Уменьшение дисперсии
В математике , точнее в теории методов Монте-Карло , уменьшение дисперсии — это процедура, используемая для повышения точности оценок , полученных для данного моделирования или вычислительных усилий. [1] Каждая выходная случайная величина моделирования связана с дисперсией , которая ограничивает точность результатов моделирования. Чтобы сделать моделирование статистически эффективным, т. е. получить большую точность и меньшие доверительные интервалы для интересующей выходной случайной величины, можно использовать методы уменьшения дисперсии.Основными методами уменьшения дисперсии являются
- обычные случайные числа
- противоположные варианты
- контроль варьируется
- выборка по важности
- стратифицированная выборка
- совпадение моментов
- условный Монте-Карло
- и квазислучайные величины (в методе квази-Монте-Карло )
Для моделирования с использованием «черного ящика» моделей подмножество моделирования и линейную выборку также можно использовать . Под этими заголовками представлены различные специализированные методы; например, при моделировании переноса частиц широко используются методы «весовых окон» и «разделения/русской рулетки», которые являются формой выборки по важности.
Моделирование сырой нефти Монте-Карло
[ редактировать ]Предположим, кто-то хочет вычислить со случайной величиной определенное в вероятностном пространстве . Монте-Карло делает это путем выборки iid . копии из а затем оценить через оценщик выборочного среднего
В более мягких условиях, таких как , будет применяться центральная предельная теорема , так что для больших , распределение сходится к нормальному распределению со средним и стандартная ошибка . Поскольку стандартное отклонение сходится только к по курсу , подразумевая, что необходимо увеличить количество симуляций ( ) в раз уменьшить вдвое стандартное отклонение , методы уменьшения дисперсии часто полезны для получения более точных оценок без необходимости очень большого количества симуляций.
Общие случайные числа (CRN)
[ редактировать ]Метод уменьшения дисперсии обычных случайных чисел — популярный и полезный метод уменьшения дисперсии, который применяется, когда мы сравниваем две или более альтернативные конфигурации (системы) вместо исследования одной конфигурации. CRN также называют коррелированной выборкой , согласованными потоками или согласованными парами .
CRN требует синхронизации потоков случайных чисел, которая гарантирует, что в дополнение к использованию одних и тех же случайных чисел для моделирования всех конфигураций определенное случайное число, используемое для определенной цели в одной конфигурации, используется для точно такой же цели во всех других конфигурациях. Например, в теории массового обслуживания, если мы сравниваем две разные конфигурации кассиров в банке, мы хотели бы, чтобы (случайное) время прибытия N -го клиента было сгенерировано с использованием одного и того же извлечения из потока случайных чисел для обоих. конфигурации.
Основной принцип техники CRN
[ редактировать ]Предполагать и — наблюдения из первой и второй конфигураций на j -й независимой репликации.
Мы хотим оценить
Если мы выполним n репликаций каждой конфигурации и позволим
затем и является несмещенной оценкой .
И поскольку 's - независимые одинаково распределенные случайные величины,
В случае независимой выборки, т. е. без использования общих случайных чисел, тогда Cov( X 1 j , X 2 j ) = 0. Но если нам удастся вызвать элемент положительной корреляции между X 1 и X 2 такой, что Cov( X 1 j , X 2 j ) > 0, из приведенного выше уравнения видно, что дисперсия уменьшается.
Также можно заметить, что если CRN вызывает отрицательную корреляцию, т.е. Cov( X 1 j , X 2 j ) < 0, этот метод может фактически иметь неприятные последствия, когда дисперсия увеличивается, а не уменьшается (как предполагалось). [2]
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Ботев З.; Риддер, А. (2017). «Уменьшение дисперсии». Wiley StatsRef: Интернет-справочник по статистике : 1–6. дои : 10.1002/9781118445112.stat07975 . ISBN 9781118445112 .
- ^ Хэмрик, Джефф. «Метод обычных случайных чисел: пример» . Демонстрационный проект Wolfram . Проверено 29 марта 2016 г.
- Хаммерсли, Дж. М.; Хэндскомб, округ Колумбия (1964). Методы Монте-Карло . Лондон: Метуэн. ISBN 0-416-52340-4 .
- Кан, Х.; Маршалл, AW (1953). «Методы уменьшения размера выборки в вычислениях Монте-Карло». Журнал Американского общества исследования операций . 1 (5): 263–271. дои : 10.1287/опре.1.5.263 .
- MCNP — Общий кодекс переноса N-частиц Монте-Карло, версия 5, отчет Лос-Аламоса LA-UR-03-1987