Download presentation
Presentation is loading. Please wait.
1
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.
2
从Buffon 投针问题谈起
3
Buffon 投针问题
4
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 Smith 1855 0.60 3204 1218 Fox 1884 0.75 1030 489 Lazzarini 1925 0.83 3408 1808
5
数值积分问题
6
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:
7
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
8
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。
9
U(0,1)随机数的生成 一个简单的随机数生成器:
10
一个简单的例子
11
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。
12
线性同余生成器 (Linear Congruential Generator )
13
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 Fishman and Moore 40692 40014
14
复杂一些的生成器(一) 1.Combining Generators:
15
复杂一些的生成器(二) 2.Multiple recursive generator
16
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。
17
由rand()函数生成的U[0,1]随机数
18
由rand函数生成的2维随机点
19
(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)
20
Inverse Transform Method
21
Inverse Transform Method
22
几个具体例子(一)
23
几个具体例子(二)
24
几个具体例子(三)
25
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:
26
Box-Muller 算法
27
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。
28
逆变换方法(二)
29
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= c5= c1= c6= c2= c7= c3= c8= c4= 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。
30
Matlab生成的正态随机数
31
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 。
32
Acceptance-Rejection Method(二)
具体步骤:
33
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)
34
Acceptance-Rejection Method(四)
可能的小,也就是使 f 和 g 的分布更为相近。
35
几个具体例子(一)
36
几个具体例子(一)
37
几个具体例子(二)
38
几个具体例子(二)
39
随机向量的抽样方法(一)
40
随机向量的抽样方法(二)
41
生成多维正态随机数的方法(一)
42
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:
43
用Monte Carlo方法求解Laplace方程
参见书上5.8节 P213~P215
44
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.
45
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).
48
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:
51
Markov chain Monte Carlo (MCMC)
问题提出:
52
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:
53
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:
54
概率转移核的构造(二)
55
概率转移核的构造(三) Metropolis-Hastings 算法:
57
(续上页证明)
58
Metropolis-Hastings 算法的具体步骤
59
几种常用的 q(x,x’)(一) 1.Metropolis选择:
60
几种常用的 q(x,x’)(二) 2.独立抽样:
Similar presentations