蒙特卡罗积分

蒙特卡罗积分通过对随机样本点上的被积函数求平均值来估计定积分，将积分重构为期望的估计。

Definition

蒙特卡罗积分是通过将积分写成采样分布下函数的期望，并通过从该分布中抽取的样本均值来估计该期望，从而对积分进行近似。

Scope

本主题涵盖将积分表示为期望、朴素（粗略）蒙特卡罗估计量及其无偏性、根号n收敛速度及其维度独立性、通过样本标准差进行的误差估计，以及与确定性求积法的比较。方差缩减改进作为扩展内容在其他地方介绍。

Core questions

• 如何将任意积分表示为适合采样的期望？
• 为什么粗略蒙特卡罗估计量是无偏且一致的？
• 什么决定了根号n的误差率，以及为什么它与维度无关？
• 蒙特卡罗积分何时优于确定性求积法？

Key concepts

• 粗略蒙特卡罗估计量
• 无偏性
• 标准误差
• 维度独立性
• 采样密度

Key theories

积分即期望

将积分写成被积函数除以采样密度的期望，将积分转化为估计均值，而样本平均值可以无偏地估计该均值。

收敛速度和误差估计

中心极限定理给出了与样本量平方根成反比的标准误差，且与积分的维度无关，而求和项的经验标准差提供了可用的误差估计。

Clinical relevance

蒙特卡罗积分计算统计学和物理科学中出现的归一化常数、后验期望、边际似然和高维期望；其维度独立的误差率使其成为网格求积法不可行时的首选方法。

History

通过采样估计积分的想法可追溯到20世纪40年代洛斯阿拉莫斯的计算以及1949年Metropolis和Ulam的论文；随着计算能力的增长以及统计学家认识到其在高维问题上优于求积法的优势，它成为常规实践。

Key figures

• Stanislaw Ulam
• Nicholas Metropolis
• Christian P. Robert

Seminal works

• robert2004
• metropolis1949

Frequently asked questions

蒙特卡罗积分的准确性如何？

其误差随样本数量的平方根的倒数而减小，因此将样本量增加四倍可使误差减半。该估计量还附带一个内置的误差估计，来自被积函数值的样本标准差。

何时应优先选择蒙特卡罗积分而非标准求积法？

对于低维平滑积分，确定性求积法通常收敛更快。蒙特卡罗在高维问题中表现出色，因为网格的成本呈指数增长，但蒙特卡罗的误差率保持不变。