概率统计中的Monte-Carlo-方法及其建模应用.pptVIP

**复杂概率模拟3.模拟框图初始化:i=0,k1=0,k2=0,k3=0i=i+1骰子点数?k1=k1+1k2=k2+1k3=k3+1k1=k1+1i＜mm?E=(k2+k3)/mm停止硬币正面?YNNY1，2，34，56**复杂概率模拟functionliti26(p,mm)efreq=zeros(1,mm);randnum1=binornd(1,p,1,mm);randnum2=unidrnd(6,1,mm);k1=0;k2=0;k3=0;fori=1:mmifrandnum1(i)==0k1=k1+1;elseifrandnum2(i)=3k1=k1+1;elseifrandnum2(i)==6k3=k3+1;elsek2=k2+1;endendefreq(i)=(k2+k3)/i;endnum=1:mm;plot(num,efreq)**复杂概率模拟liti26(0.5,2000)liti26(0.5,20000)**复杂概率模拟5.理论计算模拟结果与理论计算近似一致，能更加真实地表达实际战斗动态过程．**定积分的MC计算2**定积分的MC计算事实上，不少的统计问题最后都归结为定积分的近似计算问题!相对于其它方法，用MC方法比一般的数值方法有优点，主要体现在它的误差与维数m无关！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。**方法简述：设a，b有限，0f(x)M，?={(x,y):a?x?b，0?y?M},并设(X,Y)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y=f(x)曲线下方的面积假设我们向?中进行随机投点，则点落在y=f(x)下方的概率p,随机投点法**若我们进行了n次投点，其中n0次点落入y=f(x)曲线下方，则用频率n0/n来估计概率p。即那么我们可以得到?的一个估计**注1随机投点法的思想简单明了，且每n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。**求解定积分的算例例7计算定积分事实上，其精确解为用随机投点法求解：liti27(0,4,4,1000000)result=7.2336注：增加样本数目，可提高计算精度，但计算时间也会提高。functionresult=liti27(a,b,m,mm)%a是积分的下限%b是积分的上限%m是函数的上界%mm是随机实验次数frq=0;xrandnum=unifrnd(a,b,1,mm);yrandnum=unifrnd(0,m,1,mm);forii=1:mmif(cos(xrandnum(1,ii))+2=yrandnum(1,ii))frq=frq+1;endendresult=frq*m*(b-a)/mm**设g(x)是(a,b)上的一个密度函数，改写基本原理：对积分其中，X是服从g(x)的随机变量．可见，积分可以表示为X的函数的期望。由矩法，若有n个来自g(x)的观测值x1,…,xn，则可给出?的一个矩估计:样本平均值法**特别地，若a，b有限，可取g(x)为[a,b]上均匀分布．此时,设x1,…,xn是来自U(a,b)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。样本平均值法**例9计算定积分事实上，其精确解为样本平均值法求解：liti29(0,4,1000)result=7.1854liti29(0,4,10000)result=7.2153litti29(0,4,100000)