4. 三維近似聯合分配
4.2 模擬與實例探討
‧
‧
‧
‧
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
34
【例五】（沿續例二）
選擇參考點為(1, 1, 1)時，執行 etatest3.m，在不同𝑍值下，𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵
及𝛨(𝐴,𝐵),𝐶各層矩陣值如表 4.8 所呈現：
表 4.8：例五中參考點(1, 1, 1)時𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶各層矩陣值
註：勝算比數值為小數點後第六位四捨五入之結果。
因為𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶三者不相等，則給定的條件分配為不相容。接著，
執行 geoajt.m，在不同𝑍值下，咖啡量、吸菸量及是否有心血管疾病的近似聯合 分配如表 4.9 所呈現：
表 4.9：例五中參考點(1, 1, 1)時之近似聯合分配
註：機率矩陣數值結果為四捨五入到小數點第六位。
我們再選擇另外的參考點(1, 1, 2)，執行 etatest3.m，在不同𝑍值下，𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵
及𝛨(𝐴,𝐵),𝐶各層矩陣值如表 4.10 所呈現：
𝛨(𝐵,𝐶),𝐴 𝛨(𝐴,𝐶),𝐵 𝛨(𝐴,𝐵),𝐶
𝑍 = 1 [1.000000 1.000000
1.000000 2.727273] [1.000000 1.000000
1.000000 2.727273] [1.000000 1.000000 1.000000 2.727273] 𝑍 = 2 [1.000000 0.400682
0.500000 0.711940] [1.000000 0.259740
0.706143 0.641948] [1.000000 0.400682 0.706143 0.674242]
𝑃
𝑍 = 1 [0.011069 0.008117 0.011069 0.018448] 𝑍 = 2 [0.420257 0.099423
0.249716 0.181902]
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
35
表 4.10：例五中參考點(1, 1, 2)時𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶各層矩陣值
註：勝算比數值結果為四捨五入到小數點第六位。
因為𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶三者不相等，則給定的條件分配為不相容。接著，
執行 geoajt.m，在不同𝑍值下，咖啡量、吸菸量及是否有心血管疾病的近似聯合 分配如表 4.11 所呈現：
表 4.11：例五中參考點為(1, 1, 2)時之近似聯合分配
註：機率矩陣數值結果為四捨五入到小數點第六位。
值得我們注意的是，在例五之表 4.8 與表 4.10 中，由於𝐴𝑋|(𝑌,𝑍)與𝐵𝑌|(𝑋,𝑍)相 容，故當參考點為(1, 1, 1)時，在𝑍 = 1下，𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶會相等；同 理，當參考點為(1, 1, 2)時，在𝑍 = 2下，𝛨(𝐵,𝐶),𝐴、𝛨(𝐴,𝐶),𝐵及𝛨(𝐴,𝐵),𝐶會相等。
從表 4.9 與表 4.11 可知，咖啡量、吸菸量及是否有心血管疾病三者間關係之 大概機率分布的情況。由於不同參考點所產生的近似聯合分配並不一定相同，我 們將在下一章中，提出如何尋找較好近似聯合分配之方法。
𝛨(𝐵,𝐶),𝐴 𝛨(𝐴,𝐶),𝐵 𝛨(𝐴,𝐵),𝐶
𝑍 = 1 [1.000000 2.495743
2.000000 11.344286] [1.000000 3.850000
1.416144 12.391262] [1.000000 2.495743 1.416144 11.797754] 𝑍 = 2 [1.000000 1.000000
1.000000 3.500000] [1.000000 1.000000
1.000000 3.500000] [1.000000 1.000000 1.000000 3.500000]
𝑃
𝑍 = 1 [0.012414 0.007330 0.010446 0.015933] 𝑍 = 2 [0.471328 0.089777
0.235664 0.157109]
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
36
5. 最佳參考點之求法
在條件機率矩陣不相容下，我們希望找出最佳的近似聯合分配，但近似聯合 分配的獲得又跟參考點有關，有沒有方式能有效地找出最佳的參考點呢？在本章 中，我們將提出一個選取最佳參考點的有效方法，此方法稱為最少點法（mini-mum-points method）。我們也利用實際的例子來說明如何求得最佳參考點，同時 比較最少點法與窮舉法之間效率的差異。
5.1 最少點法
透過參考點可以找到近似的聯合分配，由前面例四與例五中可知參考點不一 樣，找到的近似聯合分配並不一定相同，故以選哪個參考點為最佳呢？在二維中，
郭俊佑（2013）利用幾何平均法修正勝算比矩陣時，發現尋找最佳參考點的有效 方法。在三維中，我們延伸郭俊佑的構想，提出以下之最少點法。首先，訂出比 較近似聯合分配優劣之標準，考慮誤差的定義如下：
【定義 5.1】假定𝑃 = (𝑝𝑖𝑗𝑘)是由條件機率矩陣𝐴𝑋|(𝑌,𝑍), 𝐵𝑌|(𝑋,𝑍)及𝐶𝑍|(𝑋,𝑌)與參考點 (𝑖0, 𝑗0, 𝑘0)所推導出來的近似聯合分配，則𝑃的第一條件機率誤差（簡稱第一誤差）
為：
𝑒1(𝑖0, 𝑗0, 𝑘0) = ∑ ∑ ∑ (𝑎𝑖𝑗𝑘− 𝑝𝑖𝑗𝑘 𝑝+𝑗𝑘)
𝐾 2
𝑘=1 𝐽
𝑗=1 𝐼
𝑖=1
,
第二條件機率誤差（簡稱第二誤差）為：
𝑒2(𝑖0, 𝑗0, 𝑘0) = ∑ ∑ ∑ (𝑏𝑖𝑗𝑘 − 𝑝𝑖𝑗𝑘 𝑝𝑖+𝑘)
𝐾 2 𝑘=1 𝐽
𝑗=1 𝐼
𝑖=1
,
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
37
第三誤差機率誤差（簡稱第三誤差）為：
𝑒3(𝑖0, 𝑗0, 𝑘0) = ∑ ∑ ∑ (𝑐𝑖𝑗𝑘−𝑝𝑖𝑗𝑘 𝑝𝑖𝑗+)
𝐾 2
𝑘=1 𝐽
𝑗=1 𝐼
𝑖=1
,
條件機率總誤差（簡稱總誤差）為：
𝑒(𝑖0, 𝑗0, 𝑘0) = 𝑒1(𝑖0, 𝑗0, 𝑘0) + 𝑒2(𝑖0, 𝑗0, 𝑘0) + 𝑒3(𝑖0, 𝑗0, 𝑘0), 其中
𝑝+𝑗𝑘 = 𝑝1𝑗𝑘+ 𝑝2𝑗𝑘+ ⋯ + 𝑝𝐼𝑗𝑘, 𝑝𝑖+𝑘 = 𝑝𝑖1𝑘+ 𝑝𝑖2𝑘+ ⋯ + 𝑝𝑖𝐽𝑘, 𝑝𝑖𝑗+ = 𝑝𝑖𝑗1+ 𝑝𝑖𝑗2+ ⋯ + 𝑝𝑖𝑗𝐾.
當總誤差𝑒(𝑖0, 𝑗0, 𝑘0)越小時，𝑃越符合我們的要求。使總誤差最小的點，就是 我們所想求的最佳參考點。在幾何平均法下，我們發現第一誤差𝑒1、第二誤差𝑒2 及第三誤差𝑒2有以下良好的性質：
【性質 5.2】當𝑃 = (𝑝𝑖𝑗𝑘)是用參考點(𝑖0, 𝑗0, 𝑘0)以及式子(4.1.10)所獲致的近似聯 合分配時，誤差𝑒1只和𝑗0, 𝑘0有關，誤差𝑒2只和𝑖0, 𝑘0有關，誤差𝑒3只和𝑖0, 𝑗0有關，
也就是說
∀𝑖, 𝑒1(𝑖, 𝑗0, 𝑘0) = 𝑒1(𝑖0, 𝑗0, 𝑘0);
∀𝑗, 𝑒2(𝑖0, 𝑗, 𝑘0) = 𝑒2(𝑖0, 𝑗0, 𝑘0);
∀𝑘, 𝑒3(𝑖0, 𝑗0, 𝑘) = 𝑒3(𝑖0, 𝑗0, 𝑘0).
證明：
若𝑃 = (𝑝𝑖𝑗𝑘)是由式子(4.1.8)所得到的近似聯合分配，則
𝑝𝑖𝑗𝑘 𝑝+𝑗𝑘 =
(𝑎𝑖𝑗𝑘𝑏𝑖𝑗𝑘𝑐𝑖𝑗𝑘𝑎𝑖𝑗0𝑘0)
1
3(𝑎𝑖𝑗𝑘0𝑎𝑖𝑗0𝑘𝑏𝑖𝑗𝑘0𝑐𝑖𝑗0𝑘 𝑏𝑖𝑗0𝑘0𝑐𝑖𝑗0𝑘0 )
1 6
∑ ∑ ∑ (𝑎𝑖𝑗𝑘𝑏𝑖𝑗𝑘𝑐𝑖𝑗𝑘𝑎𝑖𝑗0𝑘0)
1
3(𝑎𝑖𝑗𝑘0𝑎𝑖𝑗0𝑘𝑏𝑖𝑗𝑘0𝑐𝑖𝑗0𝑘 𝑏𝑖𝑗0𝑘0𝑐𝑖𝑗0𝑘0 )
1 𝐾 6
𝑘=1 𝐽
𝐼 𝑗=1 𝑖=1
,
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
39
5.2 尋找最少點集之方式
在說明三維中最少點之選取法則以前，先回顧一下二維中，郭俊佑選取最少 點集之方式。假定𝐼 ≤ 𝐽，最少點集的位置（以黑點表示）如表 5.1 所呈現：
表 5.1：二維中最少點集位置之選取
𝑖 𝑗 1 2 … 𝐼 − 1 𝐼 … 𝐽
1 ■ □ … □ □ … □
2 □ ■ … □ □ … □
… … … ⋱ … … …
𝐼 − 1 □ □ … ■ □ … □
𝐼 □ □ … □ ■ … ■
從表 5.1 可知，郭俊佑選取(1, 1), (2, 2), … , (𝐼, 𝐼), (𝐼, 𝐼 + 1), (𝐼, 𝐼 + 2), ⋯ , (𝐼, 𝐽 − 1), (𝐼, 𝐽)做最少的參考點集。
事實上，選取最少點集之方式並不唯一，只要每行選取一個並且每列也選取 一個，一共選取𝐽個點，這𝐽個點就形成最少點集。這𝐽個點的第一誤差及第二誤差，
就涵蓋了任何參考點的第一誤差及第二誤差。注意到，郭俊佑只使用𝐽個點，相 對地窮舉法卻需使用多達𝐼 × 𝐽個點，郭俊佑提出的方法與窮舉法相比，尋找最佳 參考點的時間約為
I
1
倍。回顧二維的結果之後，則在三維之中，選取最少點集之方式，其過程詳述如 後。為了方便起見，假設𝐼 ≤ 𝐽 ≤ 𝐾。把參考點(𝑖, 𝑗, 𝑘)看成大小為𝐼 × 𝐽 × 𝐾三維矩 陣的元素，在不同𝑘值下，我們逐層選取部分的點做參考點集。在𝑘 = 1時，仿照
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
40
郭俊佑在二維上選取參考點集之方式，選取(1, 1, 1), (2, 2, 1), … , (𝐼, 𝐼, 1), (𝐼, 𝐼 + 1, 1), (𝐼, 𝐼 + 2, 1), ⋯ , (𝐼, 𝐽 − 1, 1), (𝐼, 𝐽, 1)做參考點集，這些參考點集的位置（以黑 點表示）如表 5.2 所呈現：
表 5.2：𝑘 = 1時參考點集位置之選取
𝑖 𝑗 1 2 … 𝐼 − 1 𝐼 … 𝐽
1 ■ □ … □ □ … □
2 □ ■ … □ □ … □
… … … ⋱ … … …
𝐼 − 1 □ □ … ■ □ … □
𝐼 □ □ … □ ■ … ■
接著，在𝑘 = 2時，選取(1, 2, 2), (2, 3, 2), … , (𝐼, 𝐼 + 1, 2), (𝐼, 𝐼 + 2, 2), (𝐼, 𝐼 + 3, 2), …, (𝐼, 𝐽, 2), (𝐼, 1, 2)做參考點集，這些參考點集的位置（以黑點表示）如表 5.3 所呈 現：
表 5.3： 𝑘 = 2時參考點位置的選取
𝑖 𝑗 1 2 3 … 𝐼 𝐼 + 1 … 𝐽
1 □ ■ □ … □ □ … □
2 □ □ ■ … □ □ … □
… … … … ⋱ … … …
𝐼 − 1 □ □ □ … ■ □ … □
𝐼 ■ □ □ … □ ■ … ■
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
從表 5.2 與表 5.3 中，可以看出表 5.3 中參考點位置的選取方式，是將表 5.2 中黑 點的𝑗值與𝑘值分別增加1，但部分參考點的𝑗值可能因此會超出𝐽，故需將該參考 點的𝑗值做適當的調整。為了方便列出所選取的參考點與將來程式設計所需，我 們引入符號〈 ∙ 〉與[ ∙ ]，定義如下：
【定義 5.1】給定正整數𝐼與𝐽，則
〈𝑠〉 ≡ {𝑠 , 𝑠 ≤ 𝐼 𝐼 , 𝑠 > 𝐼; [𝑡] ≡ {𝑡 𝑚𝑜𝑑 𝐽 , 𝑡 𝑚𝑜𝑑 𝐽 ≠ 0
𝐽 , 𝑡 𝑚𝑜𝑑 𝐽 = 0, 其中𝑠與𝑡皆為非負整數。
利用定義 5.1，在𝑘 = 2時，參考點集位置之選取方式可表示成(〈1〉, [2], 2), (〈2〉,[3], 2), … , (〈I〉, [𝐼 + 1], 2), (〈𝐼 + 1〉, [𝐼 + 2], 2), (〈𝐼 + 2〉, [𝐼 + 3], 2), … , (〈𝐽 − 1〉, [𝐽], 2), (⟨𝐽 ⟩, [𝐽 + 1], 2)，即：
{(〈𝑠〉, [𝑡], 2) | 𝑡 = 𝑠 + 1, 𝑠 = 1, … , 𝐽}.
依此類推，在𝑘 = 3時，參考點集位置之選取方式為：
{(〈𝑠〉, [𝑡], 3) | 𝑡 = 𝑠 + 2, 𝑠 = 1, … , 𝐽}.
最後，在𝑘 = 𝐾時，參考點集位置之選取方式為：
{(〈𝑠〉, [𝑡], 𝐾) | 𝑡 = 𝑠 + 𝐾 − 1, , 𝑠 = 1, … , 𝐽}.
因此，從大小為𝐼 × 𝐽 × 𝐾的三維矩陣中，我們逐層挑選出𝐽個點做參考點集，
一共有𝐽 × 𝐾個點，此即為最少點法之參考點集（簡稱最少點集），以集合表示為：
{(〈𝑠〉, [𝑡], 𝑘) | 𝑡 = 𝑠 + 𝑘 − 1, 𝑠 = 1, … , 𝐽, 𝑘 = 1, … , 𝐾}.
我們將最少點集之位置，各層整理如表 5.4 所呈現：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
42
表 5.4：三維中最少點集之位置
𝑘 = 1 (〈1〉, [1], 1), (〈2〉, [2], 1), ⋯ , (〈𝐽 − 1〉, [𝐽 − 1], 1), (〈𝐽〉, [𝐽], 1) 𝑘 = 2 (〈1〉, [2], 2), (〈2〉, [3], 2), ⋯ , (〈𝐽 − 1〉, [𝐽], 2), (〈𝐽〉, [𝐽 + 1], 2)
… …
𝑘 = 𝑛 (〈1〉, [𝑛], 𝑛), (〈2〉, [𝑛 + 1], 𝑛), ⋯ , (〈𝐽 − 1〉, [𝐽 + 𝑛 − 2], 𝑛), (〈𝐽〉, [𝐽 + 𝑛 − 1], 𝑛)
… …
𝑘 = 𝐾 (〈1〉, [𝐾], 𝐾), (〈2〉, [𝐾 + 1], 𝐾), ⋯ , (〈𝐽 − 1〉, [𝐽 + 𝐾 − 2], 𝐾), (〈𝐽〉, [𝐽 + 𝐾 − 1], 𝐾)
我們以例六來說明如何選取最少點集。
【例六】（沿續例三）
因條件機率矩陣大小為3 × 4 × 5，根據表 5.4，最少點集之位置，各層整理 如表 5.5 所呈現：
表 5.5：例六中參考點集位置之選取 𝑘 = 1 (1, 1, 1), (2, 2, 1), (3, 3, 1), (3, 4, 1) 𝑘 = 2 (1, 2, 2), (2, 3, 2), (3, 4, 2), (3, 1, 2) 𝑘 = 3 (1, 3, 3), (2, 4, 3), (3, 1, 3), (3, 2, 3) 𝑘 = 4 (1, 4, 4), (2, 1, 4), (3, 2, 4), (3, 3, 4) 𝑘 = 5 (1, 1, 5), (2, 2, 5), (3, 3, 5), (3, 4, 5)
表 5.5 中一共有20個參考點，各層參考點的位置如表 5.6 所呈現：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
43
表 5.6：例六中各層最少點集位置之選取
𝑘 = 1
𝑖 𝑗 1 2 3 4 1 ■ □ □ □ 2 □ ■ □ □ 3 □ □ ■ ■
𝑘 = 2
𝑖 𝑗 1 2 3 4 1 □ ■ □ □ 2 □ □ ■ □ 3 ■ □ □ ■
𝑘 = 3
𝑖 𝑗 1 2 3 4 1 □ □ ■ □ 2 □ □ □ ■ 3 ■ ■ □ □
𝑘 = 4
𝑖 𝑗 1 2 3 4 1 □ □ □ ■ 2 ■ □ □ □ 3 □ ■ ■ □
𝑘 = 5
𝑖 𝑗 1 2 3 4 1 ■ □ □ □ 2 □ ■ □ □ 3 □ □ ■ ■
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
44
我們可以想像由𝐼 × 𝐽 × 𝐾個小立方體所組成的長方體中，選取𝐽 × 𝐾個小立
方體（代表參考點位置），並把所選取到的小立方體塗黑，則最少點法所選到的
小立方體會使得分別從𝐼 × 𝐽面、𝐽 × 𝐾面以及𝐼 × 𝐾面來看都是黑的。從例六中，
我們可以清楚看出所選取的最少點集，分別從三個面來看確實都是黑的。
事實上，選取最少點集之方式並不唯一，只要選出的𝐽 × 𝐾個小立方體使得分 別從𝐼 × 𝐽面、𝐽 × 𝐾面以及𝐼 × 𝐾面來看皆為黑色即可。最少點法的好處是，不需 要像窮舉法一樣，對每一個點逐點計算總誤差，由總誤差最小值找出最佳參考點。
注意到，最少點法只使用了𝐽 × 𝐾個點，相對地窮舉法需使用多達𝐼 × 𝐽 × 𝐾個點，
最少點法比起窮舉法來講，尋找最佳參考點的時間約為 I
1
倍。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
5.3 模擬與實例探討
在條件分配不相容時，我們希望找出最佳的近似聯合分配，這時候參考點的 選擇就很重要。根據 5.2 節所找出的最少點集，利用電腦軟體 Matlab（8.3）我們 設計出程式檔 minpts.m 來處理尋找最佳參考點以及最佳近似聯合分配之問題。
minpts.m 程式一共分三部分，第一部分：在所有最少點集上的參考點，分別執行 geoe1.m、geoe2.m 及 geoe3.m，計算出所選取之參考點的第一誤差、第二誤差及 第三誤差。第二部分：利用第一誤差、第二誤差及第三誤差決定出任意參考點的 總誤差。第三部分：得出最佳參考點以及對應的第一誤差、第二誤差、第三誤差、
總誤差、執行時間，並執行 geoajt.m 計算出最佳近似聯合分配。minpts.m 程式碼 與操作方式參考附錄 6。在本節中，我們用模擬與實際的例子來說明該程式檔執 行的情況。
【例七】（沿續例六）
在執行 minpts.m 後，得最佳參考點為(1, 4, 3)，第一誤差為0.570779，第二 誤 差 為0.185294 ， 第 三 誤 差 為0.162017 ， 總 誤 差 為0.918091 ， 執 行時間 為 0.025625秒，以上誤差與時間的數值結果為四捨五入到小數點第六位。以及，最 佳近似聯合分配之各層矩陣機率值如表 5.7 所呈現：
表 5.7：例七的最佳近似聯合分配
註：機率矩陣數值結果為四捨五入到小數點第六位。
𝑃
𝑍 = 1 [
0.014130 0.016315 0.009991 0.019982 0.028259 0.011765 0.015860 0.019982 0.012588 0.019047 0.020378 0.014130
]
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
46
表 5.7：例七的最佳近似聯合分配（續）
註：機率矩陣數值結果為四捨五入到小數點第六位。
【例八】（沿續例五）
在執行 minpts.m 後，得最佳參考點為(2, 2, 1)，第一誤差為0.001246，第二 誤差為0.001003，第三誤差為0.000071，總誤差為0.002319，執行時間0.015625 秒，以上誤差與時間的數值結果為四捨五入到小數點第六位。以及，咖啡量、吸 菸量及是否有心血管疾病的最佳近似聯合分配之各層矩陣值如表 5.8 所呈現：
表 5.8：例八的最佳近似聯合分配
註：機率矩陣數值結果為四捨五入到小數點第六位。
𝑃
𝑍 = 2 [
0.014130 0.011537 0.019982 0.009991 0.014130 0.013206 0.010001 0.019982 0.017820 0.013206 0.026184 0.009991
]
𝑍 = 3 [
0.009991 0.019982 0.009991 0.009991 0.009991 0.000991 0.009991 0.019982 0.019982 0.019982 0.019982 0.009991
]
𝑍 = 4 [
0.009991 0.016315 0.009991 0.019982 0.019982 0.023531 0.022897 0.019982 0.015860 0.021379 0.015860 0.019982
]
𝑍 = 5 [
0.014130 0.019982 0.019982 0.019982 0.011226 0.017474 0.025176 0.019982 0.017820 0.019982 0.026184 0.019982
]
𝑃
𝑍 = 1 [0.009018 0.006613 0.009018 0.015030] 𝑍 = 2 [0.444594 0.098653
0.247782 0.169292]
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
47
從表 5.8 中可知，利用最少點法，可有效地找出咖啡量、吸菸量以及是否有 心血管疾病的最佳近似聯合分配，即找到一個最佳的機率模型來表示這三者的關 係。
事實上，利用 minpts.m 程式也可以檢驗條件分配的相容性，透過計算最少 點集上的各項誤差，我們就能決定出任何參考點的總誤差。如果這些參考點集上 的總誤差都是0，則給定的條件分配即為相容。因此，在找最佳參考點的過程中，
我們也可以使用此程式檢驗相容性是否成立。此程式的好處在於隨機變數可能值 的個數即使很龐大，都可以有效地找出最佳的近似聯合分配。我們在下一節中，
將與窮舉法比較最少點法的不同。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
48
5.4 最少點法與窮舉法之比較
在 5.3 節中，利用最少點法可以有效地找到最佳參考點，窮舉法當然亦能處 理，但顯得費時，因而較沒有效率。在本節中，為了比較最少點法與窮舉法效率 差異的實際情況，我們也利用電腦軟體 Matlab（8.3）設計出程式檔 exhpts.m，以 窮舉的方式尋找最佳參考點，程式碼與操作方式如附錄 7。我們使用一些模擬的 例子（如附表），分別執行 minpts.m 與 exhpt.m，比較兩者的執行時間，進而了解 最少點法與窮舉法兩者效率差異的實際情況，比較結果如表 5.9 所呈現：
表 5.9：最少點法與窮舉法效率之比較
𝐼 × 𝐽 × 𝐾 3 × 4 × 5 10 × 10 × 10 10 × 20 × 20 20 × 20 × 20
最少點法 0.020828 秒 0.369316 秒 2.506250 秒 4.996875 秒
窮舉法 0.044354 秒 2.478719 秒 17.540625 秒 67.012500 秒
實際比值 0.469587 0.148995 0.1428826 0.074566
理論比值I
1
0.333333 0.100000 0.100000 0.050000註：1. 時間為重複執行程式1000次之平均執行時間。
2. 模擬的電腦中央處理器為 Intel Celeron 1007U 1.50GHz。
3. 比值為最少點法執行時間除以窮舉法執行時間。
4. 時間與比值數值結果為四捨五入到小數點第六位。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
49
值得注意的是，不管給定的條件分配是否相容，搜尋最佳參考點所花費的時
值得注意的是，不管給定的條件分配是否相容，搜尋最佳參考點所花費的時