R语言 spam包 rmvnorm()函数中文帮助文档(中英文对照)

loveR

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。