정사각형이 아닌 통합 가능 기능을위한 Monte Carlo 통합


9

더 적절한 포럼으로 자유롭게 이동하지 않더라도 질문하기에 좋은 장소가되기를 바랍니다.

나는 Monte Carlo Integration으로 비 정사각형 통합 가능 함수 를 처리하는 방법을 꽤 오랫동안 궁금해했습니다 . MC가 여전히 적절한 추정치를 제공하지만 이러한 종류의 기능에 대해서는 오류가 돌이킬 수 없습니다 (발산?).

우리를 한 차원으로 제한합시다. 몬테카를로 통합은

I=01dxf(x)

견적을 사용하여

E=1Ni=1Nf(xi)

xi[0,1] 균일하게 분포 된 랜덤 포인트. 많은 수의 법칙은 EI 입니다. 표본 분산

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

f 에 의해 유도 된 분포 의 분산 σ2 를 근사합니다 . 그러나 f 가 제곱 적분이 아닌 경우 , 즉 제곱 함수의 적분이 갈라지면 이는 암시합니다.ff

σ2=01dx(f(x)I)2=01dxf2(x)I2

또한 분산이 분산됨을 의미합니다.

간단한 예는 함수입니다

f(x)=1x

있는 및 입니다.I=01dx1x=2σ2=01dx(1x2)=[lnx2x]01

경우 유한 한 평균의 오차에 근사 할 수있다 의해 , 그러나 만약 제곱 적분이 아닌가?σ2ESNσNf(x)


1
나는 그것을 얻지 못합니다 : 당신은 중 어느 것도 분산을 가지고 있지 점에서 시작 하여 평균의 분산이 존재하지 않는 분산의 합리적인 추정기인지 묻습니다! 아니면이 질문을 잘못 읽었을 것입니다. 아마도 "통계적으로 독립적 인 추정" 에 의해 적분을 생각하는 다른 (아마도 강력한) 추정기가 있습니까? Ei
whuber

나는 에 분산 이 없다고 말하지 않았고 의해 분산을 정의 할 수 없다고 만했습니다 . 따라서 문제는 내가 오류 를 전혀 정의 할 수 있는지 여부 와 가 합리적인 후보인지 여부입니다. 통계적으로 독립한다는 것은 가 다른 난수를 사용하여, 예를 들어 다른 시드 난수 생성기를 사용하여 는 것을 의미합니다 . ES2S¯2Ei
cschwan

" 의해 분산을 정의 할 수 없음"이라는 의미를 설명하십시오 . 분산 및 의 표준 정의를 사용하여이를 이해할 수 없습니다 . S2S2
whuber

글쎄, 함수는 제곱 적분이 아니므로 실수하지 않으면 가 분기 되어야합니다 . 이 경우 대한 정의 가 처음에는 의미가 없습니다. 그러나 중앙 한계 정리 를 통해 는 여전히 적분의 실제 값으로 수렴하지만 오류가 없으면이 값만으로는 의미가 없습니다 (이 결과가 '좋은'이유는 무엇입니까?). S2S2E
cschwan 2016 년

죄송합니다. 물론 CLT가 아니라 "많은 수의 법칙"을 말하려고했습니다.
cschwan 2016 년

답변:


2

꼬리 무증상 및 제곱 적분의 영향을받지 않는 interquantile range와 같은 다른 스케일 / 분산 측정을 사용할 수 있습니다. 어쨌든 그들은 일반적으로 더 강력하다는 추가 된 이점으로.

분명히 평균화하기 전에 함수의 MC 샘플링에서 얻은 원시 출력뿐만 아니라 리샘플링 / 부트 스트랩 다음에 평균 추정기에 적용해야합니다. 또한 일반적인 L 추정기에서이 두 단계를 하나의 성능으로 병합하도록 조정할 수 있지만 추정기 PDF가 자연스럽게 일부 특성을 상속하더라도 (두 개의 사각형이 포함 된 경우에도) 두 가지 분포를 혼동하지 않아야합니다. 통합 성).


+1, 나는 많은 수의 법칙이 두 번째 순간을 필요로하지 않는다는 것을 덧붙여 야하므로 이것은 완전히 좋은 조언입니다.
mpiktas

답변 주셔서 감사합니다! 나는 처음으로 그 용어들을 읽었 음을 인정해야하지만, WP에서 그 용어들을 살펴보면 당신의 대답이 올바른 방향으로 나를 가리 킵니다. 당신이나 다른 누군가가 주제를 더 자세히 설명하는 기사 나 책을 제안 할 수 있습니까?
cschwan

내 대답이 약간 불분명했음을 알았습니다. 시뮬레이션 중이므로 실제로 리샘플링 / 부트 스트랩 이 필요 하지 않으므로 이론적으로 새 샘플을 더 추가하고 평균 추정기의 경험적 분포를 얻을 수 있습니다. 자원이 중요한 경우에만 부분 평균을 미리 계산하고 다시 샘플링 할 수 있지만 통계가 제대로 이루어지면 사소하지 않습니다. 나는 boostrap 전문가가 아니므로 다른 사람들에게 그 조언을 남길 것입니다. 직선적 인 공식을 뛰어 넘을 필요가 있다면 지적하고 싶었습니다. 먼저 분산 측정에 집중하고 나중에 최적화하십시오.
Quartz

제안 된 평균 추정값에는 유한 분산이 없습니다. 샘플을 더 추가해도 상관 없습니다. 추정기의 경험적 분포는 또한 무한한 분산을 갖습니다. 몇 가지 시뮬레이션으로이를 확인할 수 있습니다.
rajb245

1
실제로, 그것이 논의되고있는 것과 또 다른 분산 측정을 사용해야하는 이유입니다.
Quartz
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.