1、拉丁超立方抽樣從蒙特卡羅誤差估計中，我們可以看到，大多數 統計量的估計值的斂散性都與亠有關。特別的，對 y/N于均值的估計量，我們發現：而問題在于厶是否能被改善。值得注意的是蒙特卡 y/N羅方法的一個主要優點就是他的斂散性依賴于獨立的 隨機參數個數，而接下來我們將要看到的是一種完全 不同的抽樣方式：拉丁超立方抽樣（LHS）。但首先， 我們要先了解一下分層抽樣的相關內容。分層抽樣我們考慮一維的單個變量輸入問題：y = f（x）, x 是一個隨機變量。分層抽樣通過如下的步驟來進行：1）定義參與計算機運行的抽樣數目M2）將x等概率地分成若干個區域 "bin”，xo<xl<x2&

2、lt;xy<x<xn+l-<xN使得 P（xn<x<xn+1） = l:3）樣本一次落入哪一個bin屮取決丁該bin的概率密度函數，樣本0使得且概率為P（兀邸 VXV£）S,1N 1此時，均值的估計量可表示為:NW-刃27?=1等等分層抽樣的謀岸估計我們只考慮均值y的標準誤差，有：這里，同等于第i個bin中y的均值。（再_）等式右邊第一項同蒙特卡羅方法的標準誤差一樣，第 一項為附加項，它使方差變小。所以，較之基于隨機 抽樣的蒙特卡羅方法，分層抽樣降低了誤差的方差。多維分層抽樣對于有多個隨機變量的輸入，分層抽樣需要 將輸入的樣本空間等概率地化為N個區域，而

3、這操作 起來是很困難的。（注意：僅僅在每一維上等概劃分是 不行的）考慮一個二維的情形：2 bins2 bins假設珀，勺是均勻分布的（即二向同性的），則有：N =2x2 = 4 bins對于一般N”個bins,考慮一個d維輸入問題，我們發 現有：N=（Nj舉個例子，對于8維輸入且每維上有2個bins,N = 2S= 256 bins或者，每維有3個bins,TV =38 =6561 bins顯然，抽樣數目隨著每維bins的數目的增加而迅速增 加。拉丁超立方抽樣拉丁超立方抽樣是另一種多維分層抽樣方法，下 面我們介紹它的工作原理：1）定義參與計算機運行的抽樣數目M2）把每一次輸入等概率地分成N列，

4、xiO<xil<xi2<xi3-<xin且有 P（X <x<x+1） = -3）對每一列僅抽取一個樣本，各列中樣本bin的位置 是隨機的。N = 4個樣本 的2維問題X.k丄 *«*i.，亢U &二耳芒AJ）/相對于單純的分層抽樣，拉丁超立方抽樣的最大優勢 就在于任何大小的抽樣數目都能容易地產生。至于估計均值，通常的做法是：_1 Ny和孚的一般情況下，這種估計的標準誤差不能認為是對標準 蒙特卡洛抽樣方法的改進。但實際上，拉丁超立方抽 樣對均值和方差的估計和蒙特卡羅方法相比，在效果 上至少是一樣的，且常常會顯著改善。問題:因為拉丁超立方抽樣標準誤差的理論估計并不 是''貼緊”的，（例如：實際的均值遠好于由誤差估計 得到的值），邊界必然是很悲觀的。盡管一般來講誤差估計對于拉丁超立方抽樣不是很理想，但有個特別的例子表明拉丁超立方抽樣較Z蒙特卡羅方法有潛在的 改進。我們來看看這個例子：假設y是關于輸入變量的線性函數y 土小分別利/=1用蒙特卡羅抽樣和拉丁超立方抽樣方法，再對均值進 行估計，結果都是：y=£/（*）而標準誤差分別是：MC：LHS：拉丁超立方抽樣的標準誤差 1=蒙特卡洛抽樣的標準課差N2我們