Linq 2 SQL не имеет прямым, вставляют/обновляют/удаляют эквиваленты SQL. В V1 единственные обновления можно сделать, использование linq является мыслью SubmmitChanges на контексте или если Вы нейтрализация к sql.
Однако некоторые люди попытались преодолеть это ограничение linq, использующего пользовательские реализации.
Вот (медленная) реализация метода обратного cdf, когда вам задана только плотность.
den<-dnorm #replace with your own density
#calculates the cdf by numerical integration
cdf<-function(x) integrate(den,-Inf,x)[[1]]
#inverts the cdf
inverse.cdf<-function(x,cdf,starting.value=0){
lower.found<-FALSE
lower<-starting.value
while(!lower.found){
if(cdf(lower)>=(x-.000001))
lower<-lower-(lower-starting.value)^2-1
else
lower.found<-TRUE
}
upper.found<-FALSE
upper<-starting.value
while(!upper.found){
if(cdf(upper)<=(x+.000001))
upper<-upper+(upper-starting.value)^2+1
else
upper.found<-TRUE
}
uniroot(function(y) cdf(y)-x,c(lower,upper))$root
}
#generates 1000 random variables of distribution 'den'
vars<-apply(matrix(runif(1000)),1,function(x) inverse.cdf(x,cdf))
hist(vars)
Используйте кумулятивную функцию распределения http://en.wikipedia.org/wiki/Cumulative_distribution_function
Тогда просто используйте обратное. Проверьте здесь, чтобы увидеть лучшее изображение http://en.wikipedia.org/wiki/Normal_distribution
Это означает: выберите случайное число из [0,1] и установите его как CDF, затем проверьте значение
Это также называется функцией квантиля.
Чтобы уточнить ответ «используйте Метрополис-Гастингс» выше:
предположим, что ddist ()
- это ваша функция плотности вероятности
, примерно такая:
n <- 10000
cand.sd <- 0.1
init <- 0
vals <- numeric(n)
vals[1] <- init
oldprob <- 0
for (i in 2:n) {
newval <- rnorm(1,mean=vals[i-1],sd=cand.sd)
newprob <- ddist(newval)
if (runif(1)<newprob/oldprob) {
vals[i] <- newval
} else vals[i] <- vals[i-1]
oldprob <- newprob
}
Примечания :
cand.sd
).
Для максимальной эффективности настройте cand.sd
на уровень приема 25-40% sample ()
результаты, чтобы скремблировать их или урезать) Классический подход к этой проблеме - это отбраковка выборки (см., например, Press et al Числовые рецепты )