非平方可积函数的蒙特卡洛积分


9

我希望这是一个正确的地方,如果不是随意将其移至更合适的论坛的话。

我一直想知道如何使用蒙特卡洛积分来处理非平方可积函数。我知道MC仍会给出适当的估计,但对于此类功能,错误是不可靠的(发散的?)。

让我们限制一个维度。蒙特卡洛积分意味着我们近似积分

一世=01个dXFX

使用估计

Ë=1个ñ一世=1个ñFX一世

X一世[01个]均匀分布的随机点。大数定律确保Ë一世。样本方差

小号2=1个ñ-1个一世=1个ñFX一世-Ë2

近似方差 σ2 引起的分布 F。但是,如果F 不是平方可积的,即平方函数的积分发散,这意味着

σ2=01个dXFX-一世2=01个dXF2X-一世2

这意味着方差也不同。

一个简单的例子是函数

FX=1个X

为此 一世=01个dX1个X=2σ2=01个dX1个X-2=[lnX-2X]01个

如果 σ2 是有限的,可以近似均值的误差 Ë 通过 小号ñσñ但如果FX 不平方可积?


1
我不明白:您从一开始就没有注意到 Ë一世有一个方差,然后问他们平均值的方差是否可以合理地估计那个不存在的方差!还是我误解了这个问题:也许通过“统计独立估计”,您对积分有一些不同的(也许是健壮的)估计量?
ub

我没说 Ë没有方差,只是我不能通过以下方式为其定义方差小号2。所以,问题是我是否能定义一个错误可言,如果小号¯2是一个合理的候选人。在统计上独立,我的意思是Ë一世使用不同的随机数,例如通过使用不同种子的随机数生成器(我希望那是正确的术语)来获得。
cschwan 2013年

请解释一下您无法通过“定义方差 小号2”。使用方差和 小号2
Whuber

好吧,这个函数不是平方可积的,所以,如果我没记错的话, 小号2应该发散。在这种情况下,小号2首先毫无意义,对吧?但是,借助中心极限定理,Ë仍会收敛到积分的真实值,但没有错误,仅此值是没有意义的(此结果有多“好”?)。
cschwan 2013年

抱歉,我的意思是说“大数定律”,而不是CLT。
cschwan 2013年

Answers:


2

您可以只使用其他尺度/离散度度量,例如分位数范围,而不受尾部渐近线和平方可积性的影响。附加的好处是,它们通常无论如何通常都更强大。

显然,应该将它们应用于平均采样器之后的重采样/自举,而不是直接应用于平均之前函数的MC采样的原始输出。您还可以检查一般的L估计量,并调整其中的一个以将这两个步骤合并为一个,以提高性能,但是即使估计量PDF自然会继承某些特征(包括可能缺乏方差),但从心理上讲,这两个分布也不应混淆可集成性)。


+1,我要补充一点,大数定律不需要第二刻,所以这是一个非常好的建议。
mpiktas 2013年

感谢您的回答!我必须承认我是第一次阅读这些术语,但是通过在WP中查找它们,我认为您的回答将我引向了正确的方向。您或其他人可以建议一些文章或书籍来详细解释这些主题吗?
cschwan 2013年

我现在注意到,也许我的答案还不清楚。由于您是在仿真,因此您实际上并不需要重采样/自举,因此从理论上讲,您可以仅添加其他新样本,并获得均值估算器的经验分布。仅当资源是一个问题时,您才可以预先计算部分平均值并重新采样'em,但是如果做得好,统计数据也不会是微不足道的。我不是boostrap专家,所以我会向其他人提供建议,只是想指出,如果您需要超越简单的表述。首先专注于分散措施,然后进行优化。
石英

提出的均值估算器没有有限方差。不管是否添加更多样本,估计量的经验分布也将具有非有限方差。您可以通过一些模拟来确认这一点。
rajb245

1
当然,实际上这就是讨论的内容,也是人们使用另一种分散措施的原因。
石英
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.