蒙特卡洛方法的应用

合集下载
  1. 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. 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. 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)。

x 1针线相交的概率为
l sin 2 l 2l 2 p dxd ˆ P X sin 2 0 0
• 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 p,从而得到 的估计值。 • 针与线的位置关系:
方法简述: M x, y : a , 设a,有限 ,0 f x , 并设 是 b x b,0 y M X ,Y 在 上均匀分布的二维随机变量,其联合密度函 1 。则易见 数为 I
M b a
a x b , 0 y M
一、MC 的起源和发展
• 随机模拟方法,也称为Monte Carlo方法, 是一种基于“随机数”的计算方法。这一 方法源于美国在第一次世界大战进行的研 制原子弹的“曼哈顿计划”。该计划的主 持人之一、数学家冯· 诺伊曼用驰名世界的 赌城—摩纳哥的Monte Carlo—来命名这 种方法,为它蒙上了一层神秘色彩。冯· 诺 伊曼是公理化方法和计算机体系的领袖人 物,Monte Carlo方法也是他的功劳。

)
2
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
f x dx
function piguji=buffon(llength,mm) %llength 是针的长度 %mm 是随机实验次数 frq=0; xrandnum = unifrnd(0,0.5,1,mm); phi= unifrnd(0,pi,1,mm); for ii=1:mm if (xrandnum(1,ii)<=(llength*sin(phi(1,ii))/2)) frq=frq+1; end end piguji=2*llength/(frq/mm)
piguji = piguji = piguji = piguji = piguji = piguji = piguji = piguji = piguji =
3.1662 3.1072 3.1522 3.1386 3.1451 3.1418 3.1448 3.1405 3.1394
二、MC 的原理
• 历史上曾有几位学者相继做过这样的试验。 不过呢,他们的试验是费时费力的,同时 精度不够高,实施起来也很困难。然而, 随着计算机技术的飞速发展,人们不需要 具体实施这些试验,而只要在计算机上进 行大量的、快速的模拟试验就可以了。
• Monte Carlo方法是现代计算技术的最为 杰出的成果之一,它在工程领域的作用是 不可比拟的。
• 事实上,Monte Carlo方法的基本思想很 早以前就被人们所发现和利用。早在17世 纪,人们就知道用事件发生的“频率”来 决定事件的“概率”。18世纪下半叶的法 国学者Buffon提出用投针试验的方法来确 定圆周率π的值。这个著名的Buffon试验 是Monte Carlo方法的最早的尝试!
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。
• 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。
>> buffon(.6,1000) >> buffon(.6,10000) >> buffon(.6,100000) >> buffon(.6,1000000) >> buffon(.6,1000000) >> buffon(.6,1000000) >> buffon(.6,1000000) >> buffon(.6,1000000) >> buffon(.6,1000000)
• 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: U1 / 2 | | Var( g ( X )) N • • 模拟次数:由误差公式得
N (
U1 / 2
b a
• 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
I g P dP
k
• 其中 P 是 维空间的点,当 较大时, m m 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。 m
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 l 的针( l) , 1 • 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 x 均匀的分布在区间 0,1 上,针与平 2 行线的夹角 (不管相交与否)均匀的分布在区 间 上。0, • 因此,针与线相交的充要条件是
相关文档
最新文档