Как оптимально распределить ничьи при расчете множественных ожиданий

9

Предположим, мы хотим вычислить некоторое ожидание:

EYЕИкс|Y[е(Икс,Y)]

Предположим, мы хотим приблизить это с помощью моделирования Монте-Карло.

EYEX|Y[f(X,Y)]1RSr=1Rs=1Sf(xr,s,yr)

Но предположим , что это дорого брать пробы из обоих распределений, так что мы только можем себе позволить сделать фиксированное число . К

Как мы должны выделить ? Примеры включают в себя ничьи для каждого распределения или в крайнем случае, одну ничью во внешнем и во внутреннем, и т. Д. .....К / 2 К - 1КК/2К-1

Моя интуиция говорит мне, что это будет связано с дисперсией / энтропией распределений относительно друг друга. Предположим , что внешняя одна точка массы, то деление , что сводит к минимуму MC ошибка будет ничья 1 из и нарисовать из . Y K - 1 X | YКYК-1Икс|Y

Надеюсь, это было ясно.

wolfsatthedoor
источник
Исправлено для вас
wolfsatthedoor
1
«Напротив» и ваш комментарий к ответу @ Xi'ans, кажется, указывают на то, что вы считаете возможным нарисовать внешнюю переменную больше раз, чем внутреннюю, но как это может иметь смысл - не все выходы, для которых прорисованы прорехи? 0
Юхо Коккала
Достаточно справедливо, я думаю, минимум один дро на внешнюю. Или вы могли бы подумать о программировании, чтобы сохранить ничью, я полагаю
wolfsatthedoor
1
@robertevansanders Пожалуйста, подтвердите правильность толкования вашего вопроса в первых двух предложениях ответа Сианя
Юхо Коккала
Как ты и сказал, да, но
поменяй

Ответы:

4

Это очень интересный вопрос с небольшим количеством документации в литературе Монте-Карло, кроме как в связи со стратификацией и Рао-Блэквеллизацией . Возможно, это связано с тем, что вычисления ожидаемой условной дисперсии и дисперсии условного ожидания редко осуществимы.

Во-первых, давайте предположим, что вы запускаете симуляций из π X , x 1 , , x R, и для каждого симулированного x r вы запускаете S симуляций из π Y | X = x r , y 1 r , , y s r . Ваша оценка Монте-Карло тогда δ ( R , S ) = 1рπИксx1,,xрxрSπY|Иксзнак равноИксрY1р,...,Ysр Дисперсия этой оценки разлагается следующим образом: var { δ ( R , S ) }

δ(R,S)=1RSr=1Rs=1Sf(xr,yrs)
Поэтомуесли ктохочетчтобы свестиминимуму эту дисперсию при выборе оптимальной являетсяР=К. Подразумевается, чтоS=1. За исключением случаев, когда первый член отклонения является нулевым, в этом случае это не имеет значения. Однако, как обсуждалось в комментариях, предположениеK=RSнереально, поскольку оно не учитывает производство одногоxr[или предполагает, что это приходит бесплатно].
var{δ(R,S)}=1R2S2Rvar{s=1Sf(xr,yrs)}=1RS2varXEY|X{s=1Sf(xr,yrs)|xr}+1RS2EXvarY|X{s=1Sf(xr,yrs)|xr}=1RS2varX{SEY|X[f(xr,Y)|xr]}+1RS2EX[SvarY|X{f(xr,Y)|xr}]=1RvarX{EY|X[f(xr,Y)|xr]}+1RSEX[varY|X{f(xr,Y)|xr}]=K=RS1RvarX{EY|X[f(xr,Y)|xr]}+1KEX[varY|X{f(xr,Y)|xr}]
рзнак равноКSзнак равно1Кзнак равнорSИкср

Теперь давайте предположим , различные затраты моделирования и бюджетное ограничение , а это означает , что у г s «s стоимости через несколько раз , чтобы смоделировать , чем х Г » с. Вышеуказанное разложение дисперсии составляет 1р+aрSзнак равнобYрsaИкср которое можно минимизировать вRкак R=b/1+{aEX[varY| X{f(xr,Y)| хр

1RvarX{EY|X[f(xr,Y)|xr]}+1R(bR)/aREX[varY|X{f(xr,Y)|xr}]
R [ближайшее целое число при ограничениях R 1 и S 1 ],исключениемкогда первая дисперсия равна нулю,в этом случае R = 1 . Когда E X [ var Y | X { f ( x r ,
R=b/1+{aEX[varY|X{f(xr,Y)|xr}/varX{EY|X[f(xr,Y)|xr]}}1/2
R1S1R=1 , минимальная дисперсия соответствует максимуму R , что приводит к S = 1 в текущем формализме.EX[varY|X{f(xr,Y)|xr}]=0RS=1

Отметим также, что это решение следует сравнивать с симметричным решением, когда внутренний интеграл находится в заданном Y, а внешний интеграл против маргинального в Y (предполагая, что моделирования также возможны в этом порядке).XYY

S(xr)xrvarY|X{f(xr,Y)|xr}

Сиань
источник
2
K=RSK=RS+Rxy
2
RXY К-1K/2Y K/2S=1
@ Сиань да Калькутта верна, ваше решение, как правило, не подходит. Предположим теперь, что внутренняя переменная имеет вырожденное распределение, а внешняя имеет значимую дисперсию, тогда вы захотите сэмплировать как можно меньше внутренних дро
wolfsatthedoor
Я думаю, что ваш ответ не может быть правильным. Предположим, что внутреннее распределение вырождено, а внешнее имеет большую дисперсию, как S может быть 1
wolfsatthedoor
varY|X{f(xr,Y)|xr}=0R=bRS1R(1+aS)bS=1Rb,
Сиань