ধরুন আমার একটি ফাংশন যা আমি একীভূত করতে চাই অবশ্যই ধরে নিচ্ছি শেষ পয়েন্টগুলিতে শূন্যে যায়, কোনও ব্লুপআপস নেই, দুর্দান্ত ফাংশন। আমি যেভাবে মুগ্ধ করে চলেছি তা হ'ল মেট্রোপলিস-হেস্টিংস অ্যালগরিদম ব্যবহার করে নমুনা এর বিতরণ আনুপাতিক থেকে , যা স্বাভাবিককরণের ধ্রুবকটি অনুপস্থিত missing যাকে আমি বলব এবং তারপরে এই উপর কিছু পরিসংখ্যান গণনা করব :
যেহেতু , আমি অবিচ্ছেদ্য থেকে বাতিল করার জন্য পরিবর্তে can form ফর্মের একটি অভিব্যক্তি তৈরি করতে পারি সুতরাং এই ক্ষেত্রের সাথে সাথে সংহত করে দেওয়া উচিত, আমার ফলাফল , যা আমি চাই উত্তরটি পেতে কেবল পারস্পরিক গ্রহণ করতে পারি। অতএব আমি আমার নমুনার পরিসর নিতে পারি (পয়েন্টটি সর্বাধিক কার্যকরভাবে ব্যবহার করতে) এবং আমি আঁকা প্রতিটি নমুনার জন্য ইউ (এক্স) = 1 / আর দিতে পারি let এইভাবে ইউ (এক্স)
আমি নমুনা ফাংশন জন্য আর এই পরীক্ষার চেষ্টা । সেক্ষেত্রে আমি নমুনা তৈরি করতে মেট্রোপলিস-হেস্টিংস ব্যবহার করি না তবে নমুনা তৈরি করতে প্রকৃত সম্ভাবনাগুলি ব্যবহার করি rnorm
(কেবলমাত্র পরীক্ষার জন্য)। আমি যে ফলাফলগুলি খুঁজছি তা আমি বেশিরভাগই পাই না। মূলত আমি যা গণনা করবো তার সম্পূর্ণ
ys = rnorm(1000000, 0, 1/sqrt(2))
r = max(ys) - min(ys)
sum(sapply(ys, function(x) 1/( r * exp(-x^2))))/length(ys)
## evaluates to 0.6019741. 1/sqrt(pi) = 0.5641896
ক্লিফাবের জন্য সম্পাদনা করুন
কারনেই আমি সীমার ব্যবহার শুধু সহজে একটি ফাংশন যে অঞ্চলে, যেখানে আমার পয়েন্ট বেশি নন-জিরো, কিন্তু যে সংহত সংজ্ঞায়িত হয় ব্যাপ্তির উপর । ফাংশনটির সম্পূর্ণ স্পেসিফিকেশন হ'ল: এই অভিন্ন ঘনত্ব হিসাবে আমাকে ব্যবহার করতে হবে না । আমি আরও কিছু ঘনত্ব ব্যবহার করতে পারি যা সংহত হয়েছিল , উদাহরণস্বরূপ সম্ভাবনা ঘনত্ব তবে এটি স্বতন্ত্র নমুনার তুচ্ছ অর্থাত্ সংশ্লেষ করে [ - ∞ , ∞ ] ইউ ( এক্স ) = { 1ইউ(এক্স)1পি(এক্স)=1
আমি এই কৌশলটি অন্য সংস্থাগুলির জন্য চেষ্টা করতে পারি যা সংহত করে । তবে, আমি এখনও এটি জানতে চাই কেন এটি অভিন্ন বিতরণের জন্য কাজ করে না।