蒙特卡罗方法概述7
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
设r表示射击运动员的弹着点到靶心的距离，ｇ(r)
表示击中r处相应的得分数（环数），f(r)为该运动员的 弹着点的分布密度函数，它反映运动员的射击水平。 该运动员的射击成绩为
g0 g(r)f(r)dr
用概率语言来说，<g>是随机变量ｇ(r)的数学期
望，即
gE g(r)
现假设该运动员进行了Ｎ次射击，每次射击的弹 着g(r点2)，依…次，为g(rrN1)，的算r2 术，平…均，值rN ， 则 Ｎ 次 得 分 g(r1) ，
1/a, 0xa f1(x)0, 其他
类似地，θ的分布密度函数 为：
因此，产生任意的（x,θ） 的由到过f：2(θ程)抽就样变θ成的了过由程f了1(x。)抽由样此x及得
分其布中的ξ1，随ξ机2均变为量（。0,1）上均匀
f2()10/,,
0
其他
x a1 2
每次投针试验，实际上变成在计算机上从两个均
1 N
gN N i1 g(ri )
作为积分的估计值（近似值）。
为了得到具有一定精确度的近似解，所需试验的
次数是很多的，通过人工方法作大量的试验相当困难， 甚至是不可能的。因此，蒙特卡罗方法的基本思想虽 然早已被人们提出，却很少被使用。本世纪四十年代 以来，由于电子计算机的出现，使得人们可以通过电 子计算机来模拟随机试验过程，把巨大数目的随机试 验交由计算机完成，使得蒙特卡罗方法得以广泛地应 用，在现代化的科学技术中发挥应有的作用。
匀分布的随机变量中抽样得到（x,θ），然后定义描述 针与平行线相交状况的随机变量s(x,θ)，为
如果投针Ｎ次，则s(x,)10,,
当xlsin
其他
sN
1 N
N i1
s(xi ,i )
是针与平行线相交概率Ｐ的估计值。事实上，
Ps(x,) f1(x) f2()dxd
于是有
d lsin dx 2l
当随机变量的取值仅为1或0时，它的数学期望就 是某个事件的概率。或者说，某种事件的概率也是随 机变量（仅取值为1或0）的数学期望。
因此，可以通俗地说，蒙特卡罗方法是用随机试 验的方法计算积分，即将所要计算的积分看作服从某
种分布密度函数f(r)的随机变量ｇ(r)的数学期望
g0 g(r)f(r)dr
率rg通2(，r语过2)…，言某…，来种，r说试N，g，验(r）N从，)的，分得算将到布术相Ｎ密平应个度均的观函值察Ｎ数值个f(rr)随1中，机抽r2变，取量…Ｎ的，个值r子N（g样(r用r1)1，概，
gN
1 N
N i1
g(ri )
代表了该运动员的成绩。换言之，为积分<g>的估 计值，或近似值。
在该例中，用Ｎ次试验所得成绩的算术平均值作
为数学期望<g>的估计值（积分近似值）。
➢ 基本思想
由以上两个例子可以看出，当所求问题的解是某 个事件的概率，或者是某个随机变量的数学期望，或 者是与概率、数学期望有关的量时，通过某种试验的 方法，得出该事件发生的频率，或者该随机变量若干 个具体观察值的算术平均值，通过它得到问题的解。 这就是蒙特卡罗方法的基本思想。
命 中 10 环
这样，就进行了一次随机试
验（射击），得到了一次成绩
ｇ(r)，作Ｎ次试验后，得到该运
动员射击成绩的近似值
gN
1 N
N i1
g(ri )
2. 蒙特卡罗方法的收敛性，误差
蒙特卡罗方法作为一种计算方法，其收敛性与误 差是普遍关心的一个重要问题。
➢ 收敛性 ➢ 误差 ➢ 减小方差的各种技巧 ➢ 效率
0 0 a a 2l 2l
aP asN
例２．射击问题
设射击运动员的弹着点分布为
0 .1 命中 7 环
环数 7 8 9 10 概率 0.1 0.1 0.3 0.5
0 .2 命中 8 环
用计算机作随机试验（射击） 0 .5 命中 9 环
的方法为，选取一个随机数ξ，按 右边所列方法判断得到成绩。
样数Ｎ充分大时，以概率1收敛于它的期望值E(X)。
➢ 误差
蒙特卡罗方法的近似值与真值的误差问题，概率论 的中心极限定理给出了答案。该定理指出，如果随机 变零的量方序差列σX21，，即X2，…，XN独立同分布，且具有有限非
0 2(x E (X )2 ) f(x )d x
f(X)是X的分布密度函数。则
一些人进行了实验，其结果列于下表 ：
实验者
年份 投计次数 π的实验值
沃尔弗(Wolf) 1850 5000
3.1596
斯密思(Smith) 18ቤተ መጻሕፍቲ ባይዱ5 3204
3.1553
福克斯(Fox)
1894 1120
3.1419
拉查里尼 (Lazzarini)
1901 3408
3.1415929
例2. 射击问题（打靶游戏）
➢ 计算机模拟试验过程
计算机模拟试验过程，就是将试验过程（如投针， 射击）化为数学问题，在计算机上实现。以上述两个 问题为例，分别加以说明。
例1. 蒲丰氏问题 例2. 射击问题（打靶游戏）
由上面两个例题看出，蒙特卡罗方法常以一个 “概率模型”为基础，按照它所描述的过程，使用由 已知分布抽样的方法，得到部分试验结果的观察值， 求得问题的近似解。
➢ 收敛性
由前面介绍可知，蒙特卡罗方法是由随机变量X的
简单子样X1，X2，…，XN的算术平均值：
XN
1 N
N i1
Xi
作为所求解的近似值。由大数定律可知，
lim 如（XE1(，X)X<∞2，）…，，则XPN独N立同X分N布，E(且X)具 有1有限期望值
即随机变量X的简单子样的算术平均值 X N ，当子
例１．蒲丰氏问题
设针投到地面上的位置可 以用一组参数（x,θ）来描述，x 为针中心的坐标，θ为针与平行 线的夹角，如图所示。
任意投针，就是意味着x与 θ都是任意取的，但x的范围限 于［0，a］，夹角θ的范围限于 ［0，π］。在此情况下，针与 平行线相交的数学条件是
xlsin
针在平行线间的位置
如何产生任意的（x,θ）？ x在［0，a］上任意取值，表示 x在［0，a］上是均匀分布的， 其分布密度函数为：
lim
N P
NXNE (X)x 2 1
xet2/2dt
x
当N充分大时，有如下的近似式
P X N E (X ) N 2 20 e t2/2 d 1 t
其中α称为置信度，1－α称为置信水平。
这表明，不等式
XN
E(X)
表示击中r处相应的得分数（环数），f(r)为该运动员的 弹着点的分布密度函数，它反映运动员的射击水平。 该运动员的射击成绩为
g0 g(r)f(r)dr
用概率语言来说，<g>是随机变量ｇ(r)的数学期
望，即
gE g(r)
现假设该运动员进行了Ｎ次射击，每次射击的弹 着g(r点2)，依…次，为g(rrN1)，的算r2 术，平…均，值rN ， 则 Ｎ 次 得 分 g(r1) ，
1/a, 0xa f1(x)0, 其他
类似地，θ的分布密度函数 为：
因此，产生任意的（x,θ） 的由到过f：2(θ程)抽就样变θ成的了过由程f了1(x。)抽由样此x及得
分其布中的ξ1，随ξ机2均变为量（。0,1）上均匀
f2()10/,,
0
其他
x a1 2
每次投针试验，实际上变成在计算机上从两个均
1 N
gN N i1 g(ri )
作为积分的估计值（近似值）。
为了得到具有一定精确度的近似解，所需试验的
次数是很多的，通过人工方法作大量的试验相当困难， 甚至是不可能的。因此，蒙特卡罗方法的基本思想虽 然早已被人们提出，却很少被使用。本世纪四十年代 以来，由于电子计算机的出现，使得人们可以通过电 子计算机来模拟随机试验过程，把巨大数目的随机试 验交由计算机完成，使得蒙特卡罗方法得以广泛地应 用，在现代化的科学技术中发挥应有的作用。
匀分布的随机变量中抽样得到（x,θ），然后定义描述 针与平行线相交状况的随机变量s(x,θ)，为
如果投针Ｎ次，则s(x,)10,,
当xlsin
其他
sN
1 N
N i1
s(xi ,i )
是针与平行线相交概率Ｐ的估计值。事实上，
Ps(x,) f1(x) f2()dxd
于是有
d lsin dx 2l
当随机变量的取值仅为1或0时，它的数学期望就 是某个事件的概率。或者说，某种事件的概率也是随 机变量（仅取值为1或0）的数学期望。
因此，可以通俗地说，蒙特卡罗方法是用随机试 验的方法计算积分，即将所要计算的积分看作服从某
种分布密度函数f(r)的随机变量ｇ(r)的数学期望
g0 g(r)f(r)dr
率rg通2(，r语过2)…，言某…，来种，r说试N，g，验(r）N从，)的，分得算将到布术相Ｎ密平应个度均的观函值察Ｎ数值个f(rr)随1中，机抽r2变，取量…Ｎ的，个值r子N（g样(r用r1)1，概，
gN
1 N
N i1
g(ri )
代表了该运动员的成绩。换言之，为积分<g>的估 计值，或近似值。
在该例中，用Ｎ次试验所得成绩的算术平均值作
为数学期望<g>的估计值（积分近似值）。
➢ 基本思想
由以上两个例子可以看出，当所求问题的解是某 个事件的概率，或者是某个随机变量的数学期望，或 者是与概率、数学期望有关的量时，通过某种试验的 方法，得出该事件发生的频率，或者该随机变量若干 个具体观察值的算术平均值，通过它得到问题的解。 这就是蒙特卡罗方法的基本思想。
命 中 10 环
这样，就进行了一次随机试
验（射击），得到了一次成绩
ｇ(r)，作Ｎ次试验后，得到该运
动员射击成绩的近似值
gN
1 N
N i1
g(ri )
2. 蒙特卡罗方法的收敛性，误差
蒙特卡罗方法作为一种计算方法，其收敛性与误 差是普遍关心的一个重要问题。
➢ 收敛性 ➢ 误差 ➢ 减小方差的各种技巧 ➢ 效率
0 0 a a 2l 2l
aP asN
例２．射击问题
设射击运动员的弹着点分布为
0 .1 命中 7 环
环数 7 8 9 10 概率 0.1 0.1 0.3 0.5
0 .2 命中 8 环
用计算机作随机试验（射击） 0 .5 命中 9 环
的方法为，选取一个随机数ξ，按 右边所列方法判断得到成绩。
样数Ｎ充分大时，以概率1收敛于它的期望值E(X)。
➢ 误差
蒙特卡罗方法的近似值与真值的误差问题，概率论 的中心极限定理给出了答案。该定理指出，如果随机 变零的量方序差列σX21，，即X2，…，XN独立同分布，且具有有限非
0 2(x E (X )2 ) f(x )d x
f(X)是X的分布密度函数。则
一些人进行了实验，其结果列于下表 ：
实验者
年份 投计次数 π的实验值
沃尔弗(Wolf) 1850 5000
3.1596
斯密思(Smith) 18ቤተ መጻሕፍቲ ባይዱ5 3204
3.1553
福克斯(Fox)
1894 1120
3.1419
拉查里尼 (Lazzarini)
1901 3408
3.1415929
例2. 射击问题（打靶游戏）
➢ 计算机模拟试验过程
计算机模拟试验过程，就是将试验过程（如投针， 射击）化为数学问题，在计算机上实现。以上述两个 问题为例，分别加以说明。
例1. 蒲丰氏问题 例2. 射击问题（打靶游戏）
由上面两个例题看出，蒙特卡罗方法常以一个 “概率模型”为基础，按照它所描述的过程，使用由 已知分布抽样的方法，得到部分试验结果的观察值， 求得问题的近似解。
➢ 收敛性
由前面介绍可知，蒙特卡罗方法是由随机变量X的
简单子样X1，X2，…，XN的算术平均值：
XN
1 N
N i1
Xi
作为所求解的近似值。由大数定律可知，
lim 如（XE1(，X)X<∞2，）…，，则XPN独N立同X分N布，E(且X)具 有1有限期望值
即随机变量X的简单子样的算术平均值 X N ，当子
例１．蒲丰氏问题
设针投到地面上的位置可 以用一组参数（x,θ）来描述，x 为针中心的坐标，θ为针与平行 线的夹角，如图所示。
任意投针，就是意味着x与 θ都是任意取的，但x的范围限 于［0，a］，夹角θ的范围限于 ［0，π］。在此情况下，针与 平行线相交的数学条件是
xlsin
针在平行线间的位置
如何产生任意的（x,θ）？ x在［0，a］上任意取值，表示 x在［0，a］上是均匀分布的， 其分布密度函数为：
lim
N P
NXNE (X)x 2 1
xet2/2dt
x
当N充分大时，有如下的近似式
P X N E (X ) N 2 20 e t2/2 d 1 t
其中α称为置信度，1－α称为置信水平。
这表明，不等式
XN
E(X)