Метод генерации случайных векторов с заданной функцией плотности распределения вероятностей

 
Код статьиS000523100001408-2-1
DOI10.31857/S000523100001408-2
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: Институт системного анализа ФИЦ ИУ РАН
Адрес: Российская Федерация, Москва
Аффилиация: Институт системного анализа ФИЦ ИУ РАН
Адрес: Российская Федерация, Москва
Аффилиация:
Институт системного анализа ФИЦ ИУ РАН
Российский университет дружбы народов
Адрес: Российская Федерация, Москва
Аффилиация: Институт системного анализа ФИЦ ИУ РАН
Адрес: Российская Федерация, Москва
Название журналаАвтоматика и телемеханика
ВыпускВыпуск 9
Страницы31-45
Аннотация

Предлагается метод генерации случайных независимых векторов, имеющих заданную непрерывную плотность  распределения с компактным носителем. Основным преимуществом предлагаемого метода является  гарантированность оценок погрешности генерации случайных векторов. Приводится иллюстративное экспериментальное сравнение предлагаемого метода с методом Метрополиса–Гастингса. 

Ключевые словагенерация случайных векторов; алгоритм Метрополиса–Гастингса
Источник финансированияРабота поддержана грантом Российского фонда фундаментальных исследований (проект № 16-29-12878)
Получено04.10.2018
Дата публикации11.10.2018
Кол-во символов383
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 494

Оценка читателей: голосов 0

1. Соболь И.М. Численные методы Монте-Карло. М.: Наука, 1973.

2. Rubinstein R.Y., Kroese D.P. Simulation and the Monte Carlo Method. New York: Wiley, 2008.

3. von Neumann J. Various techniques used in connection with random digits // Appl. Math. Ser. / National Bureau of Standards. United States Government Printing Office, Washington, DC, USA, 1951. V. 12. P. 36–38.

4. Metropolis N., Rosenbluth A.W., Rosenbluth M.N., Teller A.H., Teller E. Equation of state calculations by fast computing machines // J. Chem. Phys. 1953. V. 21. No. 6. P. 1087–1092.

5. Chib S., Greenberg E. Understanding the Metropolis–Hastings algorithm // Amer. Statist. 1995. V. 49. No. 4. P. 327–335.

6. Chib S., Jeliazkov I. Marginal likelihood from the Metropolis–Hastings output // J. Amer. Statist. Associat. 2001. V. 96. No. 453. P. 270–281.

7. Geweke J., Tanizaki H. Note on the sampling distribution for the MetropolisHastings algorithm // Commun. Statist. Theory Methods. 2003. V. 32. No. 4. P. 775–789.

8. Minh D. Understanding the Hastings algorithm // Commun. Statist. Simulat. Comput. 2015. V. 44. No. 2. P. 332–349.

Система Orphus

Загрузка...
Вверх