JP2004005510A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2004005510A5 JP2004005510A5 JP2003082816A JP2003082816A JP2004005510A5 JP 2004005510 A5 JP2004005510 A5 JP 2004005510A5 JP 2003082816 A JP2003082816 A JP 2003082816A JP 2003082816 A JP2003082816 A JP 2003082816A JP 2004005510 A5 JP2004005510 A5 JP 2004005510A5
- Authority
- JP
- Japan
- Prior art keywords
- computer
- random number
- random
- distribution
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Claims (42)
- コンピュータ上でユアン及びベントラーの方法Iに基づいて多変量非正規分布に従う乱数を発生する乱数発生方法において、
コンピュータを用いてn次元経験分布にn次元多変量非正規分布をあてはめるステップと、
コンピュータを用いて乱数を発生するステップとを有し、
前記あてはめるステップは、前記経験分布の3次及び4次モーメントに関するあてはめについて、次の関係式(1)及び(2)を用いる
多変量非正規分布に従う乱数発生方法。
ここで、前記ユアン及びベントラーの方法Iは、次の通りである。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。
ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。
階数nのn行m列(m≧n)の非確率行列T=(tij)は、行列Σ=(σij)について、TT´=Σを満たす。ただし、行列T´はTの転置行列である。
このとき、次の式(3)で与えられる確率ベクトルX=(x1,・・・,xn)´は、Cov(X)=Σを満たす。ただし、Cov(・)は、ベクトルの分散共分散行列であり、ξ=(ξ1,・・・,ξm)´である。
- 確率変数ξ1,・・・,ξm及びνには、ピアソン分布系に従う乱数を使う請求項1に記載の多変量非正規分布に従う乱数発生方法。
- 確率変数ξ1,・・・,ξm及びνには、少なくとも2以上の型のピアソン分布を用いる請求項2に記載の多変量非正規分布に従う乱数発生方法。
- 前記あてはめるステップは、式(4)及び(5)でそれぞれ与えられるn次元の経験分布(確率ベクトル(X1,・・・,Xn)´とする。
)の3次及び4次モーメントに関して、式(6)の値を最小にするパラメータT,ζ=(ζ1,・・・,ζm),γ,κ=(κ1,・・・,κm),βの少なくとも1つを求める請求項1乃至3のいずれか1項に記載の多変量非正規分布に従う乱数発生方法。
- wijk=1,wijkl=1である請求項4に記載の多変量非正規分布に従う乱数発生方法。
- wi=1である請求項6に記載の多変量非正規分布に従う乱数発生方法。
- パラメータT,ζ=(ζ1,・・・,ζm),γ,κ=(κ1,・・・,κm),βの少なくとも1つを最尤法により推定する請求項1乃至7のいずれか1項に記載の多変量非正規分布に従う乱数発生方法。
- 前記乱数を発生するステップは、コンピュータを用いて発生した、加算生成法、M系列、一般化フィードバック・シフトレジスタ法及びメルセンヌツイスターを含む、合同法を除く擬似乱数、準乱数、低ディスクレパンシー列、物理乱数を含む乱数に基づく請求項1乃至12のいずれか1項に記載の乱数発生方法。
- コンピュータを用いて、n個のデータ
コンピュータを用いて、前記データ{X1´,・・・,XN´}を標準化して{X1,・・・,XN}とするステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、分散共分散行列Σを計算するステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、3次モーメントmijk(1≦i≦j≦k≦n)を計算するステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、4次モーメントmijkl(1≦i≦j≦k≦l≦n)を計算するステップと、
コンピュータを用いて、前記分散共分散行列Σから行列Tを計算するステップと、
前記データ・ベクトルが従う分布が、X=νTξ(ここで、ξは、m(ここで、m>nである。)個の確率変数ξ1〜ξmからなる確率ベクトル(ξ1,・・・,ξm)´である。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。また、ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。)を満たす非正規分布を有すると仮定して、コンピュータを用いて、3次モーメントmijk(1≦i≦j≦k≦n)及び4次モーメントmijkl(1≦i≦j≦k≦l≦n)と
fijk(T,ζ,γ,κ,β),fijkl(T,ζ,γ,κ,β)(ここでζ=(ζ1,・・・,ζm),κ=(κ1,・・・,κm)である。)との差を損失とする損失関数を導入し、TT´=Σ(T´はTの転置行列である。)という条件の下で、全体として評価するリスク関数を最小化するようにパラメータT,(ζ1,・・・,ζm),γ,(κ1,・・・,κm),βを決定するステップと、
コンピュータを用いて、前記決定されたパラメータ(ζ1,・・・,ζm),γ,(κ1,・・・,κm),βに基づいて、式(15)及び表4により(β1とβ2は、それぞれ歪度の2乗と尖度である。)、前記確率ベクトル(ξ1,・・・,ξm)´及び確率変数νがピアソン分布のどの型に属するかを決定するステップと、
コンピュータを用いて、X=νTξに基づいて、標準化されたXの乱数を計算するステップと、
コンピュータを用いて、標準化されたXの乱数を標準化前の乱数に変換するステップと、
を有する多変量非正規分布に従う乱数発生方法。
ただし、式(15)及び表4において、β1とβ2は、それぞれ歪度の2乗と尖度であり、κは、前記パラメータκ=(κ1,・・・,κm)とは異なる。 - コンピュータを用いて、n個のデータ
コンピュータを用いて、前記データ{X1´,・・・,XN´}を標準化して{X1,・・・,XN}とするステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、分散共分散行列Σを計算するステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、3次モーメントmijk(1≦i≦j≦k≦n)を計算するステップと、
コンピュータを用いて、前記標準化されたデータ{X1,・・・,XN}に基づいて、4次モーメントmijkl(1≦i≦j≦k≦l≦n)を計算するステップと、
コンピュータを用いて、前記分散共分散行列ΣからT=Σ1/2(行列の平方根)を満たす行列Tを計算するステップと、
前記データ・ベクトルが従う分布が、X=νTξ(ここで、ξは、m(ここで、m=nである。)個の確率変数ξ1〜ξmからなる確率ベクトル(ξ1,・・・,ξm)´である。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。また、ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。)を満たす非正規分布を有すると仮定して、コンピュータを用いて、3次モーメントmijk(1≦i≦j≦k≦n)及び4次モーメントmijkl(1≦i≦j≦k≦l≦n)とfijk(ζ,γ,κ,β),fijkl(ζ,γ,κ,β)(ここでζ=(ζ1,・・・,ζm),κ=(κ1,・・・,κm)である。)との差を損失とする損失関数を導入し、全体として評価するリスク関数を最小化するようにパラメータ(ζ1,・・・,ζm),γ,(κ1,・・・,κm),βを決定するステップと、
コンピュータを用いて、前記決定されたパラメータ(ζ1,・・・,ζm),γ,(κ1,・・・,κm),βに基づいて、式(16)及び表5により(β1とβ2は、それぞれ歪度の2乗と尖度である。)、前記確率ベクトル(ξ1,・・・,ξm)´及び確率変数νがピアソン分布のどの型に属するかを決定するステップと、
コンピュータを用いて、X=νTξに基づいて、標準化されたXの乱数を計算するステップと、
コンピュータを用いて、標準化されたXを標準化前の乱数に変換するステップと、
を有する多変量非正規分布に従う乱数発生方法。
ただし、式(16)及び表5において、β1とβ2は、それぞれ歪度の2乗と尖度であり、κは、前記パラメータκ=(κ1,・・・κm)とは異なる。 - 前記乱数を発生するステップは、加算生成法、M系列、一般化フィードバック・シフトレジスタ法及びメルセンヌツイスターを含む、合同法を除く擬似乱数、準乱数、低ディスクレパンシー列、物理乱数を含む乱数を発生する請求項14乃至18のいずれか1項に記載の多変量非正規分布に従う乱数発生方法。
- 前記最尤法によりパラメータを推定するステップは、
コンピュータを用いて、n次元空間を分割するステップと、
コンピュータを用いて、経験分布のデータ{X1,・・・,XN}について、Xiが属する各分割に属する乱数の数を乱数の総数で除して、次の式(25)で与えられる当該分割の確率を求めるステップと、
を有する請求項20に記載の多変量非正規分布のパラメータ推定方法。 - 確率変数ξ1,・・・,ξm及びνには、ピアソン分布系に従う乱数を使う請求項20又は21に記載の多変量非正規分布のパラメータ推定方法。
- 確率変数ξ1,・・・,ξm及びνには、少なくとも2以上の型のピアソン分布を用いる請求項22に記載の多変量非正規分布のパラメータ推定方法。
- コンピュータを用いて、ユアン及びベントラーの方法Iに基づいて、次の関係式(28)及び(29)を用いてn次元経験分布にn次元多変量非正規分布をあてはめるステップを有し、
このあてはめるステップで求めたパラメータの近傍について前記パラメータθを推定する請求項20乃至24のいずれか1項に記載の多変量非正規分布のパラメータ推定方法。
ここで、前記ユアン及びベントラーの方法Iは、次の通りである。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。
ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。
階数nのn行m列(m≧n)の非確率行列T=(tij)は、行列Σ=(σij)について、TT´=Σを満たす。ただし、行列T´はTの転置行列である。
このとき、次の式(30)で与えられる確率ベクトルX=(x1,・・・,xn)´は、Cov(X)=Σを満たす。ただし、Cov(・)は、ベクトルの分散共分散行列であり、ξ=(ξ1,・・・,ξm)´である。
- 前記パラメータθは、パラメータT,ζ=(ζ1,・・・,ζm),γ,κ=(κ1,・・・,κm),βの少なくとも1つを表す請求項20乃至25のいずれか1項に記載の多変量非正規分布のパラメータ推定方法。
- コンピュータを用いて加算生成法、M系列、一般化フィードバック・シフトレジスタ法及びメルセンヌツイスターを含む、合同法を除く擬似乱数、準乱数、低ディスクレパンシー列、物理乱数を含む乱数を発生する請求項20乃至26のいずれか1項に記載のパラメータ推定方法。
- コンピュータを用いて、ユアン及びベントラーの方法Iに基づいて、次の関係式(31)及び(32)を用いてn次元経験分布にn次元多変量非正規分布をあてはめるステップと、
コンピュータを用いて、n次元経験分布がX=νTξ(ここで、ξは、m(ここで、m≧nである。)個の確率変数ξ1〜ξmからなる確率ベクトル(ξ1,・・・,ξm)´である。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。また、ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。)を満たす非正規分布を有すると仮定して、前記Xについて乱数を計算するステップと、
コンピュータを用いて、各確率変数x1〜xnについての空間を、所定間隔Δhで分割し、このn次元空間を(Δh)nの超立方体へ分割するステップと、
コンピュータを用いて、各データ・ベクトルの属する区間(Δh)n内に存在する乱数の個数を乱数の総数で除して、当該区間(Δh)nの確率Pi(θ)を計算するステップと、
コンピュータを用いて、前記確率Pi(θ)をn次元体積(Δh)nで除して、前記データ・ベクトルの属する区間(Δh)nの尤度fi(θ)を計算するステップと、
コンピュータを用いて、前記尤度fi(θ)の積Πi=1 Nfi(θ)又は対数尤度の和Σi=1 Nlog fi(θ)が最大になるようなパラメータθを計算するステップと、
を有する多変量非正規分布のパラメータ推定方法。
ここで、前記ユアン及びベントラーの方法Iは、次の通りである。独立な確率変数ξ1,・・・,ξmは、パラメータζj及びκjについて、E(ξj)=0,E(ξj 2)=1,E(ξj 3)=ζj,E(ξj 4)=κj(1≦j≦m)を満たす。
ξjに独立な確率変数νは、パラメータγ及びβについて、E(ν)=0,E(ν2)=1,E(ν3)=γ,E(ν4)=βを満たす。
階数nのn行m列(m≧n)の非確率行列T=(tij)は、行列Σ=(σij)について、TT´=Σを満たす。ただし、行列T´はTの転置行列である。
このとき、次の式(33)で与えられる確率ベクトルX=(x1,・・・,xn)´は、Cov(X)=Σを満たす。ただし、Cov(・)は、ベクトルの分散共分散行列であり、ξ=(ξ1,・・・,ξm)´である。
- 確率変数ξ1,・・・,ξm及びνには、ピアソン分布系に従う乱数を使う請求項28に記載の多変量非正規分布のパラメータ推定方法。
- 確率変数ξ1,・・・,ξm及びνには、少なくとも2以上の型のピアソン分布を用いる請求項29に記載の多変量非正規分布のパラメータ推定方法。
- コンピュータを用いて加算生成法、M系列、一般化フィードバック・シフトレジスタ法及びメルセンヌツイスターを含む、合同法を除く擬似乱数、準乱数、低ディスクレパンシー列、物理乱数を含む乱数を発生する請求項28乃至31のいずれか1項に記載の多変量非正規分布のパラメータ推定方法。
- 請求項1乃至32のいずれか1項に記載の手順において、ν=1とした多変量非正規分布の乱数発生方法又はパラメータ推定方法。
- 請求項1乃至33のいずれか1項に記載の手順において、T=1とした非正規分布の乱数発生方法又はパラメータ推定方法。
- 請求項1乃至34のいずれか1項に記載された手順に従い、ポートフォリオを構成するn種類の資産のn次元損益分布にn次元多変量非正規分布をあてはめ、シミュレーションによって予想損失額を計算する予測損失額
の計算方法。 - 請求項1乃至34のいずれか1項に記載の手順を用い、前記多変量非正規分布に従う乱数に基づいて金融商品の特性をコンピュータを用いてシミュレーションする金融商品のシミュレーション方法。
- 請求項1乃至34のいずれか1項に記載の手順を用いた、天候・保険デリバティブの設計又は価格付け方法。
- 請求項1乃至34のいずれか1項に記載の手順を用いた、アセット・アロケーションの方法。
- 請求項1乃至34のいずれか1項に記載の手順を用い、前記多変量非正規分布に従う乱数に基づいてイオン注入によるイオンの分布をコンピュータを用いてシミュレーションするイオン注入のシミュレーション方法。
- 請求項1乃至34のいずれか1項に記載の手順を用いた、能力評価の方法。
- 請求項1乃至40のいずれか1項に記載された手順を実現する、コンピュータにより実行可能なコンピュータ・プログラム。
- 光ディスク、磁気ディスク、光磁気ディスク又は磁気テープの少なくとも1つによって提供される請求の範囲第41項記載のコンピュータ・プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003082816A JP3708928B2 (ja) | 2002-03-28 | 2003-03-25 | 多変量非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002093356 | 2002-03-28 | ||
JP2002093355 | 2002-03-28 | ||
JP2003082816A JP3708928B2 (ja) | 2002-03-28 | 2003-03-25 | 多変量非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005130854A Division JP4350062B2 (ja) | 2002-03-28 | 2005-04-28 | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2004005510A JP2004005510A (ja) | 2004-01-08 |
JP2004005510A5 true JP2004005510A5 (ja) | 2005-08-18 |
JP3708928B2 JP3708928B2 (ja) | 2005-10-19 |
Family
ID=30449158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003082816A Expired - Fee Related JP3708928B2 (ja) | 2002-03-28 | 2003-03-25 | 多変量非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3708928B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4653674B2 (ja) * | 2005-04-28 | 2011-03-16 | 日本電信電話株式会社 | 信号分離装置、信号分離方法、そのプログラムおよび記録媒体 |
KR100640663B1 (ko) | 2005-08-12 | 2006-11-01 | 삼성전자주식회사 | 상수 및 동일 패턴을 갖는 파라미터들을 다변량 모델링하는방법 및 장치 그리고 이를 이용한 반도체 제조방법 |
CN111999268B (zh) * | 2020-08-19 | 2023-09-15 | 成都信息工程大学 | 一种大气消光系数湿度订正方法 |
CN114139903B (zh) * | 2021-11-22 | 2023-06-27 | 军事科学院系统工程研究院后勤科学与技术研究所 | 一种航空装备的人员搜救体系贡献度评估方法 |
-
2003
- 2003-03-25 JP JP2003082816A patent/JP3708928B2/ja not_active Expired - Fee Related
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Subset selection for vector autoregressive processes using lasso | |
Murakami et al. | Eigenvector spatial filtering for large data sets: fixed and random effects approaches | |
Dassios et al. | Exact simulation of Hawkes process with exponentially decaying intensity | |
Korobilis | VAR forecasting using Bayesian variable selection | |
Kropko | Choosing between multinomial logit and multinomial probit models for analysis of unordered choice data | |
Huang et al. | Energy‐compatible and spectrum‐compatible (ECSC) ground motion simulation using wavelet packets | |
Ursu et al. | Periodic autoregressive model identification using genetic algorithms | |
Ma et al. | Structural credit risk modelling with Hawkes jump diffusion processes | |
US20050114098A1 (en) | Random number generation method based on multivariate non-normal distribution, parameter estimation method thereof, and application to simulation of financial field and semiconductor ion implantation | |
Athanasopoulos et al. | A complete VARMA modelling methodology based on scalar components | |
Kim et al. | Hidden group patterns in democracy developments: Bayesian inference for grouped heterogeneity | |
Orfanogiannaki et al. | Multivariate Poisson hidden Markov models with a case study of modelling seismicity | |
Shipley | Inferential permutation tests for maximum entropy models in ecology | |
Goswami et al. | On learning strategies for evolutionary Monte Carlo | |
Berkes et al. | Testing for structural change of AR model to threshold AR model | |
JP2005259170A5 (ja) | ||
JP2004005510A5 (ja) | ||
Kalantari et al. | Time series imputation via l 1 norm-based singular spectrum analysis | |
Mota et al. | Weighted Lindley regression model with varying precision: estimation, modeling and its diagnostics | |
JP4350062B2 (ja) | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 | |
Amir-Ahmadi et al. | Choosing prior hyperparameters | |
Pénisson et al. | Stochastic methodology for the study of an epidemic decay phase, based on a branching model | |
Wang et al. | Focused and model average estimation for regression analysis of panel count data | |
Usman | A comparison analysis of shrinkage regression methods of handling multicollinearity problems based on lognormal and exponential distributions | |
JP3708928B2 (ja) | 多変量非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |