精品第三章从概率分布函数的抽样(sampling from probability distribution functions).pptVIP

精品第三章从概率分布函数的抽样(sampling from probability distribution functions).ppt

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
精品第三章从概率分布函数的抽样(sampling from probability distribution functions)

Monte Carlo模拟 第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) 3.3 直接抽样法(反函数法) (Sampling via Inversion of the cdf) 基本原理 连续型的随机变量的抽样 离散型的随机变量的抽样 几个典型的例子 * 1. 基本原理 注意:pdf f(x)必须是归一化的 设y=F(x)为随机变量x的累积分布函数? x和y是一一对应的 先随机抽取y,然后通过求F(x)的反函数F-1(y)得到随机变量x的值 随机变量y在区间[0,1]上均匀分布? 利用[0,1]区间上均匀分布随机数产生器抽取 * Monte Carlo模拟 第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) 3.3 直接抽样法(反函数法) (Sampling via Inversion of the cdf) 基本原理 连续型的随机变量的抽样 离散型的随机变量的抽样 几个典型的例子 * 2. 连续型的随机变量的抽样 方法: 产生在[0,1]区间上均匀分布的随机数? = P?(0,1) ; 注:需要知道累积分布函数的解析表达式,且累积分布函数的反函数存在 P?(0,1): [0,1]区间上均匀分布的随机数 令F(x) = ?, 解方程得x: * 2. 连续型的随机变量的抽样 Since F-1 (ξ)=x, or ξ = F(x) Proof the Inverse Method The Mapping from x to ? is one-to-one. The probability for ? between value ? and d? is 1?d?, which is the same as the probability for x between value x and dx. Thus * Monte Carlo模拟 第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) 3.3 直接抽样法(反函数法) (Sampling via Inversion of the cdf) 基本原理 连续型的随机变量的抽样 离散型的随机变量的抽样 几个典型的例子 * 3. 离散型的随机变量的抽样 直接抽样法适应于离散型的随机变量 设离散型随机变量X的可能取值为x1, x2, …, xN, 其概率为 累积分布函数: 0 x1 xN-1 xN p1 p2 pN x2 pk xk-1 xk 0 x1 xN-1 xN x2 xk-1 xk 1 F(x) * 3. 离散型的随机变量的抽样 方法: 计算yk = yk-1 + pk,k = 2,3,…,N, y1 = p1 产生在[0,1]区间上均匀分布的随机数? = P?(0,1) ; 求满足yk-1 ? yk 的k值; 随机变量的第k个取值即为欲抽取的值。 0 x1 xN-1 xN x2 xk-1 xk 1 F(x) ? pk 0 x1 xN-1 xN p1 p2 pN x2 pk xk-1 xk * 3. 离散型的随机变量的抽样 证明: 0 x1 xN-1 xN x2 xk-1 xk 1 F(x) ? pk 0 x1 xN-1 xN p1 p2 pN x2 pk xk-1 xk 即:所产生的随机数的pdf为pk * Monte Carlo模拟 第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) 3.3 直接抽样法(反函数法) (Sampling via Inversion of the cdf) 基本原理 连续型的随机变量的抽样 分离型的随机变量的抽样 几个典型的例子 * 4. 几个典型的例子 p3=0.2 b3+c3 p2=0.3 b2+c2 p1=0.5 b1+c1 a? 例1、粒子衰变末态的随机抽样 设粒子a有三种衰变方式,其分支比如下 随机选取每次衰变的衰变方式(衰变道)?直接抽样法 ? = P?(0,1) * 4. 几个典型的例子 例2、二项式分布的抽样 方法1:利用上面介绍的直接抽样法,需计算累积分布函数,当n很大时,求和计算困难; 方法2:利用二项式分布的定义 产生n个? i?U[0,1]; 统计满足条件? i p(表示成功)的? i的数目r,则r表示在n次实验中成功的次数?r即为二项式分布的抽样值 * 4. 几个典型的例子 例3、泊松分布的抽样 方法1:利用直接抽样法,但计算累积分布函数时非常复杂 方法2:利用泊松分布的定义:二项式

文档评论(0)

rovend + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档