تکنیکهای کاهش واریانس برای شبیهسازی مونت کارلو
تکنیکهای کاهش واریانس خانوادهای از روشها هستند که با دستیابی به دقت تخمین یکسان با تعداد کمتری نمونهگیری تصادفی، کارایی شبیهسازی مونت کارلو را بهبود میبخشند. این خانواده که از دهه ۱۹۵۰ به تدریج توسعه یافته است — با واریانسهای پادهمنام (antithetic variates) که به همرسلی و مورتون نسبت داده میشود، واریانسهای کنترل (control variates) که توسط لاونبرگ و ولش فرموله شده است، و نمونهگیری اهمیت (importance sampling) که ریشه در کَهن و مارشال دارد — شامل واریانسهای پادهمنام (AV)، واریانسهای کنترل (CV)، نمونهگیری اهمیت (IS) و طبقهبندی (stratification) است که هر کدام از یک ویژگی ساختاری متفاوت کمیت هدف برای کاهش واریانس تخمینگر بدون ایجاد بایاس بهره میبرند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Ross, S.M. (2012). Simulation (5th ed.). Academic Press. ISBN: 978-0124158252
- Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer. DOI: 10.1007/978-0-387-21617-1 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Variance Reduction Techniques for Monte Carlo Simulation (AV, CV, IS). ScholarGate. https://scholargate.app/fa/simulation/variance-reduction-mc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شبیهسازی بوتاسترپشبیهسازی↔ compare
- زنجیره مارکوف مونت کارلو (MCMC)شبیهسازی↔ compare
- شبیهسازی مونت کارلوتصمیمگیری↔ compare
- معادلات دیفرانسیل تصادفی (SDEs)شبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →