Savelova_Metod_Monte-Karlo_2011
.pdfСуществуют модификации метода Неймана [24].
В заключение 2-й главы рассмотрим еще один способ модели-
рования нормальной случайной величины.
Пусть , – независимые случайные величины с распределени-
ем N 0,1 . Тогда совместная плотность распределения ( , ) имеет вид
p x, y |
1 |
|
x2 y2 |
, |
x, y . |
||
|
exp |
|
|
||||
2π |
|||||||
|
|||||||
|
|
2 |
|
|
В полярных координатах исходная плотность запишется в виде
|
1 |
|
r2 |
|
|
|
|
|
|
|
|
|
|
|
|
p r,θ |
2π |
r exp |
|
|
, 0 |
r , 0 |
θ 2π . |
|
|
2 |
|
|
|
|
Пользуясь методом обратных функций, находим
|
r |
|
t |
2 |
|
|
|
|
|
r |
2 |
|
|
||
|
|
|
|
|
|
||||||||||
F1 |
r t exp |
|
|
dt 1 |
exp |
|
|
γ1 , |
|||||||
2 |
|
|
|
||||||||||||
|
0 |
|
|
|
|
|
2 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F |
θ θ |
1 |
dt |
θ |
γ |
|
. |
|
|
|
||||
|
|
|
2 |
|
|
|
|||||||||
|
2 |
|
|
2π |
2π |
|
|
|
|
|
|
||||
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
В результате несложных вычислений получаем
r2 ln 1 γ1 , θ 2πγ2 2
или окончательно имеем формулы для моделирования:
ξ 2ln γ1 cos 2πγ2 ,
η 2ln γ1 sin 2πγ2 .
81
Задание на самостоятельную работу
Задание 3. Моделирование случайных величин
1. Если – случайное число из (0,1), то ς εk 10 k (1), εk -
k 1
независмые случайные цифры. Если ε1,ε2 ,...,εk ,... – независимые случайные цифры, то формула (1) определяет случайное число.
2.Найти формулы для моделирования случайной величины
с плотностью распределения p x nxn 1 , |
n 1 , 0 x 1. |
3.Найти формулы для моделирования случайной величины с
плотностью распределения p x |
ae ax |
, a 0 , 0 x 1. |
|
||
1 e a |
|
4.Найти формулы для моделирования случайной величины с функцией распределения F x 1 13 2e x e 5x , x 0 .
5.Вывести формулы для расчета двумерной случайной вели-
чины в кольце R12 ξ2 η2 R22 .
6.Вывести формулы для моделирования случайной величины
ξ,η с плотностью p x, y 3y в треугольнике, ограниченном
прямыми x 0 , y x , y 1.
7.Докажите, что для моделирования случайной величины с
плотностью распределения |
p x1, x2 , x3 p1 x1 p2 x2 / ξ1 x1 |
||
p3 x3 / ξ1 |
x1,ξ2 x2 достаточно решения уравнений |
F1 ξ1 γ1 , |
|
F2 ξ2 / ξ1 |
x1 γ2 , F3 ξ3 / ξ1 |
x1,ξ2 x2 γ3 , γ1 , γ2 , |
γ3 – неза- |
|
|
82 |
|
висимые равномерно распределенные случайные величины на
(0,1).
8. Используя ЦПТ, получить формулы для моделирования нормального распределения с помощью последовательности γi –
равномерно распределенных случайных величин на (0,1).
9.Вывести формулы для моделирования нормальной случай-
ной величины, используя двумерное нормальное распределение с независимыми компонентами и переход к полярным координатам.
10. Найти формулы для моделирования случайной величины с плотностью
|
1 |
|
|
x |
|
|
|
, 1 x 1, |
|
|
|
|
|||||
|
p x |
|
|
|
|
|
|
1. |
|
0, |
|
|
x |
|
|||
|
|
|
|
|||||
11. Вывести расчетные формулы |
|
|
для вычисления интеграла |
|||||
I f x, y, z dxdydz , |
G x2 y2 |
z 2 . Привести оценку |
дисперсии.
12. Привести оценку с конечной дисперсией для вычисления
|
5 |
|
|
|
интеграла I x |
|
f x dx в случае, когда |
f x x |
при x , |
2 |
||||
0 |
|
|
|
|
fx x2 при x 0 .
13.Обосновать метод суперпозиции.
83
Одним из методов приближенного вычисления значений интегралов, при котором погрешность оценивается не гарантированно а лишь с некоторой степенью достоверности,
является метод Монте-Карло.
Н.С. Бахвалов
Глава 3. Методы приближенного вычисления интегралов
Существует много численных методов интегрирования [4]. При построении квадратурных формул вместе с формулой получают оценку ее погрешности на некотором классе функций. Например,
для формулы трапеций была получена оценка погрешности вида
СA2 N 2 на классе функций со второй производной, ограниченной постоянной A2 , здесь N – число узлов интегрирования, С – const.
Такого рода оценки погрешности называются гарантированными оценками погрешности на классе функций. При таком подходе, как оценка погрешности метода на классе, в случае оценки погрешно-
сти конкретного интеграла мы ориентируемся на величину по-
грешности в случае интегрирования «худшей» функции рассматри-
ваемого класса. Для ряда классов функций эта оценка погрешности настолько плоха, что не дает никакой надежды на получение ре-
зультата интегрирования с требуемой точностью. Например, не существует методов с оценкой погрешности на классе функций лучшей AN 1s , здесь А = const, s – кратность вычисляемого инте-
грала.
84
Предположим, что требуется гарантировать оценку погрешно-
сти, меньшую 0,01A . Тогда число узлов должно удовлетворять не-
равенству AN 1 s 0,01A или N 100s . Поскольку квадратурные формулы обычно используют большое количество арифметических операций, то уже при s = 6 это требование на число узлов оказыва-
ется практически невыполнимым.
Один из путей выхода из создавшегося положения – отказ от га-
рантированной оценки приближенного вычисления интегралов.
Методом такого рода, где оценка погрешности дается лишь с неко-
торой степенью достоверности, является метод Монте-Карло.
3.1. Общая схема метода Монте-Карло для приближенного вычисления интегралов
Пусть требуется вычислить приближенное значение интеграла
I f f Q dQ ,
G
а Q1,...,QN – N попарно независимых одинаково распределенных в
G точек с плотностью распределения p Q ,
p Q dQ 1 . |
||
G |
|
|
Положим |
|
|
S f |
f Qi |
. |
|
||
i |
p Qi |
|
|
|
Случайные величины Si f попарно независимы и одинаково распределены:
85
|
|
MS f |
|
f Q |
p Q dQ I f , |
|
||||||||||||||||||
|
|
p Q |
|
|||||||||||||||||||||
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
G |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
DS f MS |
2 f |
MS |
|
f |
2 |
|
||||||||||||||||
|
|
i |
|
|
|
|
i |
|
|
|
|
|
i |
|
|
|
|
|
|
|
||||
|
|
f Q 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
||
|
|
|
|
p Q dQ MS |
f |
|
D f . |
|||||||||||||||||
p Q |
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|||
G |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Положим |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
SN f |
|
Si |
f . |
|
||||||||||||||||
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
N i 1 |
|
|
|
|
|
|
|
|
||||
Вследствие указанных свойств Si f имеем |
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
1 |
N |
|
|
|
|
|
|
|
|
|||||||
|
|
MSN f |
|
MSi f I f , |
|
|||||||||||||||||||
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
N i 1 |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
1 |
|
N |
|
|
|
|
|
|
|
1 |
|
|
|
|
||||
|
|
DSN f |
DSi f |
|
|
D f |
. |
|||||||||||||||||
|
|
2 |
|
|||||||||||||||||||||
|
|
|
|
|
|
|
N |
|
i 1 |
|
|
N |
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
С вероятностью 1 α выполняется неравенство Чебышева: |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
SN f I f |
|
|
D f |
. |
(3.1) |
|||||||||||||||
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
αN |
|
|
|
|
|
При α 0,01 получаем, что с вероятностью 99% выполняется не-
равенство
|
|
|
|
|
|
|
SN f I f |
|
10 |
D f |
. |
||
|
||||||
|
|
|||||
|
|
|
|
N |
Если предположить, что точки Qi не только попарно независи-
мы, но и взаимно независимы, то можно воспользоваться прибли-
86
женной оценкой с помощью центральной предельной теоремы.
Тогда при N 1 случайная величина
|
|
|
|
|
|
SN f I f |
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D f |
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
асимптотически нормальна N 0,1 с функцией распределения |
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
t2 |
|
|||||||||||
|
|
|
F x |
|
1 |
|
|
|
e |
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
2 dt . |
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
2π |
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Следовательно, при больших N с |
|
|
|
|
вероятностью , |
близкой к |
||||||||||||||||||||||||
zβ β , где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
z |
t2 |
|
||||||||||||
|
|
|
|
z |
2 |
|
|
|
|
e |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
2 dt |
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
2π |
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
есть интеграл ошибок, выполняется неравенство |
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
S |
N |
f I f |
|
z |
|
|
|
|
|
|
D f |
. |
(3.2) |
||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
β |
|
|
|
|
N |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Полагая zβ 3 |
или zβ 5 , получаем, что неравенства |
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
SN f I f |
|
3 |
|
|
|
D f |
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
||||||||||||||||||||||||
и |
|
|
|
|
|
|
|
|
N |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
SN f I f |
|
5 |
|
|
|
D f |
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
N |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
выполняются, соответственно, с вероятностями 0,997 или 0,99999.
Сформулированные утверждения называют правилами «трех сигм» или «пяти сигм».
87
В правой части оценок (3.1), (3.2) стоит неизвестная величина дисперсии
|
f |
2 |
|
I f |
2 |
|
D f I |
|
|
|
, |
||
p |
|
|||||
|
|
|
|
|
заменим ее на статистическую оценку.
Из главы 1 имеем несмещенную оценку дисперсии D f :
|
1 |
|
N |
|
|
D N f |
|
Si f SN f 2 . |
(3.3) |
||
N 1 |
|||||
|
i 1 |
|
|||
|
|
|
|
3.2. Способы уменьшения дисперсии при вычислении интегралов методами Монте-Карло
Оценка точности вычисления определенного интеграла методом Монте-Карло согласно оценкам (3.1), (3.2) имеет вид
|
|
|
|
|
|
C |
D f |
|
, C const . |
||
N |
|||||
|
|
|
|
Отсюда следует, что возможно уменьшение погрешности вы-
числения интеграла за счет увеличения количества испытаний N .
Однако такой путь увеличения точности считается «тупым». Сво-
бодным параметром при вычислении интеграла методом Монте-
Карло является плотность p Q , Q G . Один из путей увеличения точности вычислений – выбор плотности с наименьшей дисперсией
D f . Доказано [24], что наименьшая дисперсия достигается при p Q f Q (пропорционально), однако выбор такой плотности равнозначен вычислению исходного интеграла при f Q 0 .
88
Существуют различные приемы уменьшения дисперсии D f
[14, 24]. Укажем некоторые из них:
1)частично аналитическое интегрирование подынтегральной функции или выделение главной части;
2)интегрирование по части пространства (аналитическое или
спомощью кубатурных формул, если при этом не возникает боль-
ших затруднений);
3)интегрирование по части переменных (и тем самым умень-
шение размерности интеграла);
4)включение особенности подынтегральной функции в плот-
ность;
5)симметризация подынтегральной функции.
Рассмотрим свойство 1.
Пусть
I f f Q dQ Mg Q ,
G
g Q – случайная функция с плотностью p Q . Пусть h Q ап-
проксимирует g Q в том смысле, что легко вычисляется интеграл
C h Q p Q dQ .
G
Для случайной величины
η C g Q h Q
математическое ожидание равно
Mη C I f C I f .
Дисперсия легко оценивается:
89
Dη D g Q h Q M |
g Q h Q 2 |
|
|
||
|
|
|
|
|
|
|
g Q h Q 2 p Q dQ δ , |
|
|
||
|
|
|
|
|
|
G
тогда Dη δ .
Рассмотрим свойство 2.
Пусть G G1 G2 (рис. 3.1),
f Q p Q dQ B ,
G1
p Q dQ α 0 , α 1 .
G1
Имеем
I f f Q p Q dQ B 1 α f Q p1 Q dQ ,
|
|
G |
G2 |
|
p |
Q |
p Q |
|
– плотность в области G . |
|
||||
1 |
|
1 α |
2 |
|
|
|
|
Рассмотрим случайную величину
η B 1 α f Q
90