จะประมาณความแม่นยำของอินทิกรัลได้อย่างไร?


11

สถานการณ์ที่พบบ่อยมากในคอมพิวเตอร์กราฟฟิคคือสีของบางพิกเซลเท่ากับส่วนที่สำคัญของฟังก์ชั่นที่มีมูลค่าจริง บ่อยครั้งที่ฟังก์ชั่นนั้นซับซ้อนเกินกว่าที่จะแก้ปัญหาเชิงวิเคราะห์ดังนั้นเราจึงเหลือการประมาณเชิงตัวเลข แต่ฟังก์ชั่นมักจะมีราคาแพงมากในการคำนวณดังนั้นเราจึงถูก จำกัด อย่างมากในจำนวนตัวอย่างที่เราสามารถคำนวณได้ (เช่นคุณไม่สามารถตัดสินใจที่จะรับตัวอย่างหนึ่งล้านตัวอย่างและทิ้งไว้ที่นี่)

โดยทั่วไปแล้วสิ่งที่คุณต้องการทำคือประเมินฟังก์ชันที่จุดที่เลือกแบบสุ่มจนกระทั่งอินทิกรัลประมาณกลายเป็น "แม่นยำเพียงพอ" ซึ่งนำมาสู่คำถามจริงของฉัน: คุณประเมิน "ความถูกต้อง" ของอินทิกรัลอย่างไร?


โดยเฉพาะอย่างยิ่งเรามีซึ่งดำเนินการโดยอัลกอริทึมคอมพิวเตอร์ที่ซับซ้อนและช้า เราต้องการประเมินf:RR

k=abf(x) dx

เราสามารถคำนวณสำหรับเราปรารถนาได้ แต่มันมีราคาแพง ดังนั้นเราต้องการเลือกค่าหลายค่าแบบสุ่มและหยุดเมื่อค่าประมาณของกลายเป็นที่ยอมรับได้อย่างแม่นยำ แน่นอนว่าในการทำเช่นนี้เราจำเป็นต้องทราบว่าการประมาณการในปัจจุบันนั้นแม่นยำเพียงใดx x kf(x)xxk

ฉันไม่แน่ใจด้วยซ้ำว่าเครื่องมือทางสถิติใดที่เหมาะสำหรับปัญหาประเภทนี้ แต่สำหรับฉันแล้วดูเหมือนว่าถ้าเราไม่รู้อะไรเกี่ยวกับอย่างแน่นอนปัญหาก็แก้ไม่ได้ ตัวอย่างเช่นถ้าคุณคำนวณหนึ่งพันครั้งและมันก็เป็นศูนย์เสมออินทิกรัลที่ประมาณไว้ของคุณจะเป็นศูนย์ แต่ไม่รู้อะไรเลยเกี่ยวกับf ( x ) fff(x)fมันยังคงเป็นไปได้ที่ทุกที่ยกเว้นจุดที่คุณสุ่มตัวอย่างดังนั้นการประเมินของคุณจึงผิดอย่างมาก!f(x)=1,000,000

บางทีคำถามของฉันควรเริ่มด้วย"เราต้องรู้อะไรเกี่ยวกับเพื่อให้สามารถประเมินความถูกต้องของอินทิกรัลของเราได้f ?" ตัวอย่างเช่นเรามักรู้ว่าเป็นไปไม่ได้ที่จะเป็นลบซึ่งดูเหมือนจะเป็นข้อเท็จจริงที่เกี่ยวข้อง ...f


แก้ไข:ตกลงดังนั้นสิ่งนี้ดูเหมือนจะสร้างคำตอบมากมายซึ่งเป็นสิ่งที่ดี แทนที่จะตอบกลับเป็นรายบุคคลฉันจะพยายามเติมภูมิหลังเพิ่มเติมที่นี่

เมื่อฉันบอกว่าเรารู้ "ไม่มีอะไร" เกี่ยวกับฉันหมายความว่าเราสามารถคำนวณfได้ แต่เราไม่รู้อะไรเพิ่มเติมเกี่ยวกับf ฉันคาดหวัง (และความคิดเห็นดูเหมือนจะเห็นด้วย) ว่าการมีความรู้มากขึ้นทำให้เราสามารถใช้อัลกอริทึมที่ดีกว่าได้ ดูเหมือนว่าการรู้ขอบเขตบนfและ / หรืออนุพันธ์อันดับแรกของfจะมีประโยชน์ffff

ในส่วนของปัญหาที่ฉันคิดเกี่ยวกับเปลี่ยนแปลงขึ้นอยู่กับรูปทรงเรขาคณิตที่เกิดเหตุและสถานที่เกิดเหตุภายในภายใต้การพิจารณา ไม่ใช่พีชคณิตที่ดีและเรียบร้อยที่คุณสามารถวิเคราะห์ได้ โดยทั่วไปแล้วfหมายถึงความเข้มของแสง เห็นได้ชัดว่าความเข้มของแสงไม่สามารถเป็นค่าลบได้ แต่ไม่มีข้อ จำกัด ว่าค่าบวกของมันจะมีขนาดใหญ่เพียงใด และในที่สุดขอบของวัตถุมักส่งผลให้เกิดความไม่ต่อเนื่องที่คมชัดในfและโดยทั่วไปคุณไม่สามารถทำนายได้ว่าตำแหน่งเหล่านี้อยู่ที่ใดfff

ในระยะสั้นถูกสาปเที่ยวยุ่งยิ่งดังนั้นพอร์ตแรกของการเรียกร้องที่จะขอให้สิ่งที่เราสามารถทำอะไรกับมันได้รับไม่มีข้อมูลเพิ่มเติม ปรากฏว่าไม่มีขอบเขตอย่างน้อยด้านบนและล่างคำตอบคือ "ไม่เลวมาก" ... ดังนั้นดูเหมือนว่าฉันจะต้องเริ่มต้นการตั้งสมมติฐานบางอย่างเพื่อให้ความคืบหน้าตรงนี้f

นอกจากนี้เมื่อจำนวนครั้งที่ "Monte Carlo" เพิ่มขึ้นฉันเดาว่านั่นเป็นศัพท์เทคนิคสำหรับการรวมกลุ่มเช่นนี้หรือไม่


เมื่อคุณพูดว่า "ถ้าเราไม่รู้อะไรเลยเกี่ยวกับ " คุณหมายถึงอะไรกันแน่? เราสามารถคำนวณfได้ไหม? ff
แมโคร

2
โดยทั่วไปเมื่อคุณรวมฟังก์ชันที่รู้จักคุณสามารถทำได้ดีกว่าการรวมระบบ Monte Carlo Monte Carlo แปลงเป็นค่าจริงในอัตราโดยที่Nคือจำนวนคะแนนการประเมิน อัลกอริธึมอื่น ๆ เช่นการสร้างพื้นที่สี่เหลี่ยมจัตุรัสจะมาบรรจบกันที่อัตรา1/Nหรือเร็วกว่า (เช่นสำหรับฟังก์ชั่นที่เป็นระยะในพื้นที่ของการรวมกลุ่ม) สมมติว่าระดับความเรียบของฟังก์ชัน คนอื่น ๆ ยังขึ้นอยู่กับลำดับกึ่งสุ่ม (เช่น Sobol' ลำดับ) จะมาบรรจบกันในอัตราที่กลางเช่น(LNN)n/Nสำหรับnบูรณาการมิติ 1/NN1/N(lnN)n/Nn
jbowman

1
นี่เป็นคำตอบที่ชัดเจน แต่ไม่ตอบกลับ คำตอบสำหรับคำถามที่สองคือ "ไม่มีอะไร": ข้อกำหนดเพียงอย่างเดียวคือสามารถวัดได้ซึ่งเป็นนัยในการขออินทิกรัล แต่สิ่งเดียวที่คุณสามารถทำได้คือสุ่มตัวอย่าง ด้วยสมมติฐานเพิ่มเติมเราสามารถทำได้ดีกว่ามากในการประมาณค่าอินทิกรัลและประเมินความถูกต้อง ดังนั้นคำถามที่ดีกว่าคือ "การปรับปรุงการประมาณค่าความถูกต้องแม่นยำใดสามารถทำได้ด้วยข้อสมมติฐานใด" แต่นี่กว้างเกินไป ดังนั้นโปรดบอกเราว่าคุณกำลังเผชิญกับฟังก์ชั่นประเภทใด f
whuber

1
@Macro ขั้นตอนนั้นไม่ได้ผลเพราะนั่นคือสิ่งที่แย่ที่สุดที่คุณสามารถทำได้ ในฐานะที่เป็น jbowman ชี้ให้เห็นสมมติฐานที่อ่อนมากเกี่ยวกับสามารถนำไปสู่การประมาณการที่ดีกว่า BTW มันไม่มีความหมายเลยที่จะกำหนดว่าfคือ "finite" ถ้ามันเป็นฟังก์ชั่นที่กำหนดไว้อย่างดีค่าทั้งหมดก็คือจำนวนจริงและจำนวน จำกัดFortiori หากคุณหมายถึง "จำกัด " สิ่งนั้นจะไม่ดีถ้าคุณไม่ทราบขอบเขต ff
whuber

1
@Macro ฟังก์ชั่น "ส่วนใหญ่" ไม่ต่อเนื่องทุกที่! ที่จริงแล้วฉันไม่เห็นว่า CLT สามารถนำไปใช้โดยทั่วไปได้อย่างไร อาจเป็นค่าผกผันของการกระจาย CDF ใด ๆ ตัวอย่างเช่นในกรณีที่การจับสลาก Monte-Carlo ของคุณเป็นการสุ่มตัวอย่างจากการกระจายนั้น - ซึ่ง CLT ไม่จำเป็นต้องใช้แม้ว่าจะมีส่วนประกอบ (เช่นค่าเฉลี่ย) อยู่ก็ตาม ฉันคิดว่ามันจะมีผลมากกว่าสำหรับ OP เพื่อ จำกัด คำถามและผู้ตอบแบบสอบถามให้ทำตามคำแนะนำของ jbowman f
whuber

คำตอบ:


2

222222


3
0Mf

1
@ มาโครโดยไม่รู้อะไรเลยเกี่ยวกับ f ฉันไม่เห็นว่าใครจะพูดอะไรเกี่ยวกับความถูกต้องทางสถิติของการประมาณของอินทิกรัลตามการประเมินที่จุด จำกัด แน่นอน สมมติฐานของฉันค่อนข้างน้อย ถ้า f ถูก จำกัด ขอบเขตในช่วง [a, b] ควรมี M ขนาดใหญ่พอที่จะใช้เป็นขอบเขตบนของ f ได้
Michael R. Chernick

M

2
มันเป็นข้อสันนิษฐาน ฉันใช้คำว่าเลียนแบบเพื่อบอกว่าฉันตั้งสมมติฐานน้อยที่สุดเท่าที่จะทำได้เพื่อให้ได้คำตอบที่ชัดเจน
Michael R. Chernick

f

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.