找回密码
 注册
查看: 998|回复: 0

R语言 spam包 rmvnorm()函数中文帮助文档(中英文对照)

[复制链接]
发表于 2012-9-30 12:23:35 | 显示全部楼层 |阅读模式
rmvnorm(spam)
rmvnorm()所属R语言包:spam

                                        Draw Multivariate Normals
                                         绘制多变量平均值

                                         译者:生物统计家园网 机器人LoveR

描述----------Description----------

Fast ways to draw multivariate normals when the variance or precision matrix
快速的方法来绘制多元法线的方差或精度矩阵


用法----------Usage----------


rmvnorm.spam(n,mu=rep(0, nrow(Sigma)), Sigma, Rstruct=NULL, ...)
rmvnorm.prec(n,mu=rep(0, nrow(Q)), Q, Rstruct=NULL, ...)
rmvnorm.canonical(n, b, Q, Rstruct=NULL, ...)



参数----------Arguments----------

参数:n
number of observations.
若干意见。


参数:mu
mean vector.
均值向量。


参数:Sigma
covariance matrix of class spam.
类spam的协方差矩阵。


参数:Q
precision matrix.
精度矩阵。


参数:b
vector determining the mean.
矢量确定的意思。


参数:Rstruct
the Cholesky structure of Sigma or Q.
的的Cholesky结构Sigma或Q。


参数:...
arguments passed to chol.
参数传递到chol。


Details

详细信息----------Details----------

The functions rmvnorm.prec and rmvnorm.canonical do not require sparse precision matrices.  For rmvnorm.spam, the differences between regular and sparse covariance matrices are too significant to be implemented here.  <br> Often (e.g., in a Gibbs sampler setting), the sparsity structure of the covariance/precision does not change. In such setting, the Cholesky factor can be passed via Rstruct in which only updates are performed (i.e., update.spam.chol.NgPeyton instead of a full chol).
的功能rmvnorm.prec和rmvnorm.canonical不需要稀疏精度矩阵。对于rmvnorm.spam,定期和稀疏的协方差矩阵之间的差异是太显著实施。参考通常情况下(例如,在一个Gibbs采样设置),稀疏的协方差/精密的结构并没有改变。在这样的设置,的Cholesky因子可以通过使用Rstruct只进行更新(即,update.spam.chol.NgPeyton,而不是一个完整的chol,)。


(作者)----------Author(s)----------


Reinhard Furrer



参考文献----------References----------



参见----------See Also----------

chol and ordering.
chol和ordering。


实例----------Examples----------


# Generate multivariate from a covariance inverse:[生成多变量的协方差逆:]
# (usefull for GRMF)[(有用为GRMF)]
set.seed(13)
n &lt;- 25    # dimension[尺寸]
N &lt;- 1000  # sample size[样本量]
Sigmainv <- .25^abs(outer(1:n,1:n,"-"))
Sigmainv <- as.spam( Sigmainv, eps=1e-4)


Sigma &lt;- solve( Sigmainv)  # for verification [为验证]
iidsample <- array(rnorm(N*n),c(n,N))

mvsample <- backsolve( chol(Sigmainv), iidsample)
norm( var(t(mvsample)) - Sigma, type="m")

# compare with:[对比:]
mvsample <- backsolve( chol(as.matrix( Sigmainv)), iidsample, n)
   #### ,n as patch [###,n为补丁]
norm( var(t(mvsample)) - Sigma, type="m")



# 'solve' step by step:[“解决”一步一步:]
b <- rnorm( n)
R <- chol(Sigmainv)
norm( backsolve( R, forwardsolve( R, b))-
      solve( Sigmainv, b) )
norm( backsolve( R, forwardsolve( R, diag(n)))- Sigma )



转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注:
注1:为了方便大家学习,本文档为生物统计家园网机器人LoveR翻译而成,仅供个人R语言学习参考使用,生物统计家园保留版权。
注2:由于是机器人自动翻译,难免有不准确之处,使用时仔细对照中、英文内容进行反复理解,可以帮助R语言的学习。
注3:如遇到不准确之处,请在本贴的后面进行回帖,我们会逐渐进行修订。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

手机版|小黑屋|生物统计家园 网站价格

GMT+8, 2025-6-10 04:06 , Processed in 0.030327 second(s), 16 queries .

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表