Вероятность и статистика · объяснение и практика
Почему изменение закона выборки требует весов плотностей
Почему более частая выборка из важной области требует весов, как проверить носитель предложения и чем несмещённость отличается от конечной дисперсии.

В теме Случайные процессы и имитация: углубление · Учебная карта
В маршруте Вычислительные и планируемые эксперименты · 10 тем
Главная мысль
Для интеграла I=∫g(x)dx можно выбирать X с плотностью q и усреднять g(X)/q(X), если q положительна там, где вклад g ненулевой. Вес компенсирует изменение закона выборки; без него получается другой интеграл.
Новый закон должен компенсироваться в каждом вкладе
Хотим вычислить I=∫₀¹x²dx. Вместо равномерных точек выберем плотность q(x)=2x на (0;1), которая чаще посещает большие x. Усреднять просто X² нельзя: при этом законе его ожидание равно 1/2, а не нужной трети. Правильный вклад равен X²/(2X)=X/2 почти наверное.
Проверка ожидания выполняется в новом законе: ∫₀¹(x/2)·2x dx=1/3. Множитель q сокращается внутри интеграла. В точке ноль он равен нулю, но и нужный вклад там нулевой, а отдельная точка не имеет массы. На существенной части носителя положительность предложения обязательна: пропущенную область нельзя вернуть большим весом в другом месте.
Проверяем, действительно ли уменьшилась ошибка
Для обычной равномерной оценки X² дисперсия одного вклада равна 1/5−1/9=4/45. При новом законе вклад X/2 имеет второй момент ∫₀¹(x²/4)·2x dx=1/8, поэтому его дисперсия равна 1/8−1/9=1/72. Для независимых n точек обе дисперсии оценки делятся на n.
Выигрыш появился благодаря согласованию предложения с растущим подынтегральным выражением. В одном конечном запуске результат всё ещё случайный. Например, точки 0,2 и 0,8 дают вклады 0,1 и 0,4 и среднее 0,25. Несмещённость означает правильное ожидание по повторным запускам, а не точный ответ каждого короткого набора.
Пример
Можно ли применять q(x)=2x к интегралу единицы на том же интервале?
Ожидание веса 1/(2X) будет равно единице, но второй момент содержит ∫₀¹1/(2x)dx и бесконечен. Формальная несмещённость здесь не даёт обычной конечной стандартной ошибки.
Поддержка и весовые хвосты проверяются до расчёта
Для ожидания по целевой плотности p вес имеет вид f(X)p(X)/q(X). Если q обращается в ноль на области ненулевого целевого вклада, равенство ожиданий нарушается. Даже при верном носителе слишком малое q в важных местах создаёт огромные редкие веса. Красивый результат запуска, не встретившего таких весов, может скрывать большую ошибку.
Нормирование наблюдаемых весов их случайной суммой — отдельный метод, обычно с конечным смещением. Его нельзя незаметно подставлять вместо простой несмещённой формулы с известной нормировкой. Полезный отчёт называет целевой закон, предложение, функцию вклада, число независимых выборов и условия существования хотя бы первого и второго моментов.
От чтения к действию
А теперь — вы
Частые вопросы
Зачем нужны веса, если важная область посещается чаще?
Именно из-за этого смещения частот. Без компенсации усреднение относится к предложению q, а не к исходному интегралу.
Достаточна ли несмещённость для обычной ошибки среднего?
Нет. Для стандартной дисперсионной оценки нужен конечный второй момент, который у весов может отсутствовать.
Углублённый разбор
Оптимальное важностное предложение: нулевая дисперсия и переменный знак
Оптимальное предложение важностной выборки пропорционально модулю целевого вклада. Нулевая дисперсия достигается лишь при постоянном знаке и известной нормировке такого предложения.
Перед началом: Ожидание, дисперсия и ковариация; Независимые выборки и взвешенные средние.
Определение и постановка
Для I=∫f(x)p(x)dx и предложения q оценочный вклад равен W=f(X)p(X)/q(X), X~q. Его второй момент равен∫f²p²/q.
Вывод и вычислительный критерий
Неравенство Коши — Буняковского даёт(∫|fp|)²≤(∫f²p²/q)(∫q). Последний множитель равен единице. Нижняя граница второго момента достигается при q*(x)=|f(x)p(x)|/∫|fp| на ненулевом носителе.
Минимальная дисперсия равна(∫|fp|)²−I². При неотрицательном f интеграл модуля совпадает с I, и каждый ненулевой вклад становится постоянным I. При смене знака абсолютная сумма больше модуля I, поэтому идеальное предложение всё равно оставляет разброс знаков.
Это теоретический ориентир. Если нормировочный интеграл заранее неизвестен и совпадает с искомым I, прямое использование идеального q может быть недоступно. Практическое предложение обычно лишь приближается к нужной форме и должно сохранять корректно вычисляемую нормировку.
Условия и границы вывода
Нули f не требуют обязательного положительного q, если целевой вклад там действительно равен нулю. Но q не может пропускать область ненулевого |fp| без изменения оценки.
Для знакопеременной функции предложение, пропорциональное самому fp, может стать отрицательным и поэтому не является плотностью. Модуль в оптимальной формуле существенен.
Снижение дисперсии также не отменяет цену генерации из нового закона. Если построение q требует дорогого предварительного решения, его стоимость нужно учитывать в сравнении с обычным Монте-Карло. Оптимальность здесь относится к математической дисперсии одного правильно взвешенного вклада, а не ко всем ресурсам программы.
Условие q>0 нужно только там, где fp ненулево. В точках нулевого целевого вклада идеальное предложение может иметь нулевую массу; значение отношения там не вычисляется при моделировании. Если нормирующая абсолютная сумма неизвестна, формула оптимума остаётся эталоном для сравнения, а не готовым способом получить неизвестный интеграл бесплатно.
Разобранная задача
Условие. Целевой закон равномерен на двух состояниях, f=(1,3). Постройте оптимальное q и сравните с f=(1,−3) при предложении по абсолютному вкладу.
- Для положительной функции ненормированные |fp| равны1/2 и3/2; после нормировки q=(1/4,3/4).
- Взвешенные значения равны(1·1/2)/(1/4)=2 и(3·1/2)/(3/4)=2. Дисперсия нулевая.
- Для функции(1,−3) предложение остаётся тем же, но вклады равны2 и−2.
- Их среднее равно−1, второй момент4 и дисперсия3.
Ответ. Положительный случай даёт постоянный вклад2; знакопеременный имеет минимальную дисперсию3.
Проверка. В первом случае I=2 и абсолютная сумма2, значит нижняя граница4−4=0. Во втором I=−1 при той же абсолютной сумме2, граница равна4−1=3; оба построения её достигают.
Где легко ошибиться. Идеальная важностная плотность не равна отрицательной подынтегральной функции: для вероятностного закона требуется модуль и нормировка.
Проверьте понимание
Вопросы к этой главе
Почему второй случай не стал точным?
Модуль вклада стабилизирован, но его знак остаётся случайным. Усреднение положительных и отрицательных масс необходимо для получения итогового интеграла.
Можно ли всегда использовать q* практически?
Нет. Генерация и точная нормировка могут быть столь же трудны, как исходный интеграл. Формула полезна как ориентир выбора приближённого предложения и нижняя граница дисперсии.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Art Owen: Monte Carlo, chapter 9
Веб-ридер дал timeout; PDF прочитан через urllib и pypdf. Проверены §9.1 оптимальная плотность, смена знака интегранда, §9.2 самонормировка и раздел эффективного размера выборки. Конечные примеры рассчитаны самостоятельно.
Эффективный размер весовой выборки и концентрация весов
Эффективный размер весовой выборки показывает концентрацию наблюдённых весов. Он является диагностикой, а не универсальной границей ошибки любого взвешенного среднего.
Перед началом: Ожидание, дисперсия и ковариация; Независимые выборки и взвешенные средние.
Определение и постановка
Для неотрицательных ненулевых в сумме весов w₁,…,wₙ часто используют ESS=(Σw)²/Σw². Через нормированные веса aᵢ=wᵢ/Σw это равно1/Σaᵢ².
Вывод и вычислительный критерий
Неравенство Коши даёт ESS≤n, а неотрицательность весов даёт ESS≥1. Равенство верхней границе получается при одинаковых положительных весах; приближение к единице означает почти всю массу в одном наблюдении.
Общий положительный множитель всех весов сокращается. Поэтому число описывает относительную концентрацию, а не общий масштаб ненормированных правдоподобий. Нельзя повысить ESS простым изменением единицы записи весов.
Связь с числом независимых наблюдений возникает лишь в специальных дисперсионных приближениях. Ошибка конкретной функции f зависит также от её значений и совместной структуры с весами. Два набора с одинаковыми весами могут иметь совершенно разный разброс оценённого функционала.
Условия и границы вывода
При всех одинаковых значениях функции взвешенное среднее точно равно этой константе, даже если ESS почти единица. Напротив, умеренный ESS не исключает редких важных состояний, отсутствовавших в текущем запуске.
Весовая нормировка случайной суммой образует самостоятельный оцениватель отношения. Его конечная несмещённость не следует из формулы ESS. Для одного наблюдения нормированный оцениватель равен просто f(X), независимо от величины ненулевого веса.
Данная диагностика также не учитывает последовательную зависимость повторённых частиц или марковских прогонов. Если один и тот же исход многократно скопирован с равными весами, формальное ESS велико, но независимой информации не прибавилось. Поэтому рядом с числом нужно указывать происхождение наблюдений и правило нормировки.
Число ESS диагностирует концентрацию весов, но не проверяет, посещена ли важная область пространства. Все наблюдённые веса могут оказаться одинаковыми после случайного пропуска редкого существенного режима. Поэтому большое ESS не является достаточным сертификатом точности, а сравнение функций при одинаковых весах показывает ещё и зависимость ошибки от интегранда.
Разобранная задача
Условие. Наблюдены веса(1,1,1,5). Найдите ESS и нормированное среднее при значениях функции(0,0,0,1). Объясните, почему ESS не задаёт ошибку этого среднего.
- Сумма весов равна8, сумма квадратов равна1+1+1+25=28.
- ESS=64/28=16/7, что лежит между1 и4.
- Нормированные веса равны(1/8,1/8,1/8,5/8); среднее функции равно5/8.
- Если при тех же весах все четыре значения функции заменить единицами, среднее станет точно1 при прежнем ESS=16/7.
Ответ. ESS=16/7, показанное взвешенное среднее5/8; абсолютную ошибку по одному ESS определить нельзя.
Проверка. Сумма квадратов нормированных весов равна28/64=7/16. Её обратная величина16/7 независимо подтверждает расчёт и инвариантность к общему масштабу.
Где легко ошибиться. ESS не является процентом точности и не сообщает, насколько близко наблюдённое значение к неизвестному целевому интегралу.
Проверьте понимание
Вопросы к этой главе
Что будет после умножения всех весов на100?
ESS и нормированное среднее не изменятся. Общий множитель сокращается и в нормировке, и в отношении суммы весов к сумме их квадратов.
Можно ли сравнивать разные функции только по ESS?
Нет. Оно использует только веса. Дисперсия функционала и возможное смещение оценивателя зависят от самой функции, предложения и зависимости наблюдений.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Art Owen: Monte Carlo, chapter 9
Веб-ридер дал timeout; PDF прочитан через urllib и pypdf. Проверены §9.1 оптимальная плотность, смена знака интегранда, §9.2 самонормировка и раздел эффективного размера выборки. Конечные примеры рассчитаны самостоятельно.
Защитная смесь предложений и верхняя граница веса
Редкое, но очень большое важностное отношение способно разрушить точность имитации. Защитная смесь включает сам целевой закон в предложение. Она даёт проверяемый предел весов и второго момента, хотя не обещает оптимальную дисперсию.
Перед началом: Условные вероятности и математическое ожидание; Частоты и поля таблицы.
Доля целевого закона страхует опору
Пусть p — нормированная целевая плотность, q — другое нормированное предложение. При 0<ε≤1 выбираем qε=εp+(1−ε)q и оцениваем μ=Eₚf обычным средним Z=f(X)p(X)/qε(X), где X∼qε. Если p доступна только с неизвестной нормировкой, эта обычная несмещённая конструкция напрямую недоступна; самонормированная оценка имеет другой анализ.
Неравенство qε≥εp обеспечивает покрытие всей целевой опоры и отношение w=p/qε≤1/ε там, где p>0. Само f не обязано быть ограничено: ограничены именно отношения плотностей. Для конечной дисперсии достаточно Eₚf²<∞, поскольку второй момент Z сравнивается с этим целевым моментом.
Предел весов превращается в предел риска
Подставляя плотность выборки, получаем E(Z²)=∫f²p²/qε≤Eₚ(f²)/ε. Следовательно, Var(Z)≤Eₚ(f²)/ε−μ². Для n независимых прогонов дисперсия среднего делится на n. Это предел для обычных весов с известной нормировкой, а не формула через случайный нормализованный ESS.
Точное равенство ожидания проверяется иначе: E(Z)=∫fp=μ. Уменьшение ε ослабляет защитную границу и позволяет больше доверять специализированному q. Увеличение ε приближает алгоритм к прямой выборке из p. Лучшее значение зависит от функции, качества q и цены его получения, а не определяется одной универсальной долей.
Безопасность не равна оптимальности
Предложение, забывающее важную область, после смешивания перестаёт давать бесконечное отношение там. Однако итоговая дисперсия всё ещё может превышать дисперсию прямой выборки из p. Граница ограничивает ущерб, не доказывает выигрыш. В многокомпонентном варианте в знаменателе должна стоять полная плотность фактически использованной смеси.
Если сначала случайно выбрать компонент, а затем делить только на его собственную плотность, получится другой алгоритм с другим покрытием и дисперсией. Аналогично, адаптация q по тем же наблюдениям требует условного доказательства. В данном расчёте p,q,ε фиксированы до основного прогона, что делает каждую нормировку и математическое ожидание однозначными.
Защищённая смесь на двух исходах
Условие. На двух исходах p=(1/2,1/2), f=(0,2), рискованное q=(99/100,1/100). Используйте защитную долю ε=1/2. Найдите максимальный вес и дисперсию одного важностного вклада.
- Плотность смеси равна qε=(149/200,51/200). Оба исхода теперь имеют заметную положительную вероятность.
- Отношения p/qε равны 100/149 и 100/51. Наибольшее 100/51 меньше универсального предела 1/ε=2.
- Вклад Z равен нулю на первом исходе и 200/51 на втором. Его среднее равно одному, второй момент — 200/51, дисперсия — 149/51.
- Без защиты важностный вклад был бы нулём или ста с вероятностями 99/100 и 1/100: его дисперсия равна 99. Прямая выборка из p даёт дисперсию f, равную одному. Защита сильно помогает плохому q, но всё ещё хуже прямой выборки.
Ответ. Максимальный вес равен 100/51, дисперсия защищённого вклада — 149/51. Общая граница второго момента даёт дисперсию не больше трёх.
Проверка. Полный двухточечный закон Z независимо подтверждает среднее и дисперсию. Целевой второй момент Eₚf²=2 даёт 2/(1/2)−1=3, действительно превышающие 149/51.
Где легко ошибиться. Предел 1/ε относится к весу, а не к самому f·w. Неограниченная функция может давать неограниченные вклады даже при идеально защищённом отношении плотностей; условие второго момента всё равно нужно проверить.
Проверьте понимание
Вопросы к этой главе
Нужна ли положительная плотность q везде?
Нет: целевой компонент покрывает области, где q равна нулю, если из p действительно можно выбирать. На этой области защитная доля и обеспечивает конечное отношение.
Почему не сообщить только ESS?
ESS готового набора весов не удостоверяет покрытие пропущенной области. Здесь получен предел из самой конструкции предложения, действующий до наблюдения выборки.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- He–Owen: Optimal mixture weights in multiple importance sampling
Вебом проверен индексированный первичный фрагмент о defensive component q₁=p и bounded density ratio. Прямой PDF дал timeout; полного чтения статьи нет. Собственная двухточечная задача и предел второго момента выведены напрямую.
Самонормированные веса: конечновыборочное смещение отношения
Когда нормирующая константа целевого закона неизвестна, отношение двух средних даёт полезную оценку. Однако несмещённость каждого среднего по отдельности не превращает их отношение в несмещённую оценку отношения ожиданий.
Перед началом: Условная вероятность; Точная арифметика.
Нормировка оценивается той же выборкой
На конечном пространстве пусть целевые ненормированные веса равны a(x)≥0, их сумма Z>0, а предложение q(x)>0 везде, где a(x)>0. Для независимых Xi~q зададим wi=a(Xi)/q(Xi). Целевое среднее функции f равно E_q(wf)/E_qw. Самонормированная оценка заменяет оба ожидания одной выборкой: Σwif(Xi)/Σwi. Общий неизвестный множитель a сокращается. При положительных весах оценка лежит между наблюдёнными значениями f.
Конечное смещение видно уже при одной точке
При N=1 и положительном весе числитель делится на тот же вес, поэтому результат просто f(X₁). Его ожидание соответствует предложению q, а не целевому закону. Если q отличается от цели и f различает эти законы, смещение немедленно ненулевое. При большом N законы больших чисел для числителя и знаменателя вместе с положительным пределом знаменателя дают состоятельность. Это не равенство ожиданий при каждом конечном N.
Нулевой знаменатель является отдельным событием
Если предложение допускает точки с a=0, вся конечная выборка может иметь нулевые веса. Тогда отношение не определено; правило поведения на этом событии нужно записать явно. Для анализа погрешности необходимы дополнительные моменты и контроль редких больших весов. Нормированные веса могут выглядеть ровными в неудачной выборке, которая вовсе не посетила существенную область цели. Поэтому оценочный effective sample size не доказывает автоматически отсутствие смещения или полноту покрытия поддержки.
Разобранная задача
Условие. На двух точках q=(1/2,1/2), a=(1,3), f=(0,1). Найдите целевое среднее, ожидание самонормированной оценки при N=1 и при N=2.
- Нормированная цель равна (1/4,3/4), поэтому истинное среднее f равно 3/4. Веса предложения равны два и шесть.
- При одной точке оценка совпадает с f выбранной точки, значит её ожидание равно 1/2.
- Для двух независимых точек четыре упорядоченные записи равновероятны. Оценки для AA,AB,BA,BB равны 0,3/4,3/4,1.
- Их среднее равно (0+3/4+3/4+1)/4=5/8. Смещение −1/8 сохраняется, хотя по модулю меньше, чем при одной точке.
Ответ. Цель равна 3/4; ожидания оценок равны 1/2 при одной точке и 5/8 при двух. Конечная нормировка создаёт смещение.
Проверка. Для N=2 число вторых точек K имеет Bin(2,1/2). Оценка равна 3K/(2+2K). Подстановка K=0,1,2 с массами 1/4,1/2,1/4 снова даёт 5/8, независимо проверяя перечисление упорядоченных записей.
Где легко ошибиться. Нельзя усреднить числители и знаменатели по всем возможным выборкам, затем разделить и назвать результат ожиданием оценки. Ожидание отношения и отношение ожиданий здесь различаются на конкретных конечных исходах.
Проверьте понимание
Вопросы к этой главе
Устранит ли увеличение всех a в десять раз смещение?
Нет. Общий множитель полностью сокращается в каждой реализованной оценке, поэтому её распределение и смещение сохранятся.
Почему состоятельность не противоречит примеру?
Она описывает предел при N→∞, а пример показывает N=1 и N=2. Последовательность смещённых конечных оценок может сходиться к правильной цели.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- CMU 10-708, Monte Carlo inference
Самонормированная важностная выборка как отношение взвешенных сумм при неизвестной нормировке.
Несколько предложений: balance weights и цена случайного выбора компоненты
Одну и ту же среднюю плотность можно реализовать случайными метками предложений или фиксированным числом точек от каждого. Общий знаменатель сохраняет несмещённость в обоих случаях. Но дисперсии различаются: фиксированный бюджет убирает колебание долей предложений, когда их средние взвешенные вклады неодинаковы.
Перед началом: Важностные веса и поддержка плотности; Закон полной дисперсии и независимые страты.
Знаменатель относится ко всему плану
Несколько фиксированных нормированных предложений qⱼ, независимые выборки с заранее заданными количествами nⱼ, N=Σnⱼ и cⱼ=nⱼ/N. Целевая функция интеграла g имеет покрытую опору и конечные вторые моменты.
Обозначим q̄(x)=Σcⱼqⱼ(x), H(x)=g(x)/q̄(x). От каждого qⱼ независимо получаем nⱼ точек и берём μ̂=N⁻¹ΣⱼΣᵢH(Xⱼᵢ). Среднее этой оценки равно Σcⱼ∫gqⱼ/q̄=∫g: сумма предложений в числителе сокращает общий знаменатель. Не требуется, чтобы каждое предложение отдельно покрывало весь интеграл.
Та же запись получается из balance weights wⱼ(x)=nⱼqⱼ(x)/Σnₖqₖ(x) в общей формуле суммирования вкладов. Если заменить знаменатель плотностью только породившей точку компоненты, получится иная оценка с другими требованиями к опоре. Если использовать доли, не совпадающие с фактическими nⱼ/N, приведённое доказательство также перестанет работать.
Фиксированные метки убирают межкомпонентный разброс
Пусть mⱼ=E_qⱼH и vⱼ=Var_qⱼH. Независимость точек даёт Var μ̂_det=N⁻¹Σcⱼvⱼ. В альтернативном плане каждая из N точек независимо выбирает метку J с вероятностями c, а затем X∼qⱼ. Получаются независимые точки из q̄ и Var μ̂_rand=Var_q̄H/N.
По полной дисперсии Var_q̄H=Σcⱼvⱼ+Σcⱼ(mⱼ−μ)². Поэтому разность двух дисперсий равна N⁻¹Σcⱼ(mⱼ−μ)²≥0. Это точное сравнение двух объявленных планов с одинаковыми предложениями, долями и знаменателем. Оно не доказывает оптимальность balance weights среди всех возможных весовых правил.
Одинаковая средняя плотность не означает одинаковую выборку
Отдельная случайно выбранная позиция детерминированного плана действительно имеет плотность q̄. Однако все позиции вместе не являются независимыми одинаково распределёнными наблюдениями из этой смеси: известны фиксированные количества точек каждого типа. Расчёт ошибки должен сохранять структуру независимых групп.
При равных mⱼ преимущество по этой формуле исчезает, хотя предложения могут быть разными. Если генерация из одной компоненты дороже, равенство числа точек ещё не означает равенство времени работы. Адаптивное изменение предложений требует условного анализа; здесь они выбраны до основного прогона, чтобы средние и дисперсии имели однозначный смысл.
Три состояния и по одной точке от двух предложений
Условие. Целевой закон равномерен на трёх состояниях, f=(0,1,3), g=p f. Предложения q₁=(1/2,1/3,1/6), q₂=(1/6,1/3,1/2). Сравните два независимых случайных выбора компоненты с планом, берущим ровно одну точку от каждой.
- При равных долях q̄=(1/3,1/3,1/3)=p. Поэтому H=g/q̄=f, а цель μ=(0+1+3)/3=4/3.
- Компонентные средние равны m₁=1/3+3/6=5/6 и m₂=1/3+3/2=11/6. Их среднее действительно 4/3.
- Внутри первой компоненты E H²=11/6, поэтому v₁=11/6−25/36=41/36. Во второй v₂=29/6−121/36=53/36.
- Фиксированный план имеет дисперсию (v₁+v₂)/4=47/72. Случайная смесь даёт Var_p f=14/9 на точку и 7/9 для среднего двух.
- Выигрыш равен 7/9−47/72=1/8. По формуле межкомпонентного разброса это [(5/6−4/3)²+(11/6−4/3)²]/4=1/8.
Ответ. Обе оценки имеют среднее 4/3. Дисперсии равны 47/72 при фиксированных метках и 7/9 при случайных; разность 1/8.
Проверка. Независимый перебор девяти пар состояний с вероятностями q₁(a)q₂(b) даёт среднее (f(a)+f(b))/2, его второй момент 175/72 и дисперсию 175/72−16/9=47/72.
Где легко ошибиться. Общая плотность смеси в знаменателе не позволяет считать фиксированные группы независимой одинаково распределённой выборкой из смеси при оценке ошибки.
Проверьте понимание
Вопросы к этой главе
Почему отдельная компонента может пропускать часть опоры?
Несмещённость проверяется после суммирования вкладов всех компонент, и покрытие требуется от q̄. Именно общий знаменатель делает такое объединение корректным.
Всегда ли фиксированный план строго лучше случайного?
Разность неотрицательна в объявленном сравнении, но строго положительна только при разных mⱼ с положительными долями. Это не сравнение со всеми другими предложениями или весовыми функциями.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Eric Veach: Robust Monte Carlo Methods for Light Transport Simulation, §9.2
Определяет многовыборочный план и balance heuristic с полной комбинированной плотностью. Здесь на отдельном конечном примере выведена разность дисперсий фиксированного и случайного распределения количества точек.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Как отбор под огибающей создаёт нужное распределение
Как огибающая и независимая равномерная проверка меняют закон принятой точки, почему неподходящую константу нельзя исправить обрезанием вероятности.
Открыть темуКак величина с известным ожиданием помогает оценить другую
Как центрированная величина с известным ожиданием сохраняет ответ и уменьшает разброс, зачем нужен коэффициент ковариации и чем опасна его подгонка на той же выборке.
Открыть тему