Professional Documents
Culture Documents
T1 (10.4)
(A)
假设 由 采样获得,
如果
(B)
依然需要满足 因为上述证明过程中需要依赖
如果 无上界,则无法找到合适的 满足该条件。
T2
(1)取 ,因为,考虑到标准正态分布基本不可能超出
[-10,10]的范围,使用该范围的均匀分布作为 ,此范围内满足 。
代码:
a = rmynorm(1000)
b = a[1001] # 抽样次数,用于(4)小题,=8099
a = a[1:1000]
# 验证正态性
qqplot(a, rnorm(1000))
qqline(rnorm(1000))
# 求解
sum(a > 0 & a < 2) / 1000
结果为:0.479,基本符合预期。
(2)考虑到标准正态分布基本不可能超出[-10,10]的范围,使用该范围的均匀分布作为 。
# n_eff
1000/mean(w * w) #189.8226
结果为:0.4864142,基本符合预期。
(3)通过上述代码,可计算得到有效样本量189.8226
(4)
(1),(2)均是无偏的。
(1)中使用8099次抽样获得1000个有效样本;(2)中使用1000次抽样获得189.8226个有效样本。
同样使用[-10,10]的均匀分布作为 。相对而言,要获得同样数量的有效样本,(2)的效率更高,更倾
向选择(2)。
T3
(1)
考虑到相切于 即 在 时取到最大值
于是有
假设
带入 有
其中,
(2)结果为0.7050873。
rf <- function(n) {
y <- rep(0,n) # a vector to store the values that we will generate
c <- 2 * exp(1/8) # the 'c' in Acceptance-Rejection approach, i.e. f(x)
<=cg(x).
for(i in 1:n) {
accept <- F
while (!accept) {
x <- rexp(1, 0.5)
# 利用均匀分布生成0-2的指数分布
r <- exp(-x*x/2) / c / (0.5 * exp(-0.5 * x))
accept <- (runif(1) <= r & x < 2)
}
y[i] <- x
}
c(y)
}
a = rf(10000)
mean(a)
T4
结果为0.7136872。和T3结果较为接近。
weighted.mean(y, w)