Монте-Карло: стандартная ошибка среднего и требуемый объём
Численная оценка случайным моделированием тоже случайна. Её погрешность уменьшается как обратный квадратный корень числа независимых прогонов.
Перед началом: Среднее и дисперсия; Центральная предельная теорема.
Отделите цель от результата запуска
Пусть нужно оценить μ=E g(U), а независимые одинаково распределённые прогоны дают Yᵢ=g(Uᵢ) с конечной дисперсией σ². Оценка μ̂=ΣYᵢ/n несмещённа, её дисперсия равна σ²/n. Это ошибка моделирования при фиксированной вероятностной модели. Если сама модель неверна, увеличение числа прогонов не устранит систематическую ошибку постановки. Для интеграла на единичном отрезке равномерное U даёт именно среднее g(U); на другом интервале нужен множитель длины.
Для интеграла на [a,b] используют Y=(b−a)g(U) при равномерном U на этом интервале. Множитель длины входит и в среднее, и в стандартную ошибку.
Оцените стандартную ошибку
По данным используют выборочную дисперсию s²=Σ(Yᵢ−μ̂)²/(n−1) и MCSE=s/√n. При подходящих условиях центральная предельная теорема даёт приближённый интервал μ̂±z·MCSE. Он не является гарантированной детерминированной границей. Для индикаторного Y можно использовать биномиальную дисперсию p(1−p); верхняя оценка 1/4 даёт консервативное планирование масштаба ошибки. При редких событиях отсутствие успехов не оправдывает нулевую оценку неопределённости без дополнительного анализа.
Бюджет и зависимость прогонов
Чтобы уменьшить стандартную ошибку вдвое при прежней дисперсии, нужно примерно вчетверо больше независимых прогонов. Фиксированный seed делает запуск воспроизводимым, но не доказывает качество модели. Для зависимых выборок, например цепи MCMC, формула s/√n без поправки на автокорреляцию обычно неверна. Нужно оценивать долгосрочную дисперсию или эффективный объём. При адаптивной остановке по наблюдаемой ошибке также следует согласовать покрытие с правилом остановки, а не автоматически переносить фиксированный нормальный интервал.
Разобранная задача
Условие. После 400 независимых прогонов среднее равно 2,1, а выборочная дисперсия равна 9. Найдите MCSE, приближённую полуширину при z=1,96 и объём для целевой MCSE не выше 0,05 при той же дисперсии.
- Стандартное отклонение одного прогона s=3.
- MCSE=3/√400=3/20=0,15.
- Полуширина нормального приближения равна 1,96·0,15=0,294, интервал [1,806;2,394].
- Требование 3/√n≤0,05 даёт n≥(3/0,05)²=3600. Это план по пилотной оценке дисперсии, а не точная гарантия.
Ответ. MCSE=0,15; приближённый интервал [1,806;2,394]; плановый объём 3600 независимых прогонов.
Проверка. Объём увеличивается в девять раз, стандартная ошибка уменьшается в три раза: 0,15/3=0,05. Это согласуется с корневым законом.
Где легко ошибиться. Не делите стандартное отклонение на n вместо √n. И не называйте Monte Carlo-интервал границей ошибки исходной научной модели.
Проверьте понимание
Вопросы к этой главе
Почему увеличение прогонов не исправляет неверные входные распределения?
Прогоны всё точнее оценивают ожидание выбранной модели. Смещение самой модели относится к другой неопределённости.
Можно ли считать каждый шаг цепи независимым прогоном?
Только при доказанной независимости. В обычной MCMC последовательные значения зависимы, поэтому нужна поправка на корреляцию.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Joseph Kadane: Principles of Uncertainty
Joseph Kadane, Principles of Uncertainty, раздел 10.2, особенно antithetic variables: независимое моделирование и уменьшение дисперсии. Интегралы дисперсий в примере вычислены самостоятельно.