Monte Carlo Simulation Methods (蒙特卡罗模拟方法)

Slides:



Advertisements
Similar presentations
一、 一阶线性微分方程及其解法 二、 一阶线性微分方程的简单应用 三、 小结及作业 §6.2 一阶线性微分方程.
Advertisements

第五节 函数的微分 一、微分的定义 二、微分的几何意义 三、基本初等函数的微分公式与微分运算 法则 四、微分形式不变性 五、微分在近似计算中的应用 六、小结.
2.8 函数的微分 1 微分的定义 2 微分的几何意义 3 微分公式与微分运算法则 4 微分在近似计算中的应用.
全微分 教学目的:全微分的有关概念和意义 教学重点:全微分的计算和应用 教学难点:全微分应用于近似计算.
信号与系统 第三章 傅里叶变换 东北大学 2017/2/27.
蒙特卡罗法是什么? 蒙特卡罗(Monte Carlo)方法,或称计算机随机模拟方法,是一种基于“随机数”的计算方法。这一方法源于美国在第二次世界大战中研制原子弹的“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。
蒙特卡罗方法 在可靠性分析中的应用 (一) 此处看到的幻灯片标题
第五章 二次型. 第五章 二次型 知识点1---二次型及其矩阵表示 二次型的基本概念 1. 线性变换与合同矩阵 2.
金融风险评估与管理 估值 投资组合 风险管理-三大块
基于R软件的统计模拟 奚 潭 (南京财经大学统计系2006级).
08-09冬季学期 概率论与数理统计 姜旭峰,胡玉磊.
一、原函数与不定积分 二、不定积分的几何意义 三、基本积分公式及积分法则 四、牛顿—莱布尼兹公式 五、小结
第三节 协方差及相关系数 协方差 相关系数 课堂练习 小结 布置作业.
第5章 定积分及其应用 基本要求 5.1 定积分的概念与性质 5.2 微积分基本公式 5.3 定积分的换元积分法与分部积分法
第三节 函数的求导法则 一 函数的四则运算的微分法则 二 反函数的微分法则 三 复合函数的微分法则及微分 形式不变性 四 微分法小结.
不确定度的传递与合成 间接测量结果不确定度的评估
§5 微分及其应用 一、微分的概念 实例:正方形金属薄片受热后面积的改变量..
§5 微分及其应用 一、微分的概念 实例:正方形金属薄片受热后面积的改变量..
计算物理 蒙特卡罗方法
第三章 多维随机变量及其分布 §2 边缘分布 边缘分布函数 边缘分布律 边缘概率密度.
§3.7 热力学基本方程及麦克斯韦关系式 热力学状态函数 H, A, G 组合辅助函数 U, H → 能量计算
实验数据处理方法 第二部分:Monte Carlo模拟
例1 :甲击中的环数; X :乙击中的环数; Y 平较高? 试问哪一个人的射击水 : 的射击水平由下表给出 甲、乙两人射击,他们
Computer Graphics 计算机图形学基础 张 赐 Mail: CSDN博客地址:
本章結構 前言 簡單範例-可靠度問題 產生隨機變數值 應用範例分析 模擬誤差分析-輸出資料分析 電腦軟體介紹 隨機亂數產生器
本次课讲授:第二章第十一节,第十二节,第三章第一节, 下次课讲第三章第二节,第三节,第四节; 下次上课时交作业P29—P30
计算机数学基础 主讲老师: 邓辉文.
§2 求导法则 2.1 求导数的四则运算法则 下面分三部分加以证明, 并同时给出相应的推论和例题 .
EM算法 一种参数估计的方法.
第十章 方差分析.
《编译原理与技术》 期末复习 计算机科学与技术学院 郑启龙 李 诚 25/12/2018.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
连续型随机变量及其概率密度 一、概率密度的概念与性质 二、常见连续型随机变量的分布 三、小结.
第七章 参数估计 7.3 参数的区间估计.
第4章 非线性规划 4.5 约束最优化方法 2019/4/6 山东大学 软件学院.
第一章 函数与极限.
实验数据处理方法 第二部分:Monte Carlo模拟
习题 一、概率论 1.已知随机事件A,B,C满足 在下列三种情况下,计算 (1)A,B,C相互独立 (2)A,B独立,A,C互不相容
抽样和抽样分布 基本计算 Sampling & Sampling distribution
第二十二章 曲面积分 §1 第一型曲面积分 §2 第二型曲面积分 §3 高斯公式与斯托克斯公式.
2.3 线性乘同余方法 (Linear Congruential Method)
Simulated Annealing Algorithm,SAA
模型分类问题 Presented by 刘婷婷 苏琬琳.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
应用概率统计 主讲:刘剑平.
5.2 常用统计分布 一、常见分布 二、概率分布的分位数 三、小结.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
一 测定气体分子速率分布的实验 实验装置 金属蒸汽 显示屏 狭缝 接抽气泵.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
第一节 不定积分的概念与性质 一、原函数与不定积分的概念 二、不定积分的几何意义 三、基本积分表 四、不定积分的性质 五、小结 思考题.
多层循环 Private Sub Command1_Click() Dim i As Integer, j As Integer
学习任务三 偏导数 结合一元函数的导数学习二元函数的偏导数是非常有用的. 要求了解二元函数的偏导数的定义, 掌握二元函数偏导数的计算.
第四节 随机变量函数的概率分布 X 是分布已知的随机变量,g ( · ) 是一个已知 的连续函数,如何求随机变量 Y =g(X ) 的分布?
第一部分:概率 产生随机样本:对分布采样 均匀分布 其他分布 伪随机数 很多统计软件包中都有此工具 如在Matlab中:rand
海报题目 简介: 介绍此项仿真工作的目标和需要解决的问题。 可以添加合适的图片。
随机数的生成及随机变量抽样 实验目的 实验内容 学习主要的随机变量抽样方法 1、均匀分布U(0,1)的随机数的产生
实验数据处理方法 第二部分:Monte Carlo模拟
§5.2 抽样分布   确定统计量的分布——抽样分布,是数理统计的基本问题之一.采用求随机向量的函数的分布的方法可得到抽样分布.由于样本容量一般不止2或 3(甚至还可能是随机的),故计算往往很复杂,有时还需要特殊技巧或特殊工具.   由于正态总体是最常见的总体,故本节介绍的几个抽样分布均对正态总体而言.
2019/5/21 实验一 离散傅立叶变换的性质及应用 实验报告上传到“作业提交”。 11:21:44.
第二节 函数的极限 一、函数极限的定义 二、函数极限的性质 三、小结 思考题.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
难点:连续变量函数分布与二维连续变量分布
欢迎大家来到我们的课堂 §3.1.1两角差的余弦公式 广州市西关外国语学校 高一(5)班 教师:王琦.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
Volterra-Lotka方程 1925年, A. Lotka(美)和V. Volterra(意)给出了第一个两物种间的捕食模型。
第十七讲 密码执行(1).
第十二讲 密码执行(上).
《偏微分方程》第一章 绪论 第一章 绪论 1.1.
§2 自由代数 定义19.7:设X是集合,G是一个T-代数,为X到G的函数,若对每个T-代数A和X到A的函数,都存在唯一的G到A的同态映射,使得=,则称G(更严格的说是(G,))是生成集X上的自由T-代数。X中的元素称为生成元。 A变, 变 变, 也变 对给定的 和A,是唯一的.
海报题目 简介: 介绍此项仿真工作的目标和需要解决的问题。 可以添加合适的图片。
Presentation transcript:

Monte Carlo Simulation Methods (蒙特卡罗模拟方法) 主要内容: 1.各种随机数的生成方法. 2.MCMC方法.

从Buffon 投针问题谈起

Buffon 投针问题

试验者 时间(年) 针长 投针次数 相交次数 π的估计值 Wolf 1850 0.80 5000 2532 3.15956 Smith 1855 0.60 3204 1218 3.15665 Fox 1884 0.75 1030 489 3.15951 Lazzarini 1925 0.83 3408 1808 3.14159292

数值积分问题

Monte Carlo数值积分的优点 与一般的数值积分方法比较,Monte Carlo方法 具有以下优点:

随机模拟计算的基本思路 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,使所求的量(或解)恰好是该模型某个指标的概率分布或者数字特征。 2.对模型中的随机变量建立抽样方法,在计算机上进行 模拟测试,抽取足够多的随机数,对有关事件进行统计 3.对模拟试验结果加以分析,给出所求解的估计及其精 度(方差)的估计 4.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

随机数的生成 1.蒙特卡罗模拟的关键是生成优良的随机数。 2.在计算机实现中,我们是通过确定性的算法生成 随机数,所以这样生成的序列在本质上不是随机 的,只是很好的模仿了随机数的性质(如可以通过 统计检验)。我们通常称之为伪随机数(pseudo-random numbers)。 3.在模拟中,我们需要产生各种概率分布的随机数,而大多数概率分布的随机数产生均基于均匀分布U(0,1)的随机数。

U(0,1)随机数的生成 一个简单的随机数生成器:

一个简单的例子

一个简单的例子(续) 上面的例子中,第一个随机数生成器的周期长度是 10,而后两个生成器的周期长度只有它的一半。我们自然希望生成器的周期越长越好,这样我们得到的分布就更接近于真实的均匀分布。

线性同余生成器 (Linear Congruential Generator )

常用的线性同余生成器 Modulus m Multiplier a Reference 2^31-1 =2147483647 16807 Lewis, Goodman, and Miller 39373 L’Ecuyer 742938285 Fishman and Moore 950706376 1226874159 2147483399 40692 2147483563 40014

复杂一些的生成器(一) 1.Combining Generators:

复杂一些的生成器(二) 2.Multiple recursive generator

算法实现 许多程序语言中都自带生成随机数的方法,如 c 中的 random() 函数,Matlab中的rand()函数等。 但这些生成器生成的随机数效果很不一样,比如 c 中的函数生成的随机数性质就比较差,如果用 c ,最好自己再编一个程序。Matlab 中的 rand() 函数,经过了很多优化。可以产生性质很好的随 机数,可以直接利用。

由rand()函数生成的U[0,1]随机数

由rand函数生成的2维随机点

(Inverse Transform Method) 2.舍取方法 (Acceptance-Rejection Method) 从U(0,1)到其它概率分布的随机数 U(0,1)的均匀分布的随机数,是生成其他概率 分布随机数的基础,下面我们主要介绍两种将 U(0,1)随机数转换为其他分布的随机数的方法。 1.逆变换方法 (Inverse Transform Method) 2.舍取方法 (Acceptance-Rejection Method)

Inverse Transform Method

Inverse Transform Method

几个具体例子(一)

几个具体例子(二)

几个具体例子(三)

标准正态分布随机数的生成 正态分布是概率统计中最重要的分布,在此 我们着重讨论如何生成标准正态分布随机数。 引理:

Box-Muller 算法

逆变换方法(一) 我们无法通过具体的数学表达式计算正态分布函数 的逆函数,我们必须通过数值的方法逼近正态函数 下面我们介绍 Beasley-Springer-Moro 方法。

逆变换方法(二)

逆变换方法(三) 在 matlab 中可以直接通过 norminv() 函数直接 计算标准正态分布函数的逆。 c0=0.3374754822726147 c5=0.0003951896511919 c1=0.9761690190917186 c6=0.0000321767881768 c2=0.1607979714918209 c7=0.0000002888167364 c3=0.0276438810333863 c8=0.0000003960315187 c4=0.0038405729373609 在 matlab 中可以直接通过 norminv() 函数直接 计算标准正态分布函数的逆。

Matlab生成的正态随机数

Acceptance-Rejection Method(一) Acceptance-Rejection 方法最早由 Von Neumann 提出,现在已经广泛应用于各种随机数的生成。 基本思路: 通过一个容易生成的概率分布 g 和一个取舍 准则生成另一个与 g 相近的概率分布 f 。

Acceptance-Rejection Method(二) 具体步骤:

Acceptance-Rejection Method(三) 下面我们验证由上述步骤生成的随机数 Y 确实 具有密度函数 f(x)

Acceptance-Rejection Method(四) 可能的小,也就是使 f 和 g 的分布更为相近。

几个具体例子(一)

几个具体例子(一)

几个具体例子(二)

几个具体例子(二)

随机向量的抽样方法(一)

随机向量的抽样方法(二)

生成多维正态随机数的方法(一)

生成多维正态随机数的方法(二) 生成多维正态随机数的具体步骤:

用Monte Carlo方法求解Laplace方程 参见书上5.8节 P213~P215

马氏链在Monte Carlo随机模拟中的应用 定义 为要模拟服从给定分布的随机变量,用生成一个易于 实现的不可约遍历链 作为随机样本, 使其平稳分布为 的方法,称为马氏链蒙特卡罗方法. 蒙特卡罗方法的一个首要步骤是产生服从给定的概率分布函数 的随机变量(或称为随机样本),由概率论知识,熟知下面的结论.

引理 生成随机变量U,使其分布满足U[0,1],记为U~U[0,1], F(x)是给定的一个分布函数,记 为F(x)的反函数,则X=F-1(U)分布函数为F(x).

米特罗波利斯(Metropolis)等人在1953年最早 给出了通过生成一马氏链实现从分布 中采 样(生成相关的样本)这一重要基本思想.随后, 哈斯汀(Hastings)将其推广到更一般的形式. 下面仅叙述状态空间S为至多可数的情形:

Markov chain Monte Carlo (MCMC) 问题提出:

MCMC方法的基本思路 基本思路: MCMC 是一种简单有效的计算方法,在统计物理, Bayes 统计计算,显著性检验,极大似然估计等领 域都有着广泛的应用。 基本思路:

概率转移核的构造(一) MCMC的方法有很多,在此我们只介绍Metropolis-Hastings方法。 基本思路:

概率转移核的构造(二)

概率转移核的构造(三) Metropolis-Hastings 算法:

(续上页证明)

Metropolis-Hastings 算法的具体步骤

几种常用的 q(x,x’)(一) 1.Metropolis选择:

几种常用的 q(x,x’)(二) 2.独立抽样: