从单变量分布(逆变换,接受拒绝,Metropolis-Hastings等)中,我们有各种各样的随机生成方法,似乎我们可以从任何有效分布中采样-是这样吗?
您能否提供无法随机生成的单变量分布示例?我想这个不可能的例子不存在(?),所以说“不可能”是指计算量非常大的情况,例如,需要蛮力模拟,例如绘制大量样本以仅接受他们很少。
如果不存在这样的示例,我们是否可以实际证明可以从任何有效分布中生成随机抽奖?我只是很好奇是否存在反例。
从单变量分布(逆变换,接受拒绝,Metropolis-Hastings等)中,我们有各种各样的随机生成方法,似乎我们可以从任何有效分布中采样-是这样吗?
您能否提供无法随机生成的单变量分布示例?我想这个不可能的例子不存在(?),所以说“不可能”是指计算量非常大的情况,例如,需要蛮力模拟,例如绘制大量样本以仅接受他们很少。
如果不存在这样的示例,我们是否可以实际证明可以从任何有效分布中生成随机抽奖?我只是很好奇是否存在反例。
Answers:
如果您知道累积分布函数,则可以通过分析或数字方式将其反转,然后使用逆变换采样方法生成随机样本https://en.wikipedia.org/wiki/Inverse_transform_sampling。
定义。这将处理任何分布,无论是连续分布,离散分布还是任何组合。这始终可以通过数值方式解决,也可以通过解析方式解决。令U为来自以Uniform [0,1]分布的随机变量(即来自Uniform [0,1]随机数生成器)的样本。然后 ,如上定义的是来自具有分布的随机变量的随机样本。 ˚F - 1(Û )˚F (X )
这可能不是生成随机样本的最快方法,但是这是假定F(x)已知的一种方法。
如果F(x)未知,那就是另一回事了。
仅通过分布的矩生成函数或其特征函数,很少能找到从这些分布生成的方法。Φ (t )= E [ exp { i t X } ]
一个相关的例子是由 -stable分布组成的,该分布没有密度或cdf的已知形式,没有矩生成函数,但是具有封闭形式的特征函数。
在贝叶斯统计中,与难解的可能性相关的后验分布,或者仅仅是太大而无法放入一台计算机的数据集,都可以被视为无法(精确)模拟。
您能否提供无法随机生成的单变量分布示例?
如果您只想对随机变量进行采样,该随机变量的值可以合理地近似为64位浮点数,或者您对值的有限误差具有类似的容忍度,那么无论如何您都不会代表图灵机,请考虑以下几点:
-轴。我不确定哪个采样最困难,因此请选择您最不喜欢的一个;-)
假设“不可能”是指计算上非常昂贵的情况,例如,需要蛮力模拟,例如绘制大量样本以仅接受其中一些。
在这种情况下,显而易见的答案似乎很明显:
正式一点:我给您提供一个NP完全问题(或EXP完全等)的大型实例,并请您为我统一抽样解决方案集。
您可以轻松地检查任何给定的真值分配是否满足我的SAT实例,并检查所有结果后就知道是否有人满足,因此我通过给您一个布尔公式(或电路)来完全指定了CDF,但仍对相应的分布进行了采样实际上,您必须成为至少与SAT可解决性预言一样强大的工具。
因此,我给您提供了一个无可争议的数字,该数字应该会打乱您的齿轮,而CDF却给您带来了计算缓慢的麻烦。也许要问的下一个明显问题是这样的:是否存在以某种有效形式表示的CDF(例如,可以在多项式时间内求值),以致难以生成具有这种分布的样本?我不知道那个答案。我不知道那个答案。