Symula je, wykªad 4
Tomasz Rolski
I = IE Y
dla pewnej li zby losowej
Y
, takiej, »eIE Y 2 < ∞
.Y 1 , . . . , Y n bd¡ niezale»nymi replika jami
Estymator
Y ˆ n jest nieobi¡»ony t.j.
IE ˆ Y n = I
oraz mo no zgodny to zna zy z
prawdopodobie«stwem 1 za hodzi zbie»no±¢
Y ˆ n → I
o po i¡ga sªab¡ zgodno±¢, to zna zy, »e dla
ka»dego
b > 0
mamyPr(| ˆ Y n − I| > b) → 0.
Dla ka»dego
b
i li zby0 < α < 1
istniejen
(nasinteresuje najmniejsze naturalne) takie, »e
Pr( ˆ Y n − b ≤ I ≤ ˆ Y n + b) ≥ 1 − α.
A wi z prawdopodobie«stwem wikszym ni»
1 − α
szukana wielko±¢I
nale»y do przedziaªulosowego
[ ˆ Y n − b, ˆ Y n + b]
i dlategoα
nazywa sipoziomem istotno± i lub poziomem ufno± i.
Centralne twierdzenie grani zne, mówi, »e je±li
tylko
Y 1 , . . . , Y n s¡ niezale»ne i o jednakowym
rozkªadzie, to dla
n → ∞ Pr
n
X
j=1
Y j − IE Y σ Y √
n ≤ x
→ Φ(x)
(1)gdzie
σ Y = √
Var Y
orazΦ(x)
jest dystrybuant¡standardowego rozkªadu normalnego.
Nie h
z 1−α/2 bdzie α/2
kwantylem rozkªadu
normalnego tj.
z 1−α/2 = Φ −1 (1 − α 2 ).
Przeksztaª aj¡ otrzymujemy
Pr( ˆ Y n − z 1− α/2 σ Y
√ ≤ I ≤ ˆ Y n + z 1− α/2
S ˆ n
√ ) ≈ 1 − α .
Fundamentalny zwi¡zek
z 1− α/2 = b √ n σ Y
.
W teorii Monte Carlo przyjªo rozwa»a¢ si
α = 0.05
sk¡d
z 1−0 .025 = 1.96
σ Y 2
nie jest znane; wtedy zamiastσ Y 2
, bierzemynieob i¡»ony i mo no zgodny estymator warian ji
S ˆ n 2 = n − 2
n − 1 S ˆ n−1 2 + 1
n (Y n − ˆ Y n−1 ) 2
Mo»na udowodni¢ wariant CTG:
Pr
n
X
j=1
(Y j − IE Y ) S ˆ n √
n ≤ x
→ Φ(x)
sk¡d
Pr( ˆ Y n − z 1− α/2 S ˆ n
√ n ≤ I ≤ ˆ Y n + z 1− α/2
S ˆ n
√ n ) ≈ 1 − α .
Rekuren yjna metoda obli zania
Y ˆ n oraz S ˆ n 2
Algorytm
Y ˆ n = n − 1
n Y ˆ n−1 + 1 n Y n
i
S ˆ n 2 = n − 2
n − 1 S ˆ n−1 2 + 1
n (Y n − ˆ Y n−1 ) 2
dla
n = 2, 3, . . .
iY ˆ 1 = Y 1 S ˆ 1 2 = 0 .
Tabli a 1: Kwantyle standardowego rozkªadu nor-
malnego
Φ(u)
;β = 1 − α
.β
0.90 0.95 0.975 0.990 0.995z β 1.28 1.64 1.96 2.33 2.58
Metoda CMC
•
Przypu±¢my, »eI = IE Y
i
σ Y 2 = Var Y < ∞
.•
Nie hY 1 , . . . , Y n bd¡ niezale»nymi
zmiennymi losowymi o rozkªadzie jak
Y
(replika je).
•
WtedyY ˆ CMC = ˆ Y n CMC = 1 n
n
X
j=1
Y j
jest zgrubnym estymatorem Monte Carlo
(CMC).
• ˆ Y CMC jest estymatorem mo no zgodnym i nieob i¡zonym.
• Var ˆ Y CMC = σ Y 2 /n
.•
Przypu±¢my, »eI =
Z
B
k(x) dx,
gdzie
|B| < ∞
.•
Wtedy przyjmujemyY = k(V )
, gdzieV ∼
U(B
).•
Nie hY 1 , . . . , Y n bd¡ niezale»nymi zmiennymi losowymi.
•
WtedyY ˆ CMC = ˆ Y n CMC = 1 n
n
X
j=1
Y j
jest zgrubnym estymatorem Monte Carlo
(CMC).
Metoda hybiª traª
•
Estymator hybiª-traª (Hit 0r Miss) (HoM).Pomysª polega na przedstawieniu
I = IE Y
,gdzie
Y =
1(k(U 1 ) > U 2 ).
Jest bowiem o zywiste, »e
IE Y =
Z 1 0
( Z
k(u 1 )>u 2
du 2 ) du 1 =
Z 1 0
k(u 1 ) du 1 .
•
Wtedy dlaU 1 , . . . , U 2n obli
zamy replika
je
Y 1 , . . . , Y n sk¡d obli
zamy estymator
Y ˆ n HoM = 1 n
n
X
j=1
Y j .
zwanym estymatorem hybiª traª.
Metoda warstw
•
Jak zwykle h emy obli zy¢I = IE Y
.•
Przestrze« zdarze«Ω
rozbijamy nam
warstwΩ 1 , . . . , Ω m.
•
Nie hJ(ω) = j
je±liω ∈ Ω j. Nie
h
Y j = d (Y |J = j)
, tj.
Pr(Y j ∈ B) = Pr(Y ∈ B|J = j) = Pr({Y ∈ B} ∩ Ω j ) Pr(Ω j ) .
•
Ozna zmy prawdopodobie«stwo wylosowania warstwyp j = Pr(Ω j )
orazy j = IE Y j. Ze
wzoru na prawdopodobie«stwo aªkowite
IE Y = IE Y J = p 1 y 1 + . . . + p m y m .
• n
li zb¡ replika ji, któr¡ podzielimy naodpowiednio
n j replika
ji Y j w warstwie j
. Te
j
. Tereplika je w warstwie
j
s¡Y 1 j , . . . , Y n j j.
n = n + . . . + n
Nie h
Y ˆ j = n 1
j
P n j
i=1 Y i j
bdzie estymatoremy j
i de-niujemy estymator warstwowy
Y ˆ str = p 1 Y ˆ 1 + . . . + p m Y ˆ m .
•
Przypu± my, ze wiadomo jak generowaposz zególne
Y j
. Nie hσ j 2 = Var Y j
bdziewarian j¡ warstwy
j
. Zauwa»my, »e estymatorwarstwowy jest nieob i¡»ony
IE ˆ Y str = p 1 IE ˆ Y 1 + . . . + p m IE ˆ Y m
=
m
X
i=1
p i IE Y
1Ω i
p i
= IE Y = I.
Warian ja estymatora warstwowego
ˆ
σ str 2 = nVar ˆ Y str = p 2 1
n n 1
σ 1 2 + . . . + p 2 m n n m
σ m 2 .
Nie h dla
n → ∞
bdzien j /n → q j
. WtedyFAKT
√ n ˆ
σ str 2 ( ˆ Y str − I) → d
N(0, 1) .
Przyjmiemy teraz, »e
q j = p j
(aloka ja propor jonalna).Wtedy
n→∞ lim σ ˆ str 2 =
m
X
j=1
p j σ j 2 .
Z drugiej strony pamitaj¡ , »e
Y = d Y J
Var Y = Var Y J =
m
X
j=1
p j IE (Y j − I) 2
≥
m
X
j=1
p j IE (Y j − y j ) 2 =
m
X
j=1
p j σ j 2 .
poniewa» funk ja od
x
równaIE (Y j − x) 2
jestminimalna dla
x = IE Y j
.Okazuje si, »e optymalny dobór li zby replika ji
n j (to zna zy na warstwa h mozna wyli zy¢ w
nastepuj¡ ym twierdzeniu.
TW. Nie h
n
bdzie ustalone in 1 + . . . + n m = n
. Wa-rian ja
p 2 1 n n
1 σ 1 2 + . . . + p 2 m n n
m σ m 2
estymator warstwowegoY ˆ str
jest minimalna gdyn j = p j σ j
P m
j=1 p j σ j
n .
2n
zmienny h losowy hY 1 , Y 2 , . . . , Y 2n−1 , Y 2n,
•
Pary(Y i , Y i+1 ) i , i = 1, . . . , n
s¡ niezale»ne ojednakowym rozkªadzie,
•
Zmienne losowe(Y j ) 2n j=1 maj¡ ten sam
rozkªad jak
Y
.•
Zauwa»my, »e jesli bdziemy rozpatrywa¢estymator
Y ˆ anth =
P 2n j=1 Y j
2n
to jego warian ja