参读材料二 蒙特卡罗方法
本章目录 · 1 节
本章导读
【参读材料二 蒙特卡罗方法】从给定模型产生大量独立同分布样本,用样本统计量估计模型的期望、概率与积分。本材料保留五个例子;本次统一固定R种子20261119顺次运行,展示实际模拟估计和蒙特卡罗标准误,不强行复刻原书未给种子的随机数值。
【基本原理与误差】若E|h(X)|<∞,强大数定律给几乎处处。若还Var(h(X))<∞,标准误可估为/√n,通常随下降。误差缩小十倍约需样本数扩大百倍。模拟方法只回答所指定模型的问题,不能借增加模拟次数消除模型偏差。
【例1 金属板面积】X~U(2.9,3.1)、Y~U(1.9,2.1),相互独立,单位米。取两个独立均匀流,X=2.9+0.2U、Y=1.9+0.2V;若误用同一U则会引入相关、改变面积分布。精确E(XY)=3×2=6平方米;Var(XY)=E(X²)E(Y²)−36,给出理论误差基准。
【R代码】set.seed(20261119)
area <- runif(10000,2.9,3.1)*runif(10000,1.9,2.1)
mean(area)
sd(area)/sqrt(length(area))
本次估计5.99517970平方米,标准误0.00207046;以均值±1.96标准误给近似蒙特卡罗区间。原书6.000762是另一随机样本的估计,不能称精确值,也不能将新估计改成原数来伪造一致性。
【例2 两阶段装配时间】X为均值1小时的指数变量,Y~N(3,1),二者独立。T=X+Y,E(T)=4小时、Var(T)=2小时²。按原模型进行模拟,正态Y仍有小概率为负;如现实必须非负,要另定截断模型并重新计算,不能只删掉负样本却仍称同一模型。
【R代码】assembly <- rexp(10000,rate=1)+rnorm(10000,mean=3,sd=1)
hist(assembly,breaks=seq(-2,18,by=0.5),freq=FALSE)
event <- assembly>3.4 & assembly<4.2
mean(event)
sqrt(mean(event)*(1-mean(event))/length(event))
本次区间概率估计0.2437,标准误约0.004293。可由独立卷积精确核验:
原书该概率写成约0.62,和给定模型不一致,应改正。直方图应区分频数高度与概率密度,不能把一根柱高直接读成该区间概率。
【例3 正态平方正弦的期望】X~N(1,0.1²),求E[sin(X²)]。
【R代码】sinx <- sin(rnorm(1000,mean=1,sd=0.1)^2)
mean(sinx)
sd(sinx)/sqrt(length(sinx))
本次估计0.82490411、标准误0.00336446。这里平方须写成^2,不能沿用OCR成x2;标准差是0.1,不是0.01。还可用正态二次型复矩母函数作独立核验:
取虚部得约0.8297779114,根号取与σ²=0连续相接的支。这并非只能模拟、绝无解析核验的例子。
【例4 两独立标准正态之差的绝对值】独立、~N(0,1),则−~N(0,2),精确。
【R代码】absdiff <- abs(rnorm(1000)-rnorm(1000))
mean(absdiff)
sd(absdiff)/sqrt(length(absdiff))
本次估计1.10069849、标准误0.02621490。绝对值不能遗漏,否则差的期望为0;两组正态也不能用同一组样本相减。
【积分的均匀抽样表示】若U~U(a,b),且f可积,,估计量为。要估标准误,应将每个观测乘区间长度后再求样本标准差/√n。无限区间不能直接采用不存在的“全实轴均匀分布”。
【例5 余弦指数的积分】求。
【R代码】integral <- 2*pi*exp(cos(runif(1000,0,2*pi)))
mean(integral)
sd(integral)/sqrt(length(integral))
本次估计8.14729665、标准误0.16676764。精确值可用修正贝塞尔函数表示为2π(1)≈7.9549265210,作数值核验。原书7.75655是其特定模拟的结果,不是精确积分。
【可复现与解释】单独运行任一代码片段前重置种子,会改变后面消耗随机流的位置,因此不保证得到这里“顺次运行”的相同小数。须按五例顺序运行,保留软件版本;统计误差大小比尾数完全一致更重要。用模拟校验模型并显示误差,不能将模拟数据装作真实观测记录。
