Metoda Monte Carlo
Transkrypt
Metoda Monte Carlo
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliz·anie ca÷ ek Powiedzmy, z·e mamy do policzenia nastepuj ¾ ac ¾ a¾ ca÷ ke: ¾ Z b f (x ) dx = I a Za÷ oz·my, z·e funkcja f (x ) jest tak skomplikowna, z·e nie jesteśmy w stanie policzyć tej ca÷ ki analitycznie Moz·emy, zastapić ¾ liczenie tej ca÷ ki liczeniem wartości oczekiwanej. Za÷ óz·my, z·e mamy pewna¾ zmienna¾ losowa¾ v 2 [a, b ] o znanej funkcji f (x ) gestości ¾ p ( ) i zde…niujmy η = p (x ) Wtedy: Z b f (x ) E (η ) = p (x ) dx = I p (x ) a Wykorzystujac ¾ Prawo Wielkich Liczb przy za÷ oz·eniu, z·e f (x ) Var p (x ) < ∞ Jerzy Mycielski () bI = η = N 1 N f (xi ) ∑ p (xi ) i =1 Metoda Monte Carlo p ! E (η ) = I grudzien 2012 2 / 10 Badanie w÷ asności estymatorów Za÷ oz·my, z·e znamy Proces Generujacy ¾ Dane (PGD) Za÷ óz·my, z·e PGD zalez·y od wektora parametrów θ b w ma÷ Chcemy znaleźć fomu÷ e¾ dla wartości oczekiwanej estymator β ej próbie Oznaczmy b = G1 (θ,T ) = ψ E β T1 b =E β b Var β ψT 1 b β ψT 1 = G2 (θ,T ) = ψT 2 gdzie T jest liczba¾ obserwacji b , Var β b oszacować dla Na postawie Monte Carlo moz·na E β znanego θ , T , ψT 1 = ψT 2 = Jerzy Mycielski () 1 N 1 N N ∑ βbi i =1 N ∑E i =1 b β i ψT 1 Metoda Monte Carlo b β i ψT 1 grudzien 2012 3 / 10 W÷ asności liczb pseudolosowych Istnieje szereg generatorów liczb pseudolosowych: najcześciej ¾ moz·na z nich uzyskać liczby losowe z rozk÷ adu jednostajnego Generator liczb losowych rozpoczyna generować liczby losowego wykorzystujac ¾ ziarno (seed). Ciag ¾ liczb pseudolosowych uzyskanych przy tym samym ziarnie jest zawsze ten sam Za pomoca¾ generatora liczb losowych z rozk÷ adu jednostajnego moz·na uzyskać takz·e zmienne z innych rozk÷ adów Jeśli zmienna η ma rozk÷ ad jednostajny, to zmienna ξ = F rozk÷ ad dany dystrybunata¾ F Jerzy Mycielski () Metoda Monte Carlo 1 (ε) ma grudzien 2012 4 / 10 Dla rozk÷ adu jednostajnego na przedziale [0, 1] x) = x Pr (ξ uzyskujemy przekszta÷ cajac ¾ Pr (ξ x ) = Pr (F (ξ ) F (x )) = Pr (ε poniewaz· ε = F (ξ ), skoro ξ = F F (x )) = F (x ) 1 (ε) W przypadku rozk÷ adu normalnego moz·na wykorzystać odwrotność rozk÷ adu badź ¾ przybliz·onie z centralnego twierdzenia granicznego ! 12 ξ= ∑ ηj 6 j =1 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 5 / 10 P÷ aszczyzny odpowiedzi G÷ ówny problem z eksperymantami Monte Carlo: wnioski dotycza¾ jedynie PGD określonego przez θ i T Moz·na przeporwadzić wiele eksperymentów, dla róz·nych θ i T ale w tym przypadku powstaje pytanie jak w syntetyczny sposób podsumować wnioski Rozwiazaniem ¾ sa¾ p÷ aszczyzny odpowiedzi de…niowane przez funkcje¾ ψTi = Hi (θ, T ) + vTi Funkcje te dopasowujemy do uzyskanych z Monte Carlo oszacowań ψTi Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 6 / 10 Forma funkcyjna Hi (θ, T ) powinna być dobrana tak, by dopasowanie by÷ o jak najlepsze Ca÷ kowity b÷ ad ¾ vTi p÷ aszczyzny odpowiedzi moz·na zdekomponować na b÷ edem ¾ pomiaru: v1Ti = ψTi ψTi przy czym E (v1Ti ) = 0 b÷ ad ¾ aproksymacji v2Ti = Gi (θ,T ) Jerzy Mycielski () Metoda Monte Carlo Hi (θ, T ) grudzien 2012 7 / 10 Forma funkcyjna p÷ aszczyzn odpowiedzi Forma Hi (θ, T ) powinna być tak dobrana, by wartości asympotyczne zgadza÷ y sie¾ wielkościami uzyskanymi z p÷ aszczyzny odpowiedzi dla T !∞ Typowa forma funkcyjna p÷ aszczyzny odpowiedzi dla wartości oczekiwanej H1 (θ, T ) β = γ01 I + γ11 gdzie φj ,1 sa¾ funkcjami θ, θ T , θ2 , k1 1 1 1 + γ21 I + ∑ γj +2,1 φj ,1 T T j =1 T 1 T , 1 T2 a I = plim b β β Jeśli γ01 = 0, to zarówno H1 (θ, T ) jak i G1 (θ, T ) da¾z·a¾ do prawdziwego β Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 8 / 10 Sposoby zwiekszania ¾ dok÷ adności Monte Carlo Znaleź parametry, które nie wp÷ ywaja¾ na wielkość statystyki (niezmienniczość) Moz·na to sprawdzić liczac ¾ wielkość statystyki dla kilku zbiorów parametrów ale tego samego zbioru liczb pseudolosowych Antytetyczne liczby pseudolosowe: b ψ e i estymator wymieszany za÷ óz·my, z·e mamy dwa estymatory ψ, b +ψ e taki, z·e E ψ = ψ ψ = 21 ψ wariancja estymatora ψ jest równa 1 Var ψ b + Var ψ e + 2 Cov ψ, b ψ e 4 b e jeśli Cov ψ, ψ < 0 to wariancja estymatora wymieszanego mniejsza od estymatorów pierwotnych czasami jesteśmy w stanie tak przekszta÷ cić zbiór liczb pseudolosowych conego zbioru jest ujemnie fεg, z·e estymator policzony dla przekszta÷ skorelowany z estymatorem ze zbioru oryginalnego w takim przypadku moz·liwe bedzie ¾ uzyskanie dok÷ adniejszych oszacowań najcześciej ¾ stosujemy zbiory fεi g i f εi g Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 9 / 10 zmienne kontrolne: za÷ óz·my, z·e znamy takie ψ , dla którego znamy E (ψ ) b i ψ sa¾ dodatnio skorelowane (ψ zachowuje za÷ óz·my ponadto, z·e ψ b sie¾ podobnie do ψ) e ψ zde…niujmy ψ = ψ E (ψ ) wtedy e + Var (ψ ) 2 Cov ψ, e ψ Var ψ = Var ψ e jeśli Cov ψ, e ψ i Var ψ < Var ψ Jerzy Mycielski () Metoda Monte Carlo > 1 2 Var (ψ ) grudzien 2012 10 / 10