การรวมระบบ Monte Carlo สำหรับฟังก์ชั่นที่ไม่รวมสี่เหลี่ยมจตุรัส


9

ฉันหวังว่านี่เป็นสถานที่ที่เหมาะสมที่จะถามถ้าไม่ลังเลที่จะย้ายไปยังฟอรัมที่เหมาะสมยิ่งขึ้น

ฉันสงสัยอยู่พักหนึ่งแล้วว่าจะรักษาฟังก์ชั่นที่ไม่รวมสแควร์ด้วย Monte Carlo Integration ได้อย่างไร ฉันรู้ว่า MC ยังคงให้การประเมินที่เหมาะสม แต่ข้อผิดพลาดนั้นไม่สามารถเกิดขึ้นจริงได้ (ฟังก์ชั่นต่างกันอย่างไร)

มา จำกัด เราไว้แค่มิติเดียว การบูรณาการ Monte Carlo หมายความว่าเราประมาณค่าอินทิกรัล

I=01dxf(x)

ใช้ประมาณการ

E=1Ni=1Nf(xi)

กับคะแนนสุ่มกระจายอย่างสม่ำเสมอ กฎหมายจำนวนมากทำให้แน่ใจว่าฉัน ความแปรปรวนตัวอย่างxi[0,1]EI

S2=1N1i=1N(f(xi)E)2

ใกล้เคียงกับความแปรปรวนของการกระจายที่เกิดจากFอย่างไรก็ตามถ้าไม่ได้เป็นสี่เหลี่ยมจัตุรัสเช่นอินทิกรัลของฟังก์ชันกำลังสอง diverges นี่ก็หมายถึงσ2ff

σ2=01dx(f(x)I)2=01dxf2(x)I2

ความหมายที่ยังแปรปรวน diverges

ตัวอย่างง่ายๆคือฟังก์ชั่น

f(x)=1x

ที่และ\I=01dx1x=2σ2=01dx(1x2)=[lnx2x]01

หากเป็นประโยคหนึ่งที่สามารถใกล้เคียงกับข้อผิดพลาดของค่าเฉลี่ยโดย , แต่ถ้าไม่สามารถรวมตารางได้หรือไม่σ2ESNσNf(x)


1
ฉันไม่เข้าใจ: คุณเริ่มจากการสังเกตว่าไม่มีมีความแปรปรวนแล้วถามว่าความแปรปรวนของค่าเฉลี่ยของพวกเขาจะเป็นตัวประมาณที่สมเหตุสมผลหรือไม่ - ความแปรปรวนที่ไม่มีอยู่จริง! หรือฉันจะอ่านผิดคำถามนี้อาจจะโดยการ "ประมาณการทางสถิติอิสระ" คุณมีบางที่แตกต่างกัน (อาจจะแข็งแกร่ง) ประมาณการของหนึ่งในใจ? Ei
whuber

ผมไม่ได้พูดไม่ได้มีความแปรปรวนเพียงว่าฉันไม่สามารถกำหนดความแปรปรวนสำหรับมันโดย 2 ดังนั้นคำถามคือฉันสามารถกำหนดข้อผิดพลาดได้หรือไม่และถ้าเป็นตัวเลือกที่สมเหตุสมผล โดยอิสระทางสถิติฉันหมายความว่าได้รับโดยใช้ตัวเลขสุ่มที่แตกต่างกันเช่นโดยใช้เครื่องกำเนิดตัวเลขสุ่มที่แตกต่างกัน (ฉันหวังว่านั่นจะเป็นคำที่ถูกต้องในเวลานั้น) ES2S¯2Ei
cschwan

โปรดอธิบายสิ่งที่คุณหมายถึงโดยที่ไม่สามารถ "กำหนดความแปรปรวนได้โดย " ฉันไม่สามารถทำให้ความรู้สึกของการนี้โดยใช้คำจำกัดความมาตรฐานความแปรปรวนและ 2 S2S2
whuber

ดีฟังก์ชั่นที่ไม่ได้เป็นตาราง integrable ดังนั้นหากผมไม่ผิดควรจะแตกต่าง หากเป็นกรณีนี้คำจำกัดความของไม่สมเหตุสมผลเลยใช่ไหม? โดยวิธีการของทฤษฎีขีด จำกัด กลางอย่างไรก็ตามจะยังคงมาบรรจบกับมูลค่าที่แท้จริงของอินทิกรัล แต่โดยไม่มีข้อผิดพลาดค่านี้เพียงอย่างเดียวทำให้รู้สึกไม่ S2S2E
cschwan

ขออภัยฉันตั้งใจจะพูดว่า "กฎของคนจำนวนมาก" แน่นอนไม่ใช่ CLT
cschwan

คำตอบ:


2

คุณสามารถใช้มาตรการมาตราส่วน / การกระจายอื่น ๆ เช่นช่วง interquantile ซึ่งไม่ได้รับผลกระทบจาก asymptotics หางและทำให้การรวมกำลังสองของสี่เหลี่ยมจัตุรัส ด้วยสิทธิประโยชน์เพิ่มเติมที่พวกเขามักจะแข็งแกร่งโดยทั่วไปอยู่แล้ว

เห็นได้ชัดว่าจะต้องใช้พวกเขากับ resampling / bootstrap ตามด้วยตัวประมาณค่าเฉลี่ยไม่ใช่โดยตรงกับผลลัพธ์ดิบจากการสุ่มตัวอย่าง MC ของฟังก์ชันก่อนเฉลี่ย คุณสามารถตรวจสอบ L-estimators ทั่วไปและปรับหนึ่งในนั้นเพื่อรวมสองขั้นตอนนี้เป็นหนึ่งในการปฏิบัติงาน แต่ทางจิตใจการแจกแจงทั้งสองจะไม่สับสนแม้ว่า PDF ตัวประมาณจะสืบทอดคุณสมบัติบางอย่างตามธรรมชาติ integrability)


+1 ฉันควรเพิ่มกฎจำนวนมากไม่จำเป็นต้องมีช่วงเวลาที่สองดังนั้นนี่เป็นคำแนะนำที่ดีอย่างสมบูรณ์
mpiktas

ขอบคุณสำหรับคำตอบ! ฉันต้องยอมรับว่าฉันอ่านข้อกำหนดเหล่านี้เป็นครั้งแรก แต่จากการค้นหาพวกเขาที่ WP ฉันคิดว่าคำตอบของคุณชี้ให้ฉันในทิศทางที่ถูกต้อง คุณหรือคนอื่นสามารถแนะนำบทความหรือหนังสือบางเล่มที่อธิบายรายละเอียดเพิ่มเติมได้หรือไม่
cschwan

ฉันสังเกตเห็นว่าบางทีคำตอบของฉันอาจไม่ชัดเจน เนื่องจากคุณกำลังจำลองคุณไม่จำเป็นต้องทำการ resampling / bootstrapping จริงๆแล้วในทางทฤษฎีคุณสามารถเพิ่มตัวอย่างใหม่เพิ่มเติมแทนและรับการกระจายเชิงประจักษ์สำหรับตัวประมาณค่าเฉลี่ย เฉพาะในกรณีที่ทรัพยากรมีความกังวลคุณสามารถคำนวณค่าเฉลี่ยและการสุ่มตัวอย่างบางส่วนได้ใหม่ แต่สถิติจะไม่น่าสนใจหากทำได้ดี ฉันไม่ใช่ผู้เชี่ยวชาญด้าน Boostrap ดังนั้นฉันจะให้คำแนะนำแก่ผู้อื่นเพียงแค่ต้องการชี้ให้เห็นว่าคุณจำเป็นต้องทำมากกว่าสูตรที่ตรงไปตรงมา มุ่งเน้นที่การวัดการกระจายก่อนเพิ่มประสิทธิภาพในภายหลัง
Quartz

ตัวประมาณค่าเฉลี่ยที่เสนอไม่มีความแปรปรวนแน่นอน มันไม่สำคัญว่าจะมีใครเพิ่มตัวอย่างเพิ่มเติมการกระจายเชิงประจักษ์ของตัวประมาณจะยังมีความแปรปรวนที่ไม่ จำกัด คุณสามารถยืนยันสิ่งนี้ด้วยการจำลองบางอย่าง
rajb245

1
แน่นอนในความเป็นจริงนั่นคือสิ่งที่ถูกกล่าวถึงและเหตุผลที่ว่าทำไมเราจะใช้การวัดการกระจายตัวอื่น
ควอตซ์
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.