关于蒙特卡罗方法的直观理解.docxVIP

关于蒙特卡罗的理解从不规则图形面积说起1.1趣闻曾听到过如下一个有趣的故事：当年某革命根据地欲算出其面积，因为根据地的边界极不规则，办事员犯了难，一个木匠用如下办法算得结果：把根据地图贴在一块厚度均匀且重量为W0的矩形木板上，由地图所标的比例尺不难算出该矩形木板所代表的实际面积（记为S）。然后用锯子沿不规则的界线锯出根据地，并秤得其重量（W1）。最后，根据地的实际面积是S×W1/W0。1.2用统计模拟方法计算不规则图形的面积——蒙特卡罗方法的基本思路下面我们介绍如何使用统计模拟方法来计算上述公式中的比值W1/W0，这时应把它理解为地图中根据地的图形面积与整张矩形图纸面积之比。首先在地图上建立二维坐标系统，原点放在左下角上，并记地图的x轴方向长度为a，而y方向长为b。设(x1，y1)，(x2，y2)，(x3，y3)，…，(x1，y1)是依次落在图上的n个服从均匀分布的随机点，其中有，几个落在根据地内.只要n足够大，则我们所需的比值可以通过m/n来估算。历史上，有人编制了长长的随机数表供需要者使用，每个随机数可看作是区间(0，1)上的均匀分布随机变量的一个抽样，各随机数之间被认为是相互独立的。设r1，r2，r3，r4…是这样的随机序列，可用如下公式把随机数列转换成我们所需的二维坐标序列:上面描述的便是古典蒙特卡罗方法求解问题的基本思路。如果真要从一本随机数表中逐个查出所需的随机数，必然很费时间，使解题规模和精度大受限制，从而防碍了方法的实际应用。电脑的出现，使MC方法的应用改观，电脑上可以通过调用一个专门的子程序(亦称随机数发生器)来产生区间(0,1)上均匀分布随机变量的抽样，称之为伪随机数(pseudo–randomnumber)，因为所得的数列虽然看起来随机，甚至能通过真正的随机数列应该通过的许多统计检验，毕竟它是由确定(而非随机)性的数学公式递推产生的。由于电脑上使用的几乎全是这类伪随机数，所以“伪”字常被略去。2．关于π值的计算——蒲丰试验Monte Carlo方法的最初应用，是解决蒲丰试验问题。1777年，法国数学家Buffon提出利用投针试验求解π的问题。设平面上有无数条距离为1的等距平行线，现向平面随机投掷一根长度为l（l≤1）的针。随机投掷是指针的中心点与最近的平行线间的距离x均匀分布在[0,1/2]上，针与平行线的夹角φ（不管相交与否）均匀分布在[0,π]上，如图。故其概率密度分别为故我们得到针与线相交的充要条件是则针与线相交的概率是所以得到圆周率假如我们能做大量的投针实验并记录下针与线的相交次数，则可以根据大数定律估计出针线相交的概率P 投针实验N次可能有n次使针与任意平行线相交，那么显然，试验次数N越多，P的近似程度越好。3一重定积分的计算不少统计问题，如计算概率各阶矩等，最后都归结为定积分的近似计算问题。考虑一个简单的定积分3.1随机投点法考虑以上积分，简单起见，设a、b有限，y=f(x)在[a,b]上连续非负，有0≤f(x)≤M。令并设（X,Y）是在Ω上均匀分布的二维随机变量，联合密度函数为则易见是Ω中曲线y=f(x)下方部分的面积（如上图所示）。随机投点法的思想是：向Ω中进行随机投点，若点落在y=f(x)下方成为中的，否则称为不中，则点中的的概率为，若进行了N次投点，其中n次中的，则得到θ的一个估计。例：计算积分a=0，b=1，令M=e我们取N=20，利用MATLAB编程计算所求积分值。u、v是我们分别利用均匀分布随机数产生器产生的服从均匀分布（0，1）的两个独立的20 1列向量，令x=u，y=Mv=e·v ，可得到如下计算结果：由上表可见，满足的个数为12，故得到所求积分的估值我们可以精确计算该积分的精确值θ=1.718，相对误差约为5%。3.2样本平均值法随机投点法中要求积分区间有界，并且被积函数有界，一般的，这两个限制条件并不一定满足，此时我们就要用样本平均值法。样本平均值法的原理是：考虑积分，设g(x)是(a,b)上的一个概率密度函数，将积分改写成为，可见任意一个积分都可以表示为某个随机变量（函数）的期望。根据矩估计法，若有n个来自g(x)的观测值，则课给出θ的一个矩估计。被积区间上下限均为有限数首先考虑最简单的a b均为有限数时，可取。设x1，x2，…xn是来自U(a,b)的随机数，则θ的一个估计为具体步骤为：1）独立的产生n个U(0,1)随机数u1，u2，…un2）计算和和3）计算θ的估计值。