Unità 29 - Intranet DEIBhome.deib.polimi.it/barletta/Lezione24.pdf · •Modifico l’esperimento...
-
Upload
nguyenkhuong -
Category
Documents
-
view
216 -
download
0
Transcript of Unità 29 - Intranet DEIBhome.deib.polimi.it/barletta/Lezione24.pdf · •Modifico l’esperimento...
Unità 29
Sommario• Simulazione Monte Carlo
• Simulazione di eventi rari• Importance sampling
• Calcolo di integrali
Bibliografia[Bel] 5.1, 5.2
[Ros] --
[Pap] --1
Problema originario
• Sia dato un evento . Qual è la probabilità di questo evento?
• Potremmo ripetere tante volte l’esperimento casuale in maniera indipendente, e registrare tutte le volte che si verifica l’evento
• Effettuo n prove , dove :
• Per la legge dei grandi numeri
Simulazione Monte Carlo
• Abbiamo imparato a generare esperimenti aleatori con un calcolatore
• Possiamo calcolare (stimare) qualsiasi statistica• Es: media campionaria, prob. di un evento A
• Sia g(X) una qualunque statistica della v.a. X. Stima di
tramite media campionaria:
dove sono dei campioni indipendenti generati da
• Legge dei grandi numeri:
Simulazione Monte Carlo
• Sia A un qualsiasi evento associato ad un esperimento aleatorio.
• Variabile aleatoria ausiliaria
dove
• Stima di Pr(A) tramite media campionaria:
dove sono dei campioni indipendenti generati da
• Legge dei grandi numeri:
Difficoltà nello stimare eventi rari
• Le stime migliorano al crescere del numero di prove n• Errore relativo nelle stima di Pr(A):
• Stimare eventi rari, cioè , diventa dispendioso
• È possibile ridurre n, senza alzare l’errore relativo?
Importance sampling
• È possibile ridurre n, senza alzare l’errore relativo? • Idea: devo fare in modo di aumentare Pr(A)
• Modifico l’esperimento aleatorio tale da rendere l’evento A più frequente
• Sia la ddp dell’esperimento aleatorio originale, e la ddp del nuovo esperimento tale che
Importance sampling
• Stima di Pr(A):
dove sono dei campioni indipendenti generati da
• Se si sceglie tale che A accade più spesso rispetto all’esperimento originale, allora si possono risparmiare molte prove, a pari qualità della stima
Esempio: stima della coda di una Gaussiana
• Sia , vogliamo una stima Monte Carlo di
• È una probabilità piccola:
• Per avere un errore relativo di stima pari a servono
campioni generati da Z
Esempio: stima della coda di una Gaussiana
• Modifichiamo la distribuzione da cui campionare:
• Stimatore importance sampling di :
• Con il nuovo modello l’evento accade molto frequentemente:
• Stimare con Matlab l’errore relativo al variare di n. Quanti campioni servono per avere un errore relativo di ?
Importance sampling
• Vantaggi• Metodo di facile applicazione
• Può abbassare di molto la varianza della stima, a pari n
• Oppure, può abbassare di molto n, a pari varianza della stima
• Svantaggi• Bisogna trovare una ddp da cui è semplice campionare
• Bisogna trovare una ddp per cui l’evento A accada più spesso
Calcolo di integrali
• Problema: calcolo di un integrale difficile da valutare• Funzioni integrali che non hanno una forma chiusa
• Integrali multidimensionali
• Idea: usare una stima Monte Carlo dell’integrale
• Stima di a media campionaria:
dove sono campioni generati da
Esempio: stima di
• L’area colorata in figura vale
• Si può stimare l’area colorata :• Lanciare punti casuali nel quadrato
• Contare quelli che cadono dentro l’area
• Algoritmo da ripetere n volte:1. Genero punto di coordinate , con e
2. Il punto cade in se
0 1
1