montecarlo模拟33直接抽样法反函数法-hepg.pptVIP

3.7 混合抽样法(mixed method) * * 3.7 混合抽样法 3.7 混合抽样法(mixed method) 抽样方法：r1,r2,r3是三个在[0,1]区间上均匀分布的随机数 1. 确定由哪一个f函数来抽取?：如果r1?1/(?1+?2)，选择f1(?), 否则选f2(?)； 2. 根据f1或f2抽取?：直接抽样法 3. 计算sin2?: 4.计算g(?), 如果 接受?， 否则返回到第一步 * * 3.7 混合抽样法 * 3.8 近似抽样法(列表法) * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 8.8 近似抽样法（列表法) 3.8 近似抽样法（列表法) 近似抽样法： 用近似的分布函数取代欲抽取的概率密度函数，一般是采用列表的形式将连续型的概率分布变成分离型的概率分布。 使用的场合： 概率密度函数的形式非常复杂，在模拟过程中进行计算需花费相当多的CPU时间; 概率密度函数无解析形式，只能用数值或曲线的形式表示。 * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 基本方法: 设概率密度函数：f(x), x?[a,b] 将区间[a,b]分成n个子区间，分点为 分点对应的函数值为: 对于每一个小区间，利用一简单的函数fa(x)来近似地表示原概率分布函数，并使fa(x)在该区间内的积分与f(x)在该区间内的积分相等，即俩者的概率相等。 利用f(x)计算每一个子区间的概率值 并计算f(x)的累积分布函数在xi处的值 ,并将F(xi)和xi存入数据表中; * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 抽样方法: 随机选择子区间:选取[0,1]区间内均匀分布的随机数r,找出满足 的子区间[xi-1,xi]; 根据fa(x)的特点,确定欲抽取的随机数?； 几点说明： 分点的选取: f0, f1, ..., fn应能充分反映f(x)的变化状况,即,在 f(x) 变化迅速的区域分点密一点,变化缓慢的区域分点稀一点. fa(x)的选取: 阶梯近似: 线性近似 二次曲线近似 样条函数近似 * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 阶梯近似 将fa(x) 取为阶梯函数，在每一个子区间中fa(x)都是均匀分布 * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 抽样方法： 选取[0，1]区间均匀分布的随机数ri; 找出满足下式的分点xj-1和xj: 欲抽取的随机数为： * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 线性近似 利用一系列的折线来近似原分布f(x)，即将fa(x)取为 其中C为归一化因子，使得每一子区间内原分布和近似分布的积分概率相等 * * 3.8 近似抽样法(列表法) 3.8 近似抽样法（列表法) 抽取r1,r2 找出满足下式要求的xj-1,xj 抽样方法： * * 3.8 近似抽样法(列表法) * 3.9 多维分布的抽样 * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 3.9 多维分布的抽样 3.9 多维分布的抽样 将一维分布的抽样方法推广到多维分布 设n维概率密度为 ， 的取值域为n维长方体 , 的极大值为M, 则 的随机数 的舍选法 抽取r′, ri ?U[0,1], i=1,2,…,n ?i = ai + (bi-ai)ri, i=1,2,…,n ? 舍选法用于多维抽样 * * 3.9 多维分布的抽样 混合抽样法用于多维分布的抽样 设多维随机变量概率密度函数 可表示为 式中 为任意多维概率密度函数，其随机数为 H( )?0的极大值为M，则f( )的随机数 可由下列方式抽取： 抽取r和 ? * * 3.9 多维分布的抽样 3.9 多维分布的抽样 条件密度法: 利用条件概率密度将多维模拟转化为一维模拟问题. 任意n维概率密度函数fn(x1,x2,…,xn)可表示为 fn(x1,x2,…,xn) = f(xn| x1,x2,…