蒙特卡洛方法剖析.ppt

蒙特卡洛模拟方法 蒙特卡洛模拟方法 Monte Carlo方法的发展历史 早在17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。从方法特征的角度来说可以一直追溯到18世纪后半叶的蒲丰（Buffon）随机投针试验，即著名的蒲丰问题。 Monte Carlo方法的发展历史 1777年，古稀之年的蒲丰在家中请来好些客人玩投针游戏（针长是线距之半），他事先没有给客人讲与π有关的事。客人们虽然不知道主人的用意，但是都参加了游戏。他们共投针2212次，其中704次相交。蒲丰说，2212/704=3.142，这就是π值。这着实让人们惊喜不已。 例.蒲丰氏问题 设针投到地面上的位置可以用一组参数（x,θ）来描述,x为针中心的坐标,θ为针与平行线的夹角,如图所示。 任意投针，就是意味着x与θ都是任意取的，x的范围限于［0，a/2］，夹角θ的范围限于［0，π］。 蒲丰氏问题数学基础 上述问题简图： 蒲丰氏问题数学基础 分析知针与平行线相交的充要条件是： 其中： 建立直角坐标系 ，上述条件在坐标系下将是曲线所围成的曲边梯形区域。由几何概率知： Monte Carlo方法的发展历史 Monte Carlo方法的发展历史 20世纪四十年代，由于电子计算机的出现，利用电子计算机可以实现大量的随机抽样的试验，使得用随机试验方法解决实际问题才有了可能。其中作为当时的代表性工作便是在第二次世界大战期间，为解决原子弹研制工作中，裂变物质的中子随机扩散问题，美国数学家冯.诺伊曼和乌拉姆等提出蒙特卡罗模拟方法.由于当时工作是保密的，就给这种方法起了一个代号叫蒙特卡罗，即摩纳哥的一个赌城的名字。用赌城的名字作为随机模拟的名称，既反映了该方法的部分内涵，又易记忆，因而很快就得到人们的普遍接受。 Monte Carlo方法的基本思想 蒙特卡罗方法又称计算机随机模拟方法。它是以概率统计理论为基础的一种方法。 由蒲丰实验可以知道，当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时。通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。这就是蒙特卡洛方法的基本思想。 Monte Carlo方法的基本思想 蒙特卡罗方法又称计算机随机模拟方法。它是以概率统计理论为基础的一种方法。 由蒲丰实验可以知道，当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时。通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。这就是蒙特卡洛方法的基本思想。 Monte Carlo方法的思想框图 Monte Carlo方法的框图实例 某投资项目每年所得盈利额A由投资额P、劳动生产率L、和原料及能源价格Q三个因素。 Monte Carlo方法的思想框图实例 随机数的定义及其性质 随机数的定义 用Monte Carlo方法模拟某过程时，需要产生各种概率分布的随机变量。最简单、最基本、最重要的随机变量是在［0，1］上均匀分布的随机变量。由该分布抽取的简单子样称为随机数序列，其中每一个体称为随机数。随机数属于一种特殊的由已知分布的随机抽样问题。随机数是随机抽样的基本工具。 ［0，1］上均匀分布（单位均匀分布），其分布密度函数为： 分布函数为： 随机数的定义及其性质 由于随机数在蒙特卡罗方法中占有极其重要的位置，我们用专门的符号ξ表示。由随机数序列的定义可知，ξ1，ξ2，…是相互独立且具有相同单位均匀分布的随机数序列。也就是说，独立性、均匀性是随机数必备的两个特点。 随机数具有非常重要的性质：对于任意自然数s，由s个随机数组成的s维空间上的点（ξn+1，ξn+2，…ξn+s）在s维空间的单位立方体Gs上均匀分布，即对任意的ai，0≤ai≤1，i=1,2,…,s 如下等式成立： 随机数的定义及其性质 其中P(M)表示事件M发生的概率。反之，如果随机变量序列ξ1, ξ2…对于任意自然数s，由s个元素所组成的s维空间上的点（ξn+1，…ξn+s）在Gs上均匀分布，则它们是随机数序列。 由于随机数在蒙特卡罗方法中所处的特殊地位，它们虽然也属于由具有已知分布的总体中产生简单子样的问题，但就产生方法而言，却有着本质上的差别。 产生随机数的方法 随机数表 物理方法 计算机方法 随机数表 随机数表是由0,1,2,…,9十个数字组成，每个数字以0.1的概率出现，数字之间相互独立。 方法：如果要得到n位有效数字的随机数，只需将表中每n个相邻的随机数字合并在一起，且在最高位的前