Анализ ошибок и оптимальное распределение выборок для случайной беспристрастной оценки: один термин оценки

arXiv: 261 030,3699v 1 Annuales Type: New Humber: Randomized Abstractive provision может быть весьма эффективным для приблизительного определения ожидаемых функций стохастических дифференциальных уравнений Однако на практике оптимальная вычислительная эффективность редко достигается из-за ошибок, возникающих в результате оценки параметров и их сокращения. Последствия этих ошибок для эффективности расчетов не изучены. В этой статье мы изучаем анализ ошибок и оптимальное распределение выборки для одного термина оценки. Если говорить конкретно, то при небольших предположениях в отношении расчетных параметров мы разрабатываем унифицированный анализ ошибок, который включает оба источника погрешностей и устанавливает соответствующие коэффициенты конвергенции для потери вычислительной эффективности. На основе этого анализа мы дополнительно изучаем вопрос об оптимальном распределении расчетного бюджета для оценки параметров и предлагаем несколько эффективных стратегий распределения выборок. Цифровые эксперименты подтверждают теоретические конвергенции и de