蒙特卡罗方法介绍及其建模应用PartI--.pptVIP

Monte-Carlo 方法介绍及其建模应用;课程说明;主要内容;蒙特卡洛方法介绍;蒙特卡洛起源与发展;模拟的概念;模拟的方法;蒙特卡洛（Monte Carlo）方法;MC的起源和发展;MC的起源和发展;MC的起源和发展; Buffon 试验;从而针线相交的概率为 根据上式，若我们做大量的投针试验并记录针与线相交的次数，则由大数定理可以估计出针线相交的概率p，从而得到? 的估计值。 ;function piguji=buffon(llength,mm) %llength 是针的长度 %mm 是随机实验次数 frq=0; xrandnum = unifrnd(0,0.5,1,mm); phi= unifrnd(0,pi,1,mm); for ii=1:mm if (xrandnum(1,ii)=(llength*sin(phi(1,ii))/2)) frq=frq+1; end end piguji=2*llength/(frq/mm); buffon(.6,1000) piguji = 3.1662 buffon(.6,10000) piguji = 3.1072 buffon(.6,100000) piguji = 3.1522 buffon(.6,1000000) piguji = 3.1386 buffon(.6,1000000) piguji = 3.1451 buffon(.6,1000000) piguji = 3.1418 buffon(.6,1000000) piguji = 3.1448 buffon(.6,1000000) piguji = 3.1405 buffon(.6,1000000) piguji = 3.1394;建立统计模型，主要特征参量方面要与实际问题或系统相一致，问题的解对应于模型中随机变量的概率分布或其某些数字特征 根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数，进而进行随机模拟实验 根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样（包括直接抽样、分层抽样、相关抽样、重要抽样等） 按照所建立模型进行仿真试验、计算，求出问题的随机解 统计分析模拟试验结果，给出问题的估计以及其精度估计。必要时，还应改进模型以降低估计方差和减少试验费用，提高模拟计算的效率。;蒙特卡洛模拟误差分析;蒙特卡洛模拟的理论基础;蒙特卡洛模拟的误差分析;蒙特卡洛模拟的误差分析;蒙特卡洛模拟的误差分析;蒙特卡洛模拟的效率分析;蒙特卡洛方法的特点;随机数的产生原理;常用分布的随机数生成;常用分布的随机数生成;常用分布的随机数生成;常用分布的随机数生成;一般分布随机数产生方法;逆变换法(直接抽样方法);[1]离散型分布;[1]离散型分布;function discreterandom=liti11(mm) Random=unifrnd(0,1,1,mm); for i=1:mm if (floor(6*Random(1,i)) ==6*Random(1,i)) Random(1,i)=6*Random(1,i); else Random(1,i)=floor(6*Random(1,i))+1; end end cdfplot(Random);[1]离散型分布;cdfplot(liti12(1000)) cdfplot(liti12(1000)+20) cdfplot(liti12(1000)+500);[2]连续分布; 在［a，b］上均匀分布的分布函数为： 则 (1) 由U(0,1)抽取u;指数分布为连续型分布，其一般形式如下： 其分布函数为： 则 (1) 由U(0,1)抽取u 因为1-u 也是(0,1)上均匀随机数，可将上式简化为 ; Randnum=（-2）*log(unifrnd(0,1,1,1000)); cdfplot(Randnum); 设X分布函数为F(x)，X1,…,Xn独立且与同分布，试;推广至相互独立的 n 个随机变量的情形：;需要指出的是，当X1,…,Xn相互独立且具有相同分布函数F(x)时, 常称;例7 设系统 L 由相互独立的 n 个元件组成，连 接方式为：;解: (1) ;例8 设Xi 分布函数为;逆变换法(直接抽样方法);逆变换法(复合抽样方法);逆变换法(特殊复合分布); 设Y为一离散型随机变量，它可能的取值为