Varianssin vähentäminen Monte Carlo -integroinnissa

Abstract

Monte Carlo -integrointi on yleisesti käytetty numeerinen menetelmä, jolla approksimoidaan integraaleja satunnaisotannan avulla. Sen käyttöä rajoittaa estimaattorin hidas suppeneminen ja suuri varianssi. Tässä kandidaatintyössä tarkastellaan Monte Carlo -integroinnin neljää varianssin pienentämismenetelmää. Työn tavoitteena on selvittää menetelmien vaikutuksia Monte Carlo -estimaattorin varianssiin havainnollisten esimerkkitapausten kautta, sekä tutkia miten niiden käyttäytyminen eroaa teoriasta käytännön simulaatioissa. Tutkimus toteutetaan soveltamalla varianssin pienentämismenetelmiä neljään testifunktioon MATLAB-ympäristössä. Luotettava vertailu varmistetaan useilla näytemäärillä ja simulaatioiden toistoilla. Arviointikriteerinä käytetään ensisijaisesti varianssien vertautumista perinteisen Monte Carlo -estimaattorin varianssiin.

Tuloksista huomataan, että varianssin pienentämismenetelmissä tehokkuuteen vaikuttaa olennaisesti integroitavan funktion ominaisuudet. Kontrollimuuttujamenetelmä osoittautui erityisen tehokkaaksi tapauksessa, jossa funktiolla oli vahva korrelaatio kontrollimuuttujan kanssa. Antiteettisten muuttujien menetelmä toimi parhaiten monotonisilla funktioilla, kun taas ositettu otanta suoriutui tasaisesti useissa eri tapauksissa. Painotetun otannan menetelmässä tulokset vaihtelivat eniten, ja todennäköisyystiheysfunktion valinta vaikutti menetelmän toimivuuteen oleellisesti. Tulosten perusteella toimivimman menetelmän valinta edellyttää tietoa integroitavan funktion ominaisuuksista, joiden perusteella valitaan optimaalinen menetelmä ja siihen sopivat parametrit. Tulokset havainnollistavat teoreettista tietoa Monte Carlo -integroinnista ja varianssin pienentämismenetelmistä, sekä tarjoavat käytännönläheisen vertailun niiden eduista ja rajoitteista.