MonteCarlo抽样.pptVIP

3.3 直接抽样法(反函数法) 3.3 直接抽样法(反函数法) * 3.3 直接抽样法(反函数法) * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 3.3 直接抽样法（反函数法） （Sampling via Inversion of the cdf） 3.3.1 基本原理 3.3.2 连续型的随机变量的抽样 3.3.3 离散型的随机变量的抽样 3.3.4 几个典型的例子 * 3.3 直接抽样法(反函数法) * 3.3.1 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 * 3.3 直接抽样法(反函数法) * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 3.3 直接抽样法（反函数法） （Sampling via Inversion of the cdf） 3.3.1 基本原理 3.3.2 连续型的随机变量的抽样 3.3.3 离散型的随机变量的抽样 3.3.4 几个典型的例子 * 3.3 直接抽样法(反函数法) * 3.3.2 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： * 3.3 直接抽样法(反函数法) * 3.3.2 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 * 3.3 直接抽样法(反函数法) * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 3.3 直接抽样法（反函数法） （Sampling via Inversion of the cdf） 3.3.1 基本原理 3.3.2 连续型的随机变量的抽样 3.3.3 离散型的随机变量的抽样 3.3.4 几个典型的例子 * 3.3 直接抽样法(反函数法) * 3.3.3 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) * 3.3 直接抽样法(反函数法) * 3.3.3 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 * 3.3 直接抽样法(反函数法) * 3.3.3 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 * 3.3 直接抽样法(反函数法) * 第三章 从概率分布函数的抽样(Sampling from Probability Distribution Functions) Monte Carlo模拟 3.3 直接抽样法（反函数法） （Sampling via Inversion of the cdf） 3.3.1 基本原理 3.3.2 连续型的随机变量的抽样 3.3.3 离散型的随机变量的抽样 3.3.4 几个典型的例子 * 3.3 直接抽样法(反函数法)