<mq; j++){ alfa1 = (double)rand()/(RAND_MAX+1.0); alfa2 = (double)rand()/(RAND_MAX+1.0); if (!alfa1 || !alfa2){ j--; }else{ MatrixN[i][j] = sqrt(-2*log(alfa1))*sin(2*M_PI*alfa2); if (i+1<count) MatrixN[i+1][j] = sqrt(-2*log(alfa1))*cos(2*M_PI*alfa2); } } } // , 0, 1 for (i=0; i<count; i++){ for (j=0; j<mq; j++){ MatrixRes[i][j]=MatrixMath[j]; for (k=0; k<mq; k++){ MatrixRes[i][j]+=MatrixA[j][k] * MatrixN[i][k]; } } } return true; } // m N x N double matrix_determinant (vector<vector<double> > & m){ double result=0; if (m.size()==1){ return m[0][0]; }else if(m.size()==2){ return m[0][0] * m[1][1] - m[0][1] * m[1][0]; }else if(m.size()==3){ return m[0][0] * m[1][1] * m[2][2] + m[0][1] * m[1][2] * m[2][0] + m[0][2] * m[1][0] * m[2][1] - m[2][0] * m[1][1] * m[0][2] - m[1][0] * m[0][1] * m[2][2] - m[0][0] * m[2][1] * m[1][2]; }else{ vector<vector<double> > m1(m.size()-1);// N-1 x N-1, N-1 for (int i=0; i<m.size()-1; i++){ m1[i].resize(m.size()-1); } for (int i=0; i< m.size(); i++){ for (int j=1; j<m.size(); j++){ for (int k=0; k<m.size(); k++){ if (k<i){ m1[j-1][k] = m[j][k]; }else if(k>i){ m1[j-1][k-1] = m[j][k]; } } } result+= pow(-1,i) *m[0][i] * matrix_determinant(m1); } } return result; }
仕事の結果はここで見つけることができます 。 この関数には、fastcgiメカニズムを介してアクセスします。
使用された文献:
- Martyshenko C.N.、Martyshenko N.S.、Kustov D.A. 多次元データのモデリングとコンピューター実験。 エンジニアリングおよびテクノロジー、2007年-第2。 S. 47-52。
- Ermakov S.M.、Mikhailov G.A.、Statistical Modeling)、モスクワ:Nauka、1982年。
- V.フェラー、確率論とその応用の紹介、トランス。 英語から。、t。1-2、M.、1964-67。
- Rencher、Alvin C.(2002)、Method of Multivariate Analysis、第2版、John Wiley&Sons。