我正在阅读 Simulation (2006, 4ed., Elsevier)
中的第 4.2 节作者:Sheldon M. Ross,介绍了通过逆变换方法生成泊松随机变量。
表示 pi =P(X=xi)=e^{-λ} λ^i/i!, i=0,1,...
和F(i)=P(X<=i)=Σ_{k=0}^i pi
分别是泊松的 PDF 和 CDF,可以通过 dpois(x,lambda)
计算和ppois(x,lambda)
在 R 中。
泊松逆变换算法有两种:常规版本和改进版本。
普通版步骤如下:
- 模拟观察
U
来自U(0,1)
. - 设置
i=0
和F=F(0)=p0=e^{-λ}
. - 如果
U<F
,选择X=i
并终止。 - 如果
U >= F
,获取i=i+1, F=F+pi
并返回上一步。
我编写并测试上述步骤如下:
### write the regular R code
pois_inv_trans_regular = function(n, lambda){
X = rep(0, n) # generate n samples
for(m in 1:n){
U = runif(1)
i = 0; F = exp(-lambda) # initialize
while(U >= F){
i = i+1; F = F + dpois(i,lambda) # F=F+pi
}
X[m] = i
}
X
}
### test the code (for small λ, e.g. λ=3)
set.seed(0); X = pois_inv_trans_regular(n=10000,lambda=3); c(mean(X),var(X))
# [1] 3.005000 3.044079
请注意 Poisson(λ)
的均值和方差都是λ
,所以常规代码的编写和测试是有意义的!
接下来我尝试了改进的,它是为大型λ
设计的。并根据书中描述如下:
常规算法需要生成
1+λ
搜索,即O(λ)
计算复杂度,当λ
时这很好。很小,而当λ
时可以大大改进很大。确实,因为泊松随机变量的均值
λ
最有可能采用最接近λ
的两个整数值之一,更有效的算法会首先检查这些值之一,而不是从 0 开始向上计算。例如,让I=Int(λ)
并递归确定F(I)
.现在生成泊松随机变量
X
平均值λ
通过生成随机数U
,注意是否X <= I
通过查看是否U <= F(I)
.然后从I
开始向下搜索 在X <= I
的情况下并从I+1
开始向上否则。据说改进后的算法只需要
1+0.798√λ
搜索,即具有O(√λ)
复杂性。
我尝试编写改进后的 R 代码,如下所示:
### write the improved R code
pois_inv_trans_improved = function(n, lambda){
X = rep(0, n) # generate n samples
p = function(x) {dpois(x,lambda)} # PDF: p(x) = P(X=x) = λ^x exp(-λ)/x!
F = function(x) {ppois(x,lambda)} # CDF: F(x) = P(X ≤ x)
I = floor(lambda) # I=Int(λ)
F1 = F(I); F2 = F(I+1) # two close values
for(k in 1:n){
U = runif(1)
i = I
if ( F1 < U & U <= F2 ) {
i = I+1
}
while (U <= F1){ # search downward
i = i-1; F1 = F1 - p(i)
}
while (U > F2){ # search upward
i = i+1; F2 = F2 + p(i)
}
X[k] = i
}
X
}
### test the code (for large λ, e.g. λ=100)
set.seed(0); X = pois_inv_trans_improved(n=10000,lambda=100); c(mean(X),var(X))
# [1] 100.99900000 0.02180118
从模拟结果看 [1] 100.99900000 0.02180118
对于 c(mean(X),var(X))
,这表明方差部分毫无意义。我应该怎样解决这个问题?
最佳答案
主要问题是F1和F2在循环内被修改并且没有重置,所以最终很大范围的U被认为是在中间。
第二个问题是在向下搜索时,使用的 p(i) 应该是原始 i,因为 F(x) = P(X <= x)。如果没有这个,代码就会因低U而挂起。
最简单的解决方法是开始 i = I + 1。然后“在中间”不需要 if 语句。
pois_inv_trans_improved = function(n, lambda){
X = rep(0, n) # generate n samples
p = function(x) {dpois(x,lambda)} # PDF: p(x) = P(X=x) = λ^x exp(-λ)/x!
`F` = function(x) {ppois(x,lambda)} # CDF: F(x) = P(X ≤ x)
I = floor(lambda) # I=Int(λ)
F1 = F(I); F2 = F(I+1) # two close values
for(k in 1:n){
U = runif(1)
i = I + 1
# if ( F1 < U & U <= F2 ) {
# i = I + 1
# }
F1tmp = F1
while (U <= F1tmp){ # search downward
i = i-1; F1tmp = F1tmp - p(i);
}
F2tmp = F2
while (U > F2tmp){ # search upward
i = i+1; F2tmp = F2tmp + p(i)
}
X[k] = i
}
X
}
这给出:
[1] 100.0056 102.2380
关于r - R 中泊松随机变量生成的改进逆变换方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/69596814/