ฉันพยายามเรียนรู้การเสริมแรงและหัวข้อนี้ทำให้ฉันสับสนจริงๆ ฉันได้แนะนำสถิติไปแล้ว แต่ฉันไม่เข้าใจหัวข้อนี้อย่างสังหรณ์ใจ
ฉันพยายามเรียนรู้การเสริมแรงและหัวข้อนี้ทำให้ฉันสับสนจริงๆ ฉันได้แนะนำสถิติไปแล้ว แต่ฉันไม่เข้าใจหัวข้อนี้อย่างสังหรณ์ใจ
คำตอบ:
การสุ่มตัวอย่างความสำคัญเป็นรูปแบบของการสุ่มตัวอย่างจากการกระจายที่แตกต่างจากการกระจายความสนใจเพื่อให้ได้รับการประมาณที่ดีขึ้นของพารามิเตอร์จากการกระจายความสนใจ โดยทั่วไปสิ่งนี้จะให้ค่าประมาณของพารามิเตอร์ที่มีความแปรปรวนต่ำกว่าที่จะได้รับจากการสุ่มตัวอย่างโดยตรงจากการแจกแจงเริ่มต้นที่มีขนาดตัวอย่างเท่ากัน
มันถูกใช้ในบริบทต่าง ๆ โดยทั่วไปการสุ่มตัวอย่างจากการแจกแจงที่แตกต่างกันช่วยให้สามารถสุ่มตัวอย่างได้มากขึ้นในส่วนของการกระจายความสนใจที่กำหนดโดยแอปพลิเคชัน (ภูมิภาคสำคัญ)
ตัวอย่างหนึ่งอาจเป็นได้ว่าคุณต้องการมีตัวอย่างที่มีตัวอย่างจากหางของการแจกแจงมากกว่าการสุ่มตัวอย่างแบบบริสุทธิ์จากการแจกแจงความสนใจ
บทความวิกิพีเดียที่ฉันได้เห็นในเรื่องนี้เป็นนามธรรมเกินไป มันเป็นการดีกว่าที่จะดูตัวอย่างเฉพาะต่างๆ อย่างไรก็ตามมันมีลิงค์ไปยังแอพพลิเคชั่นที่น่าสนใจเช่นBayesian Networks
ตัวอย่างหนึ่งของการสุ่มตัวอย่างที่สำคัญในทศวรรษที่ 1940 และ 1950 คือเทคนิคการลดความแปรปรวน (รูปแบบของวิธีมอนติคาร์โล) ดูตัวอย่างหนังสือวิธีมอนติคาร์โลโดยแฮมเมอร์สลีย์และ Handscomb ตีพิมพ์เป็น Methuen Monograph / Chapman และ Hall ในปี 1964 และพิมพ์ซ้ำในปี 1966 และต่อมาโดยสำนักพิมพ์อื่น ๆ มาตรา 5.4ของหนังสือครอบคลุมการสุ่มตัวอย่างสำคัญ
การสุ่มตัวอย่างความสำคัญเป็นวิธีการจำลองหรือวิธีมอนติคาร์โลซึ่งมีไว้สำหรับการประมาณอินทิเกรต คำว่า "การสุ่มตัวอย่าง" ค่อนข้างสับสนว่ามันไม่ได้ตั้งใจที่จะให้ตัวอย่างจากการแจกแจงที่กำหนด
สัญชาตญาณที่อยู่เบื้องหลังการสุ่มตัวอย่างที่สำคัญคืออินทิกรัลที่นิยามไว้อย่างดีเช่น สามารถแสดงความคาดหวังในช่วงกว้าง การแจกแจงความน่าจะเป็น: โดยที่หมายถึงความหนาแน่น ของการกระจายความน่าจะเป็นและจะถูกกำหนดโดยและเอฟ(โปรดทราบว่ามักจะแตกต่างจาก )จริง ๆ แล้วทางเลือก นำไปสู่ความเท่าเทียมและ
เมื่อเข้าใจคุณสมบัติเบื้องต้นแล้วการดำเนินการตามแนวความคิดนี้ต้องอาศัยกฎจำนวนมากเช่นเดียวกับวิธีการมอนติคาร์โลอื่น ๆ เช่นการจำลอง [ผ่านเครื่องกำเนิดไฟฟ้าแบบหลอกเทียม] ตัวอย่าง iidแจกจ่ายจากและใช้การประมาณ ซึ่ง
ขึ้นอยู่กับทางเลือกของการแจกแจงผู้ประมาณการอาจมีหรือไม่มีความแปรปรวนแน่นอน อย่างไรก็ตามมีอยู่เสมอตัวเลือกของที่อนุญาตให้มีการแปรปรวนแน่นอนและแม้กระทั่งสำหรับการแปรปรวนขนาดเล็กโดยพล (แม้ว่าตัวเลือกเหล่านั้นอาจไม่สามารถใช้ได้ในทางปฏิบัติ และยังมีอยู่ทางเลือกของที่ทำให้ความสำคัญของการสุ่มตัวอย่างประมาณการประมาณยากจนมากของ{I}} ซึ่งรวมถึงตัวเลือกทั้งหมดที่ความแปรปรวนไม่สิ้นสุดแม้ว่าบทความล่าสุดโดย Chatterjee และ Diaconis จะศึกษาวิธีเปรียบเทียบตัวอย่างสำคัญกับความแปรปรวนอนันต์ ภาพด้านล่างนำมาจากการอภิปรายบล็อกของฉันของหนังสือพิมพ์และแสดงให้เห็นถึงการบรรจบกันที่ดีของการประมาณค่าความแปรปรวนที่ไม่มีที่สิ้นสุด
การสุ่มตัวอย่างความสำคัญกับการกระจายความสำคัญประสบการณ์ (1) การกระจายเป้าหมายการกระจาย Exp (1/10) การจัดจำหน่ายและฟังก์ชั่นที่น่าสนใจ x มูลค่าที่แท้จริงของหนึ่งคือ10
[ข้อความต่อไปนี้ทำซ้ำจากวิธีการทางสถิติ Monte Carloหนังสือของเรา]
ตัวอย่างต่อไปนี้จากริปลีย์ (1987) แสดงให้เห็นว่าทำไมมันจริงอาจจ่ายในการสร้างจากการจัดจำหน่ายอื่น ๆ กว่า (เดิม) การกระจายปรากฏในการหนึ่ง ดอกเบี้ยหรือกล่าวอีกนัยหนึ่งเพื่อปรับเปลี่ยนการแทนค่าอินทิกรัลตามที่คาดหวังกับความหนาแน่นที่กำหนด
ตัวอย่าง (ความน่าจะเป็นหาง Cauchy) สมมติว่าปริมาณความสนใจคือความน่าจะเป็น, , ตัวแปรCauchyค่ามากกว่านั่นคือ เมื่อถูกประเมินผ่านค่าเฉลี่ยเชิงประจักษ์ ของตัวอย่าง iidความแปรปรวนของตัวประมาณนี้คือ (เท่ากับตั้งแต่ )
ความแปรปรวนนี้สามารถลดลงได้โดยคำนึงถึงลักษณะสมมาตรของเนื่องจากค่าเฉลี่ย มีความแปรปรวนเท่ากับ m
(ที่ญาติ) การขาดประสิทธิภาพของวิธีการเหล่านี้เกิดจากการสร้างค่านอกโดเมนที่น่าสนใจที่ซึ่งเป็นในความรู้สึกบางอย่างที่ไม่เกี่ยวข้องสำหรับการประมาณของพี[เรื่องนี้เกี่ยวข้องกับไมเคิลเชอร์นิคกล่าวถึงการประเมินพื้นที่หาง] ถ้าถูกเขียนเป็น อินทิกรัลด้านบนถือเป็นความคาดหวังของ , โดยที่2]} วิธีการประเมินทางเลือกสำหรับจึงเป็น สำหรับ
เมื่อเทียบกับการลดความแปรปรวนที่นำมาจาก มีลำดับซึ่งบ่งบอกเป็นพิเศษว่าการประเมินนี้ต้องการ การจำลองน้อยกว่าเท่า เพื่อให้ได้ความแม่นยำเดียวกัน