بررسی ویژگیهای مونت کارلوی جمعیتی

توضیحات

چکیده

روش
نمونه
گیری نقاط مهم همانند الگوریتم
های زنجیر مارکف مونت کارلو  (MCMC) قابل تکرار هستند، در حالی که این الگوریتم (نمونه
گیری نقاط مهم)  بستگی به نقطه
ی شروع ندارد. روش مونت کارلوی جمعیتی(Population Monte Carlo)شامل تولیدهای مکرر از نمونه
گیری نقاط مهم میباشد که توابع  مهم  (Importance functions) بکار رفته در آنها به نمونه
های مهم تولید شده
ی قبلی بستگی دارند. مزیت این روش بر الگوریتم
های MCMCاین است که  چارچوب این الگوریتم، در هرتکرار، نااریب است؛ بنابراین اجرای این الگوریتم میتواند در هر لحظه
ی زمانی متوقف شود. زیرا تکرارها، اجرای الگوریتم تابع مهم  (توزیع پیشنهادی) را بهبود میبخشند. بنابراین این امر منجر به یک روش نمونه
گیری مهم بهبود یافته و کاراتر میشود. ما در این مقاله این روش را روی مثال
های مختلف بررسی خواهیم کرد.

مقدمه

در این مقاله روشی را با نام مونت کارلوی جمعیتی(PMC)  ارائه خواهیم داد که ترکیب از روش
های زنجیر مارکف مونت کارلو، نمونه
گیری نقاط مهم و نمونه
گیری مجدد نقاط مهم م
یباشد. این روش از تمام مزایای هر یک از این روش
ها به صورت همزمان بهره میبرد. بنابراین ابتدا تعمیمی از روش نمونه
گیری نقاط  مهم را بیان نموده، سپس به معرفی روش
های مونت کارلوی دنباله
ای پرداخته و در نهایت مونت کارلوی جمعیتی را معرفی خواهیم کرد. الگوریتم مونت  کارلوی جمعیتی ،(PMC) یک روش نمونه
گیری نقاط مهم مکرر است، که در هر تکرار، یک نمونه
ی تقریبی شبیه
سازی شده از توزیع هدف و یک الگوریتم  تطبیق
پذیر که توزیع پیشنهادی را در طول تکرارها با توزیع هدف تنظیم میکند را تولید
میکند. بنابراین ریشه تئوری این روش درون نمونه
گیری نقاط مهم قرار  دارد و نه در ،MCMCکه علی رغم ویژگی های تکرارشده (که نااریبی حداقل بر حسب (۱/n) Oاست)، تقریب توزیع هدف همچنان در هر تکرار معتبر است و  به زمان
های همگرایی و قوانین توقف نیازی ندارد.

ABSTRACT

Method? Sampling important points, such as the Monte Carlo Markov chain algorithm (MCMC), can be repeated, while this algorithm (sampling of critical points) does not depend on the starting point. The Population Monte Carlo method involves frequent replication of sampling important points where the important functions (functions) used depend on the important prototypes produced. The advantage of this method on the MCMC algorithm is that the framework of this algorithm is unbiased in every sequence, so the execution of this algorithm can be stopped at any moment. Because repetitions improve the implementation of the important function (proposed distribution) algorithm. Therefore, this leads to an important sampling method that improves and becomes more efficient. In this article, do we give this method an example? We will review the different.

INTRODUCTION

In this paper, we present a method called the Democratic Monte Carlo (PMC), which combines the Monte Carlo Markov Chains method with sampling important points and examples. Reopening points are important. This method utilizes all the benefits of each of these methods simultaneously. So, first, we outline the generalization of the sampling method of the critical points, then introduce the sequence of Monte Carlo methods, and finally introduce the Monte Carlo population. The Monte Carlo Doppler Algorithm (PMC) is a frequent important sampling method, which, in each replication, is an approximate simulation of the target distribution and an adaptive algorithm that distributes the proposed distribution during repetitions Target setting. So the root of the theory of this method lies in the sampling of the critical points, and not in the MCMC, which, despite the repeated features (which is at least 1 / n) O, is the target distribution approximation valid for each repetition, and is the time? Convergence and stop rules do not require.

Year: 2012

Publisher :  Third Conference on Mathematical Finance and Applications

By : Gholamhossein Gholami, Ehsan Fayazi

File Information: Persian Language/ 10 Page / size: 192 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1391

ناشر : سومین کنفرانس ریاضیات مالی و کاربردها

کاری از : غلامحسین غلامی ,احسان فیاضی

اطلاعات فایل : زبان فارسی / 10صفحه / حجم : KB 192

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود