本文介绍了Python/Numpy：来自多变量分布的条件模拟的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！
问题描述
使用NumPy，我可以通过无条件地模拟多元正态分布
mean = [0, 0]
cov = [[1, 0], [0, 100]] # diagonal covariance
x, y = np.random.multivariate_normal(mean, cov, 5000).T
推荐答案
在伊顿查找，莫里斯L.(1983)。多元统计：向量空间方法，我收集了以下4个变量系统的示例解，其中有2个因变量(前两个)和2个自变量(后两个)
import numpy as np
mean = np.array([1, 2, 3, 4])
cov = np.array(
[[ 1.0, 0.5, 0.3, -0.1],
[ 0.5, 1.0, 0.1, -0.2],
[ 0.3, 0.1, 1.0, -0.3],
[-0.1, -0.2, -0.3, 0.1]]) # diagonal covariance
c11 = cov[0:2, 0:2] # Covariance matrix of the dependent variables
c12 = cov[0:2, 2:4] # Custom array only containing covariances, not variances
c21 = cov[2:4, 0:2] # Same as above
c22 = cov[2:4, 2:4] # Covariance matrix of independent variables
m1 = mean[0:2].T # Mu of dependent variables
m2 = mean[2:4].T # Mu of independent variables
conditional_data = np.random.multivariate_normal(m2, c22, 1000)
conditional_mu = m2 + c12.dot(np.linalg.inv(c22)).dot((conditional_data - m2).T).T
conditional_cov = np.linalg.inv(np.linalg.inv(cov)[0:2, 0:2])
dependent_data = np.array([np.random.multivariate_normal(c_mu, conditional_cov, 1)[0] for c_mu in conditional_mu])
print np.cov(dependent_data.T, conditional_data.T)
>> [[ 1.0012233 0.49592165 0.28053086 -0.08822537]
[ 0.49592165 0.98853341 0.11168755 -0.22584691]
[ 0.28053086 0.11168755 0.91688239 -0.27867207]
[-0.08822537 -0.22584691 -0.27867207 0.94908911]]
这篇关于Python/Numpy：来自多变量分布的条件模拟的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！
本站部分内容来源互联网,如果有图片或者内容侵犯您的权益请联系我们删除！