Simulation-计算统计——Monte Carlo
Monte Carlo Integration
- 找到原函数,再计算
- 无法找到原函数,MC积分
Assume that we can generate \(U_1, . . . , U_n \sim Uniform (0, 1)\), and define \(\hat \theta_n = \frac{1}{n} \sum_{i=1}^{n} g(U_i)\)
By law of large numbers, if \(\int_{0}^{1}|g(u)|du < \infty\), we have \(\hat \theta_n \rightarrow \theta := \mathbb{E}g(U) = \int_0^1 g(u)du \quad a.s. \quad n \rightarrow \infty\)
a.s. means almost surely:the set of possible exceptions may be non-empty, but it has probability 0.
bounded interval
Eg. Calculate \(\theta = \int_0^1 x^2 dx\)
n <- 100
set.seed(1)
x <- runif(n)
theta.hat <- mean(x^2)
theta.hat
求:\(\theta = \int_a^{b} g(t) dt\)
利用\(\int_a^bg(t)dt = (b-a)\int_a^b g(t)\frac{1}{b-a}dt = (b-a)\mathbb{E}g(Y)\), where Y~ Uniform(a,b)
所以我们可以:
- 先生成\(Y_1,...,Y_n \sim Uniform(a,b)\)
- \(\hat \theta_n = (b-a) * \frac{1}{n} \sum_{i=1}^n g(Y_i)\)
Eg. Calculate \(\theta = \int_1^4 x^2dx\)
n <- 100
set.seed(1)
x <- runif(n, min = 1, max = 4)
theta.hat <- (4 - 1) * mean(x^2)
theta.hat
Unbounded Interval
\]
Note that $$\Phi(x) = \mathbb{P}(Z \le x) = \mathbb{E}[I_{Z \le x}], \text{where } Z \sim N(0,1)$$
Therefore, we can estimate
\]
事件发生的概率等于它的示性函数的期望。
Eg. Calculate \(\Phi(x) = \int_{-\infty}^x \frac{1}{\sqrt{2\pi}}e^\frac{t^2}{2}dt\) (1) when x = 0.3. (2) when \(x = (x_1, ..., x_T)\)
#(1)
x <- 0.3
n <- 100
set.seed(1)
z <- rnorm(n)
mean(z < x) # estimate
pnorm(x) # true value by pnorm()
#(2)
Phi.hat <- function(x, n = 1000){
z <- rnorm(n)
return(mean(z < x))
}
x <- seq(0, 2.5, len = 5)
Phi.hat(x) #但是这样有问题,输出只有一个值
##原因是当向量和数进行比较的时候,向量的每一个元素会分别跟数比较;而向量和向量比较时,是对应元素进行比较。Be Careful!
round(pnorm(x), digits = 3) # true value
#(2)解决方法
probab <- numeric(5)
for(i in 1:5){
probab[i] <- Phi.hat(x[i])
}
probab
For General Distributions
Calculate \(\theta = \int_A g(x)f(x) dx\)
- 先选一个满意的\(f(x)\)
- 生成一组\(X_1,...,X_n\) 服从\(f(x)\) (上节课的知识)
- 计算\(\hat \theta_n = \frac{1}{n} \sum{i=1}^n g(X_i)\)
Eg. Calculate \(\int_0^{\infty} \frac{e^{-x}}{1+x^2}dx\)
可以把\(e^{-x}\)视作均值为1的指数分布的密度函数,由此可以生成X。
Law of Large Numbers
Let\(\xi_1,\xi_2...\) be a sequence of i.i.d. random variables with finite expected value,by \(\mu\). Let
\]
Then,
- Weak law of large numbers
\]
- Strong law of large numbers)
\]
Weak law of large numbers
Definition (Convergence in probability)
- Let \(\left(\bar{\xi}_n\right)_{n \geq 1}\) be a sequence of real-valued random variables defined on a probability space \((\Omega, \mathcal{F}, P)\).
- For any positive number \(\varepsilon\),
\]
- Then, we say \(\bar{\xi}_n\) converges in probability to \(\mu\), denoted by
\]
证明见老师ppt。
M <- 100000
n <- 100
eps <- 0.1
xi.bar <- numeric(M) # xi.bar[i] will record the sample mean of trial i
for (i in 1:M){
set.seed(i)
xi.vec <- sample(1:6, size = n, replace = TRUE)
xi.bar[i] <- mean(xi.vec)
}
mu <- 3.5
mean(abs(xi.bar - mu) > eps)
注意这里只跟n有关,m是试验数量。
如何从
Standard Error
估计这种积分形式的标准差。
如果能用数值解,就用数值解法。不知道分布的时候,可以用MC来估计。
\]
where \(f(x)\)is a p.d.f.
\]
, where \(X_i \sim f(x)\)
\]
现求\(Var(\hat\theta_n)\)
standard error:标准误差
- The variance can be calculated by
\]
where
\]
- However, \(\sigma^2\) is not known in general.
- We can use the estimated variance:
\]
- The estimated variance of \(\hat{\theta}_n\) is
\]
f(x) 是自己取的,{\(X_i\)}是根据f(x)生成的。n是MC取的样本数。
由前面的内容,
\]
Eg. Calculate \(\int_0^1 xdx\)
Choose f(x)=1, then g(x) = x, 然后可以代入公式计算。
Central limit theorems
重复生成如10000次\(\hat \theta_n\)(每一次都要投100次骰子,总的会投很多很多次骰子), 当n足够大时,$$P(\frac{\theta_n-\theta}{\sigma/\sqrt{n}}) \rightarrow \Phi(x)$$
Eg. Variance of Dice Rolling
sigma <- sqrt(35/12)
xi.bar.standardized <- (xi.bar - mu)/(sigma/sqrt(n))
hist(xi.bar.standardized, probability = TRUE)
By CLT(Central Limit Theorem) $$ P(-1.96 \le \frac{\hat \theta_n - \theta}{\sigma/\sqrt{n}}) \le 1.96 \sim 0.95 $$, So,$$ \hat{\theta}_n \in\left[\theta-1.96 \times \frac{\sigma^{\prime}}{\sqrt{n}}, \theta+1.96 \times \frac{\sigma}{\sqrt{n}}\right] . $$
但是\(\sigma\)不一定知道,可以用估计值代替,于是就有了t-分布。
- As \(\sigma^2\) is unknown in general, people usually use \(\hat{\sigma}^2\) to replace it in practice. In this case,
\]
So, by limit distribution,
\]
Eg. Dice Rolling
# student's t-distribution
M <- 100
xi.student <- numeric(M)
for (i in 1:M){
set.seed(i)
xi.vec <- sample(1:6, size = n, replace = TRUE)
xi.student[i] <- (mean(xi.vec) - 3.5) / (sd(xi.vec) / sqrt(n))
}
Note在n越来越大的时候,t分布会和normal越来越像。
M<-100
n<-200
u<-runif(n)
set.seed(1)
g <- numeric(M)
for (i in 1:M){
g[i]<-sin(u[i])^4*exp(-u[i])
theta<-g[i]
}
theta<-theta/M
theta
Variance and Efficiency
Definition (Efficiency)
Let \(\hat{\theta}_1\) and \(\hat{\theta}_2\) be two estimators of \(\theta\). We say \(\hat{\theta}_1\) is more efficient (in a statistical sense) than \(\hat{\theta}_2\) if
\]
Remark.
If the variances of estimators \(\hat{\theta}_1\) and \(\hat{\theta}_2\) are unknown, we can estimate efficiency by substituting a sample estimate of the variance for each estimator.
Antithetic variables (对照变量)
如果自己生成两个负相关的变量,然后就可以生成一个variance更小的变量。
- We can also use
\]
to estimate \(\theta\).
- Note that
\]
- If \(\hat{\theta}_1\) and \(\hat{\theta}_2\) are negatively correlated, then
\]
and hence,
\]
想要构造\(\hat\theta_1, \hat\theta_2\)
使得他们负相关。下面构造的\(X_i\)和\(\tilde X_i\)就是负相关的。
- If $$ \hat{\theta}1=\frac{1}{n} \sum^n g\left(X_i\right) $$
where
\]
- Assume that \(X_i\) is generated from the inverse transform method, then
\]
- If the function \(g\) is a monotone function, then
\]
- Therefore,
\]
is also an estimator of \(\theta\)
Eg.\(\int_0^1x^2dx\)
u<-runif(100)
theta1 <-mean(u^2)
theta2<-mean((1-u)^2)
theta<-mean(theta1,theta2)
theta
Eg. Normal distribution function
x <- 1
pnorm(1)
n <- 100
V <- runif(100, 0, 1)
V.tilde <- 1 - V
theta1 <- mean(exp(-V^2/2)*(1/sqrt(2*pi)))
theta2 <- mean(exp(-V.tilde^2/2)*(1/sqrt(2*pi)))
theta <- mean(theta1, theta2)
theta
控制方差的程度和g(x)有关,也就是和f(x)的选择有关,好的时候能控制到90%以下
Control variates
- Choose $$ c^*=-\frac{\operatorname{Cov}(g(X), f(X))}{\operatorname{Var}(f(X))} $$
- Therefore, the improved estimator is defined as
\]
where
\]
Eg. \(\theta = \int_0^1 e^u du\)
u <- runif(100)
gu <- exp(u)
theta.hat <- mean(gu)
fu <- u
mu <- 1/2
sample.cov <- cov(gu,fu)
sample.var <- var(fu)
c.star <- -sample.cov / sample.var
theta.star <- mean(gu) + c.star*mean(fu-1/2)
print(theta.hat)
print(theta.star)
这里取f(u)=u
Simulation-计算统计——Monte Carlo的更多相关文章
- 利用蒙特卡洛(Monte Carlo)方法计算π值[ 转载]
部分转载自:https://blog.csdn.net/daniel960601/article/details/79121055 圆周率π是一个无理数,没有任何一个精确公式能够计算π值,π的计算只能 ...
- Monte Carlo计算Pi,python实现
Monte Carlo import random import matplotlib.pyplot as plt import numpy as np 6 # 函数模拟点的随机掉落,并分为两组 de ...
- Markov Chain Monte Carlo Simulation using C# and MathNet
Math.Net Numerics has capability to conduct Markov Chair Monte Carlo simulations, yet the document i ...
- 蒙特卡罗(Monte Carlo)方法简介
蒙特卡罗(Monte Carlo)方法,也称为计算机随机模拟方法,是一种基于"随机数"的计算方法. 二 解决问题的基本思路 Monte Carlo方法的基本思想很早以前就被人们所发 ...
- Monte carlo
转载 http://blog.sciencenet.cn/blog-324394-292355.html 蒙特卡罗(Monte Carlo)方法,也称为计算机随机模拟方法,是一种基于"随机数 ...
- 蒙特卡罗方法、蒙特卡洛树搜索(Monte Carlo Tree Search,MCTS)初探
1. 蒙特卡罗方法(Monte Carlo method) 0x1:从布丰投针实验说起 - 只要实验次数够多,我就能直到上帝的意图 18世纪,布丰提出以下问题:设我们有一个以平行且等距木纹铺成的地板( ...
- Monte Carlo方法简介(转载)
Monte Carlo方法简介(转载) 今天向大家介绍一下我现在主要做的这个东东. Monte Carlo方法又称为随机抽样技巧或统计实验方法,属于计算数学的一个分支,它是在上世纪四十年代 ...
- 增强学习(四) ----- 蒙特卡罗方法(Monte Carlo Methods)
1. 蒙特卡罗方法的基本思想 蒙特卡罗方法又叫统计模拟方法,它使用随机数(或伪随机数)来解决计算的问题,是一类重要的数值计算方法.该方法的名字来源于世界著名的赌城蒙特卡罗,而蒙特卡罗方法正是以概率为基 ...
- Monte Carlo Approximations
准备总结几篇关于 Markov Chain Monte Carlo 的笔记. 本系列笔记主要译自A Gentle Introduction to Markov Chain Monte Carlo (M ...
- (转)Monte Carlo method 蒙特卡洛方法
转载自:维基百科 蒙特卡洛方法 https://zh.wikipedia.org/wiki/%E8%92%99%E5%9C%B0%E5%8D%A1%E7%BE%85%E6%96%B9%E6%B3%9 ...
随机推荐
- windows系统错误代码
0 操作成功完成. 1 功能错误. 2 系统找不到指定的文件. 3 系统找不到指定的路径. 4 系统无法打开文件. 5 拒绝访问. 6 句柄无效. 7 存储控制块被损坏. ...
- 常用的typedef 定义
今天开始学习VC++基础,系统编程栏目下都是WinAPI和MFC的内容,此为浏览博客园时学习的一篇文章,觉得很实用,拿来做笔记. 出处见最底部. 三行代码: typedef char CHAR ...
- win10edge浏览器个人账户退出登录后再次登录自动登录问题
edge浏览器退出登录后,再次点击登录以同步数据会自动登录,可查看书签等个人数据 解决方法: 先在浏览器里面退出账户. 1.设置--电子邮件和账户--管理 2.登录后--安全--安全仪表板--高级安全 ...
- C# 将实体转xml/xml转实体
xml转实体 /// <summary> /// 把xml转换成实体 /// </summary> /// <typeparam name="T"&g ...
- CSS pointer-events 属性
pointer-events 属性用于设置元素是否对鼠标事件做出反应. CSS 语法 pointer-events: auto|none; 属性值 属性值 描述 auto 默认值,设置该属性链接可以正 ...
- rosetta Resfile语法和约束
介绍 参考:https://www.rosettacommons.org/docs/latest/rosetta_basics/file_types/resfiles resfile包含输入到Pack ...
- Linux的文件权限管理
Linux文件权限管理介绍 一:Ubuntu 简介 1 .什么是Ubuntu Ubuntu是基于Debian开发的一个开源的Linux操作系统,Ubuntu这个名字名称来⾃⾮洲南部某种语言的一个词语, ...
- MySQL学习(十一)B树与B+树了解
参考博客:https://www.cnblogs.com/kismetv/p/11582214.html
- 同步协程的必备工具: WaitGroup
1. 简介 本文将介绍 Go 语言中的 WaitGroup 并发原语,包括 WaitGroup 的基本使用方法.实现原理.使用注意事项以及常见的使用方式.能够更好地理解和应用 WaitGroup 来协 ...
- Little Snitch 5 - Mac 老牌防火墙安全工具软件小飞贼,监控和组织特定软件的网络连接
一旦连接到Internet,应用程序就可以随时随地发送它们想要的任何东西.通常情况下,他们是为你做的.但有时,例如在跟踪软件.木马或其他恶意软件的情况下,它们不会.但你不会注意到任何东西,因为所有这些 ...