我有一组多变量实例，我需要从这些实例中提取一个代表性集合;例如，如果我有10万个多变量实例，我想提取1000个代表原始分布的实例。我使用拉丁超立方抽样和随机抽样来提取两个代表性集，现在我想检查这两个代表性集与原始集的相关性有多大。
如果我再详细说明;
我有10万个多变量实例(我们称之为A)
我从'A'中得到两个代表性样本(每个集合将有1000个实例;我们称这两个集合为B和C)
我想检查'B'和'C'是否保留了原始'A'的分布。
提前感谢!
这更像是一个统计问题，但这里有一个概要。通常你会使用卡方检验来比较分布。基本步骤如下:
Bin每个数据集。尽量设置箱子，使每个箱子里至少有5个或更多的样本。(对所有数据集使用相同的bin)
使用大样本"A"来确定每个bin中的期望样本数(称为f_e)。(顺便说一句。请注意，任何特定bin的f_e将是该特定bin中样本数量的1/100，因为样本A包含的数据点是B或C的100倍)。
要测试其中一个样本(例如B)，计算sum: S = 所有bin的sum (f_o - f_e)^2/fe，其中f_o是bin中观察到的频率。
这个和是一个卡方变量，其自由度小于你正在使用的箱子总数。
<-
计算strong> 1 - chi2cdf(年代,景深)。这是一个和你得到的(S)一样大或更大的和纯粹由于随机变化(也就是说，即使分布相同)而发生的概率。因此，一个小的结果(接近0)意味着分布可能是不同的，一个大的结果(接近1)意味着它们不可能有显著的不同。
可能有一个库函数可以完成上述所有操作。IDK，因为我很久没有使用任何统计库了