第4讲 随机数的生成.pptVIP

一、MC 的起源和发展 Buffon试验 假设平面上有无数条距离为1的等距平行线，现向该平面随机投掷一根长度为 的针( )， 则我们可计算该针与任一平行线相交的概率。这里，随机投针指的是：针的中心点与最近的平行线间的距离 均匀的分布在区间 上，针与平行线的夹角 （不管相交与否）均匀的分布在区间 上。 因此，针与线相交的充要条件是 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 ，从而得到 的估计值。 针与线的位置关系： 二、MC 的原理 应用Monte Carlo方法求解工程技术问题可以分为两类： 确定性问题 随机性问题 思路 1、 针对实际问题建立一个简单且便于实现的概率统计模型，使问题的解对应于该模型中随机变量的概率分布或其某些数字特征，比如，均值和方差等。所构造的模型在主要特征参量方面要与实际问题或系统相一致的。 2、 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。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，再进行随机模拟试验。 3、 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）。 4、 按照所建立的模型进行仿真试验、计算，求出问题的随机解。 5、 统计分析模拟试验结果，给出问题的估计以及其精度估计。 6、 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。 收敛性: 由大数定律, Monte-Carlo模拟的收敛是以概率而言的． 误差: 用频率估计概率时误差的估计，可由中心极限定理，给定置信水平 的条件下，有： 模拟次数:由误差公式得 三、MC的应用举例 1、定积分的MC计算 随机投点法 样本平均值法 几种降低估计方差的MC方法 2、 系统的可靠性数值模拟计算问题 1、定积分的MC计算 事实上，不少的统计问题，如计算概率、各阶距等，最后都归结为定积分的近似计算问题。 下面考虑一个简单的定积分 为了说明问题，我们首先介绍两种求 的简单的MC方法，然后给出几种较为复杂而更有效的MC方法。 在计算积分上，MC的实用场合是计算重积分 其中 是 维空间的点，当 较大时，用MC方法比一般的数值方法有优点，主要是它的误差与维数 无关。 随机投点法 方法简述： 设 ，有限， ， ，并设 是在 上均匀分布的二维随机变量，其联合密度函数为 。则易见 是 中 曲线下方的面积。假设我们向 中进行随机投点，若点落在 下方，(即 称为中的，否则称为不中，则点中的概率为 。若我们进行了 次投点，其中 次中的，则用频率来估计概率 。即 。 那么我们可以得到 的一个估计 具体试验步骤为 求解定积分的算例 例 计算定积分 事实上，其精确解为 用随机投点法求解： 注 增加样本数目，可提高计算精度，但计算时间也会提高。 sjtdf(0,4,4,1000000) result = 7.2336 注1 随机投点法的思想简单明了，且每次投点结果服从二项分布，故 ，其中 注2 可证 是 的无偏估计。若用估计的标准差来衡量其精度，则估计 的精度的阶为 。 注3 这里，定积分的解，就对应我们选定的随机变量的概率值。 例 ? 的计算 1.单位圆的面积等于 ? 2. 3. 样本平均值法 基本原理：对积分 ，设 是 上的一个密度函数，改写 可见，任一积分均可以表示为某个随机变量（函数）的期望。由矩法，若有 个来自 的观测值，则可给出 的一个矩估计。 最简单的，若 ，有限，可取 。 设 是来自 的随机数，则 的一个估计为 具体步骤为 注 可证 是 的无偏估计。一般而言，样本均值法要比随机投点法更有效。 求解定积分的算例 例 计算定积分 事实上，其精确解为 样本平均值法求解： 注 增加样本数目，可提高计算精度，但计算时间也会提高。 ybjzf(0,4,4,1000) resu