Thông thường lấy mẫu từ đơn giản tiêu chuẩn


7

Tôi muốn có thể tạo các giá trị từ một nPhân phối Gaussian đa chiều được cắt ngắn thành [0,1] phạm vi với các phương tiện nhất định và một ma trận hiệp phương sai, sao cho chúng tổng hợp thành một.

Tôi nghĩ rằng điều này giống như lấy mẫu từ tiêu chuẩn n-simplex theo phân phối Gaussian, nhưng tôi sẽ thực hiện việc này như thế nào?


Cảm ơn phản hồi nhanh chóng của bạn, tôi đã cố gắng sử dụng điều này để tạo ngẫu nhiên trọng số theo bình thường. Vì vậy, một ràng buộc khác sẽ là tất cả các giá trị trong khoảng từ 0 đến 1, do đó, điều này sẽ làm cho nó trở thành một phân phối bị cắt ngắn. Tôi cũng hy vọng có thể tinh chỉnh thêm những thứ này sau này, vd. X1 giữa .2 và .3 nhưng tôi đã cố gắng đưa ý tưởng chính xuống trước.
sam10269

Tôi đang cố gắng mô phỏng các tài sản khác nhau của một danh mục đầu tư. Tôi giả sử tính bình thường cho mỗi tài sản, vì vậy tôi muốn toàn bộ phân phối đa biến là bình thường và trọng số của từng tài sản lên tới 1. Thống kê chưa bao giờ là điểm mạnh của tôi vì vậy xin lỗi nếu đây là cách sai.
sam10269

5
Tôi đã chỉnh sửa câu hỏi của bạn để thêm thông tin mà bạn đang nói về việc phân phối bình thường bị cắt ngắn. PS kiểm tra ở đây để tìm hiểu thêm về phân phối Dirichlet vì đây thường là "phân phối lựa chọn" cho các vấn đề như vậy.
Tim

sampling from the standard n-simplex according to the Gaussian distribution là một mâu thuẫn của các thuật ngữ vì phân phối Gaussian được định nghĩa trên toàn bộ Rpkhông gian.
Tây An

Để làm cho câu hỏi chính xác, bạn có thể vui lòng ghi lại mật độ bạn muốn mô phỏng theo tiêu chuẩn n-simplex?
Tây An

Câu trả lời:


3

Các bài viết này mô tả cách lấy mẫu từ một đơn giản đa biến cắt ngắn trên một (p - 1) đơn giản ([ http://ieeexplore.ieee.org/abab/document/6884588/] , [dobigeon.perso.enseeiht.fr/ con / Dobigeon_TechReport_2007b.pdf]). Lấy mẫu được thực hiện thông qua lấy mẫu Gibbs hoặc HMC. Nói tóm lại, nó sử dụng các ý tưởng từ phân phối chuẩn đa biến (có điều kiện). Giả sử rằng bạn muốn lấy mẫu một vectơα(p×1) trái với một biến số thông thường bị cắt cụt trên một p1 đơn giản, nghĩa là αN(μ,Σ)I(αSp1). Bạn có thể lấy mẫujth thành phần (αj) có điều kiện trên αj (nghĩa là các thành phần còn lại của α) và đặt thành phần cuối cùng (pth) đến 1j=1p1αj với ý nghĩa có điều kiện μj|j và phương sai có điều kiện Σj|j. Các giấy tờ tôi đề cập mô tả làm thế nào để tính toán những. Lưu ý rằng chỉ cóp1 mẩu thông tin.


2

Có vẻ như bạn muốn phân phối logit bình thường . Phân phối này hiển thị rất nhiều trong Phân tích dữ liệu thành phần (CDA). CDA thường được sử dụng trong địa chất để đo thành phần khoáng chất trong các mẫu đất hoặc đá. Logit-normal lấy một biểu mẫu logit của biến ngẫu nhiên của bạn và biến ngẫu nhiên biến đổi logit này là một biến ngẫu nhiên được phân phối bình thường. Chính thức

Y=log(X1X)

Ở đâu X là logit-bình thường và Ybình thường. Các phần mở rộng đa biến tồn tại và là các dạng mật độ được sử dụng phổ biến hơn.

Nếu đây không phải là điều bạn muốn và bạn thực sự muốn một biến ngẫu nhiên bình thường bị giới hạn bởi một tập hợp các ràng buộc luôn luôn là 1 và có tất cả các mục không âm, bạn sẽ cần phải sử dụng các kỹ thuật mô phỏng khác để có được kết quả hòa từ phân phối. Nó là khá phức tạp để thực hiện các bản vẽ. John Geweke đã viết một bài báo về việc này và Christian Robert cũng đã viết một bài báo về lấy mẫu từ loại phân phối này.


Cảm ơn bạn đã tham khảo. Giấy tờ song song của chúng tôi xử lý các hạn chế để mở bộ. Xử lý số đo bằng không đặt ra rằng tổng của các thành phần cộng lại thành một không được bao phủ bởi phương pháp của chúng tôi, tôi tin.
Tây An

@ Xi'an, Khi tôi viết câu trả lời này, câu hỏi không được làm rõ liệu OP có cố lấy mẫu từ một bản phân phối mà tôi tin rằng bài viết của bạn về John Geweke đều là địa chỉ hoặc xác suất đơn giản như logit- bình thường hoặc không và trên thực tế là một Gaussian với các ràng buộc đơn giản. Bây giờ có vẻ như OP muốn lấy mẫu từ cái sau; Gaussian đa biến với các ràng buộc đơn giản trên đầu Gaussian (không phủ định và tổng các ràng buộc 1 cần phải được thỏa mãn). Thật không may, cả hai cách tiếp cận mà tôi đã nêu ở đây đều giải quyết câu hỏi của OP.
Lucas Roberts
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.