হিসাবে জর্জ Casella সঙ্গে আমাদের বইয়ে বিস্তারিত মন্টে কার্লো পরিসংখ্যানগত পদ্ধতি , এই পদ্ধতি নমুনা উত্পাদন করতে একটি প্রদত্ত বন্টন থেকে ঘনত্ব ব্যবহার করা হয় বলে, নয়তো এই ডিস্ট্রিবিউশন সম্পর্কে ধারণা পেতে, অথবা সঙ্গে সম্পর্কিত একটি ইন্টিগ্রেশন বা অপ্টিমাইজেশান সমস্যা সমাধানের জন্য চ । উদাহরণস্বরূপ, মান এটি ∫ এক্স জ ( এক্স ) চ ( এক্স ) ঘ এক্সচচ বা বিতরণের মোড জ ( এক্স ) যখন এক্স ~ চ ( এক্স ) বা এই বিতরণের একটি সমাংশক।
∫এক্সh ( x ) চ( x ) d xএইচ ( এক্স) ⊂ আর
এইচ ( এক্স)এক্স∼ চ( এক্স )
প্রাসঙ্গিক মানদণ্ডে আপনি উল্লেখ করেছেন মন্টি কার্লো এবং মার্কভ চেইন মন্টি কার্লো পদ্ধতির তুলনায় সমস্যাগুলির পটভূমি এবং সিমুলেশন পরীক্ষার লক্ষ্য নির্ধারণের জন্য একটি প্রয়োজন, যেহেতু প্রত্যেকের পক্ষে মতামত বিভিন্ন ক্ষেত্রে পরিবর্তিত হয়।
এখানে কয়েকটি জেনেরিক মন্তব্য রয়েছে যা অবশ্যই সমস্যার জটিলতাটি আবৃত করে না :
- গ্রহণ-প্রত্যাখ্যান পদ্ধতিগুলি থেকে আইডির নমুনা সরবরাহ করার উদ্দেশ্যে । এটি অর্জনের জন্য, একটি এমন একটি অ্যালগরিদম ডিজাইন করে যা ইনপুট হিসাবে এলোমেলো সংখ্যক ইউনিফর্মের পরিবর্তিত হয় u 1 , u 2 , … , এবং একটি মান x দেয় যা f থেকে উপলব্ধি হয় । অনুকূল হয় পদ্ধতি কোন পড়তা বলেও কিছু নেই; পরিণতি সত্যিই থেকে একটি IID নমুনা চ । কনস অনেক আছেন: (i) একটা খাম ফাইন্ডিং দ্বারা অ্যালগরিদম ডিজাইন চচতোমার দর্শন লগ করা1, U2, …এক্সচচচযে উত্পাদন করা যেতে পারে মানুষের সময় খুব ব্যয়বহুল হতে পারে; (ii) অ্যালগরিদম গণনার সময় অদক্ষ হতে পারে, অর্থাত্, একক উত্পাদন করতে অনেক ইউনিফর্ম প্রয়োজন ; (iii) এক্সের মাত্রা সহ এই অভিনয়গুলি হ্রাস পাচ্ছে । সংক্ষেপে, এই জাতীয় পদ্ধতিগুলি আর এর মতো কম্পিউটার ভাষায় ইতিমধ্যে উপলব্ধ না হলে চ থেকে এক বা কয়েকটি সিমুলেশন সিমুলেট করার জন্য ব্যবহার করা যাবে না unlessএক্সএক্সচ
- ( এক্সটি)টিচচচ
চ( x ) ∝ ∫জেডচ~( এক্স , জেড)) ডি জেড
( এক্সটি)টি( এক্সটি)টিএক্সটিটিচচটি
- ছ( এক্স )
চ( এক্স ) / ছ( এক্স )।
ছচছছচ
আমি= ∫এক্সh ( x ) চ( x ) d x,
আমি^= ∫এক্সh ( x ) চ(x ) d x
চ