蒙特卡罗方法在积分计算中的应用
蒙特卡洛计算方法及其在定积分求解中的应用
Ｉｆｆ（ｘ）ｄｘ
我们用 蒙特卡洛计算方法 按 以下步骤 即可计算其结果 ： （１）在 区 间 ［／３，，ｂ］上 利 用 计 算 机 均 匀 产 生 ｎ个 随 机 数 ｘ ， ｘ２，… ，ｘ ，这 个 可 以 在 ＭＡＴＬＡＢ软 件 用 ｕｎｉｆｒｎｄ命 令 实 现 Ｈ ． （２）计 算 每个 随 机 数 相 应 的 被 积 函 数 值 ：ｆ（Ｘ。），ｆ（Ｘ：）， … 。 ｆ（Ｘ ）．
【 Ｎ ５００ １０ｏ０ １００００ ５００００ １０００００ ５０００００
积分值 ６．３００３ ６．４４６８ ６．４２３９ ６．３９４８ ６．３９３４ ６．３８８９
四、蒙特 卡 洛 计 算 方 法 性质 蒙 特 卡 洛 计 算 方 法 依 据 概 率 统 计 理 论 ，具 有 统 计 特 性 ，主 要 表 现 在 以 下 三个 方 面． １．蒙 特 卡 洛 计 算 方 法 具 有 随 机 性 、不 确 定 性 ．即 每 次 运 行 结 果 都 会 不 一 样 ．因为 计算 机 产生 随机 数 并 不 是 可 以重 现 的． ２．蒙 特 卡 洛 计 算 方法 具 有 统 计 稳 定 性 。虽 然 每 次 运 行 产 生 随 机 数 是 不 一 样 的 ，但 是 随机 数 的概 率 分 布 是 一 样 的 ，所 以 蒙 特 卡 洛 计 算 方 法 可 以满 足概 率 统 计 的 稳定 性 ． ３．随 着 随 机 数 数 量 增 加 ，蒙 特 卡 洛 计 算 方 法 所 得 结 果
一 、 蒙 特 卡 洛 计 算 方 法 原 理 与蒙特 卡洛方法 相反 的 一类 方法 称为 确定 性计 算 方法 ，确定 性 计算 方法 是按 照规 定 的算法 步骤 执行 每 次得 到 的结果 一 定是 相 同的 ＿ｌ＿．与 此不 同 ，蒙 特 卡 洛方 法 建立 在 随 机理 论 的 基 础上 ，利 用概 率论 中 的大数 定 律稳 定性 理论 进 行运 算 ．所 以蒙 特卡 洛方 法 是 一种 大数 收敛 的概 率计 算方法 ，它依据 概率知 识建 立模 型 、借助 现代计算 机技术来 实现算法 ．大 量随机 仿真形成 真实值 的逼近． 二 、蒙 特 卡 洛计 算 方 法在 定 积 分 中 的应 用 根 据 覃 永 昼 在 “在 数 学 分 析课 程 的 概 念 教 学 中渗 透 数 学 建 模 思 想 ”一 文 中对 定 积 分 定 义 的 图解 解 析 ］，我 们 可 以很 清 晰地 看 出定 积 分 的 意义 就 是 指 被 积 函 数 在 积 分 区 间 的 面积 代 数 和．但 是 由于 被 积 函数 的 多 样 性 ，导 致 其 在 积 分 区 间 上 的 取 值 大小 不 一 ．无 法 按 照规 则 的 图形 来 求 解 面 积 ．下 面 我 们 利 用 蒙 特 卡 洛 计 算 方 法 将 其 转 化 为 规 则 图 形 来计 算 ｌ３． 假 定 我 们 要 计 算 如 下 定 积 分 ：
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧(七)
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧马尔可夫链蒙特卡洛（MCMC）是一种用于高维积分计算的技术，它通过随机采样的方法来估计复杂的概率分布函数。
在实际应用中，高维积分计算是一项具有挑战性的任务，因为传统的数值积分方法在高维空间中往往效率低下。
因此，MCMC 成为了一种重要的工具，能够有效地处理高维积分计算问题。
在使用MCMC进行高维积分计算时，有一些技巧和方法可以帮助我们更好地应用这一技术。
首先，我们需要选择合适的马尔可夫链模型。
在MCMC中，马尔可夫链是一种随机过程，它的状态在每一步迭代中通过一个转移矩阵来更新。
选择合适的马尔可夫链模型对于MCMC的效率和精度至关重要。
通常情况下，我们可以通过一些常见的马尔可夫链模型，如Metropolis-Hastings算法或Gibbs抽样算法来进行模拟。
其次，我们需要进行合适的参数调整。
在MCMC中，参数的选择对于采样的效率和收敛速度有很大的影响。
例如，Metropolis-Hastings算法中的接受率参数和Gibbs抽样算法中的条件概率分布参数都需要进行适当的调整。
这些参数的选择需要结合实际问题的特点和经验来进行。
另外，我们还需要注意采样的收敛性和稳定性。
在MCMC中，采样的过程是一个迭代的过程，我们需要确保采样能够收敛到目标分布，并且是稳定的。
为了达到这一目的，我们可以使用一些诊断方法，例如Gelman-Rubin统计量或自相关函数来评估采样的效果。
除此之外，我们还可以考虑一些改进的MCMC算法。
近年来，一些改进的MCMC算法被提出，例如Hamiltonian Monte Carlo算法或No-U-Turn Sampler算法。
这些算法在一定程度上能够提高MCMC方法的效率和收敛速度，特别是在处理高维积分计算问题时。
最后，我们需要注意MCMC方法的计算效率。
在高维空间中，MCMC方法往往需要大量的计算资源和时间。
因此，我们可以考虑一些加速MCMC方法的技术，例如并行计算、分布式计算或GPU加速计算等。
蒙特卡洛模拟法求积分
蒙特卡洛模拟法求积分1. 引言蒙特卡洛模拟法是一种基于随机采样的数值计算方法，被广泛应用于求解各种数学问题。
其中之一便是利用蒙特卡洛模拟法求解积分。
本文将介绍蒙特卡洛模拟法的基本原理、步骤以及在求解积分中的应用。
2. 蒙特卡洛模拟法基本原理蒙特卡洛模拟法以概率统计为基础，通过生成大量的随机样本来近似计算一个问题的解。
其基本原理可以概括为以下几个步骤：•随机生成样本：根据问题的要求，生成符合一定概率分布的随机样本。
•计算函数值：将每个随机样本代入目标函数中进行计算，得到对应的函数值。
•统计平均：对所有函数值进行求和并取平均，得到近似解。
3. 求解积分的蒙特卡洛模拟法步骤在使用蒙特卡洛模拟法求解积分时，需要按照以下步骤进行操作：步骤1：确定积分范围需要明确要求解的积分范围。
假设要求解的积分为∫f(x)dx，其中x的范围从a到b。
步骤2：确定随机样本生成规则根据积分范围确定随机样本生成规则。
可以使用均匀分布或其他概率分布来生成随机样本，确保样本覆盖整个积分区间。
步骤3：生成随机样本使用确定的随机样本生成规则，生成足够数量的随机样本。
通常情况下，生成的样本数越多，计算结果越接近真实值。
步骤4：计算函数值将每个随机样本代入目标函数f(x)中进行计算，得到对应的函数值。
这相当于在积分区间上进行采样，并计算采样点处的函数值。
步骤5：统计平均对所有函数值进行求和并取平均，得到近似解。
根据大数定律，当样本数量充足时，平均值将趋近于真实解。
4. 蒙特卡洛模拟法求解积分示例以下是一个使用蒙特卡洛模拟法求解积分的示例：假设要求解的积分为∫x^2dx，积分范围为0到1。
步骤1：确定积分范围。
积分范围为0到1。
步骤2：确定随机样本生成规则。
使用均匀分布生成随机样本。
步骤3：生成随机样本。
生成足够数量的随机样本，例如10000个。
步骤4：计算函数值。
将每个随机样本代入目标函数f(x)=x^2中进行计算，得到对应的函数值。
步骤5：统计平均。
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧(九)
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧马尔可夫链蒙特卡洛（MCMC）是一种用于高维积分计算的技术，它允许我们通过模拟样本来估计复杂的多维概率分布的期望值。
在实际应用中，MCMC技术有许多技巧和方法，可以帮助我们更有效地进行高维积分计算。
一、马尔可夫链蒙特卡洛简介MCMC是一种基于马尔可夫链的随机模拟方法，用于从目标概率分布中抽样。
其基本思想是构造一个马尔可夫链，使得该链的平稳分布恰好是我们要抽样的目标分布。
通过对该链进行随机游走，最终达到平稳分布，即可得到目标分布的样本。
二、Metropolis-Hastings算法Metropolis-Hastings算法是一种常见的MCMC方法，其基本思想是在当前状态周围进行随机扰动，然后根据一定的接受概率决定是否接受新状态。
这一方法在实际应用中非常灵活，可以适用于各种不同的目标分布。
三、Gibbs采样算法Gibbs采样算法是一种特殊的MCMC方法，适用于多维分布的抽样。
该方法通过依次对每个维度进行条件抽样，从而得到整体的抽样结果。
这一方法在处理高维积分计算时非常有效，可以大大减少计算的复杂度。
四、并行化计算在实际应用中，高维积分计算通常会面临计算复杂度高的问题。
为了提高计算效率，可以考虑采用并行化计算的方法。
通过将MCMC算法进行并行化，可以充分利用计算资源，加快计算速度。
五、自适应调整步长MCMC算法中的步长选择对于计算结果的准确性和收敛速度都有重要影响。
因此，可以考虑采用自适应调整步长的方法，根据每次迭代的结果来自动调整步长，以达到更快的收敛速度和更准确的估计结果。
六、混合MCMC方法在实际应用中，可以考虑采用多种不同的MCMC方法进行混合。
通过将不同方法的优势结合起来，可以获得更好的抽样效果和更准确的积分估计结果。
七、精细调整参数MCMC算法中通常涉及一些参数的选择，如初始状态、步长、迭代次数等。
精细调整这些参数可以帮助我们更好地控制算法的收敛性和稳定性，从而获得更准确的积分估计结果。
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧(八)
利用马尔可夫链蒙特卡洛进行高维积分计算的技巧在实际生活和工程实践中，我们经常会碰到对高维积分进行计算的问题。
高维积分计算是一项非常困难的任务，因为计算成本随着维度的增加呈指数增长。
然而，利用马尔可夫链蒙特卡洛方法可以有效地解决高维积分计算的问题。
本文将介绍利用马尔可夫链蒙特卡洛进行高维积分计算的技巧。
马尔可夫链蒙特卡洛方法是一种常用的概率统计方法，它利用蒙特卡洛模拟和马尔可夫链的性质来进行积分计算。
在高维积分计算中，我们通常会遇到难以直接计算的多维积分，这时可以利用马尔可夫链蒙特卡洛方法来进行近似计算。
下面将介绍一些利用马尔可夫链蒙特卡洛进行高维积分计算的技巧。
首先，我们需要选择一个合适的马尔可夫链。
马尔可夫链的选择对于蒙特卡洛积分方法的有效性至关重要。
我们希望选择一个收敛快速的马尔可夫链，以便在有限的时间内得到较为准确的积分估计。
通常情况下，我们可以利用Metropolis-Hastings算法来构造一个满足细致平衡条件的马尔可夫链。
通过这种方式，我们可以得到一个收敛快速的马尔可夫链，从而提高蒙特卡洛积分方法的效率。
其次，我们需要进行马尔可夫链的收敛性检验。
由于马尔可夫链的收敛性对于积分估计的准确性至关重要，因此在进行高维积分计算时，我们需要对马尔可夫链的收敛性进行检验。
一种常用的方法是通过观察马尔可夫链的轨迹和状态转移矩阵来判断链是否收敛。
如果链收敛得足够快，我们就可以使用蒙特卡洛估计来进行高维积分计算。
接下来，我们需要进行样本生成和积分估计。
在马尔可夫链蒙特卡洛方法中，我们需要使用马尔可夫链生成一系列样本，并利用这些样本来进行积分估计。
通常情况下，我们可以利用随机游走的方式来生成样本，然后利用这些样本来进行积分估计。
通过这种方式，我们可以得到一个较为准确的高维积分估计。
最后，我们需要进行收敛性和误差分析。
在进行高维积分计算时，我们需要对积分估计进行收敛性和误差分析。
通过观察积分估计的方差和置信区间，我们可以对积分估计的准确性进行评估。
蒙特卡洛方法的应用
蒙特卡洛方法的应用蒙特卡洛方法（Monte Carlo Method）是一种基于随机抽样的数值计算方法，主要用于解决数学、物理、金融和工程等领域中复杂问题的数值求解。
它通过随机抽样和统计分析的方法，利用大量的随机样本来近似计算问题的解或数值。
蒙特卡洛方法的核心思想是通过随机抽样来代替问题的解析求解过程，通过统计分析大量的随机样本来近似计算问题的解。
其主要应用包括以下几个方面：1. 数值积分：蒙特卡洛方法可以求解高维空间中的复杂积分。
传统的数值积分方法如梯形法则或辛普森法则通常在高维空间中效果较差，而蒙特卡洛方法则能够通过大量的随机抽样来近似计算积分值，具有较好的数值稳定性和收敛性。
2. 数值优化：蒙特卡洛方法可以用于求解复杂多模态的优化问题。
对于无法使用解析方法求解的优化问题，可以通过随机生成参数样本，并通过统计分析来寻找较好的优化解。
蒙特卡洛方法的随机性质能够在多个可能的解中进行搜索，增加准确性。
3. 随机模拟：蒙特卡洛方法在物理、化学和工程领域中被广泛应用于随机系统的建模和模拟。
通过随机抽样来建立系统的状态和参数的概率分布，从而进行模拟和预测。
例如，在核反应堆的安全分析中，可以使用蒙特卡洛方法对中子输运进行随机模拟，以评估核反应堆的安全性。
4. 风险评估：蒙特卡洛方法可以用于对金融和保险行业中的风险进行评估。
例如，在投资组合管理中，可以使用蒙特卡洛方法来模拟不同资产和市场情况下的投资组合收益率，并对风险进行评估和管理。
蒙特卡洛方法还可以用于保险精算中的风险评估，通过随机模拟来评估保险产品的风险损失。
5. 物理模拟：蒙特卡洛方法在物理模拟中也有广泛应用。
例如，在核物理中，可以通过蒙特卡洛方法来模拟高能粒子与物质相互作用的过程，从而研究核反应、粒子加速器和辐射防护等问题。
此外，在计算复杂物质结构的研究中，如蛋白质折叠和材料物理等，也可以使用蒙特卡洛方法来模拟和计算。
总而言之，蒙特卡洛方法具有广泛的应用领域和灵活性。
蒙特卡罗方法在积分计算中的应用
用分裂显技然巧，，这而种对抽样x∈估R计2时技，巧利，用就俄是国对轮x盘∈赌R1，时而，使利 估计的期望值不变。由于对重要区域多抽样，对不重 要区域少观察，因此能使估计的有效性增高。
4. 半解析（数值）方法
考虑二重积分
g(x, y) f (x, y)dxdy
V2
R
Q g(x, y) f2 ( y
1
N
( x )2 f1(x)dx
6. 分层抽样
考虑积分
1
0 g(x) f (x)dx
在（0，1）间插入J－1个点
0＝α0＜ α1＜ …＜ αJ-1＜ αJ＝1
令
p j
j j1
f (x)dx
f (x) f j (x) 0
pj
j1 x j
其它
j
j j1
g
(
x)
f
j
(
x)dx
则有
从 fl(x) 中抽取 xi，再由 f2(y|xi) 中抽样确定 yi，然后用
gˆ N
1 N
N
g(xi , yi )
i 1
作为θ的一个无偏估计。
现在，改变抽样方案如下：
(1) 当x∈R1时，定义一个整数n(xi)≥1，对一个xi，抽取 (2) n(xi)个yij，j＝1，2，…，n(xi)。以平均值
J
p j j j 1
现的n在j 个，样用本蒙x特ij ，卡那罗么方有法计算θj ，对每个θj 利用 fj(x)中
gˆ
c N
J j 1
p
j
1 nj
nj
g
(
xij
)
i 1
g1(P) Vs g1(P) f1(P)dP
不管那种情况，我们称从最优分布 抽样，称函数 | g(P) | 为重要函数。
用蒙特卡洛方法计算积分
用蒙特卡洛方法计算积分简介蒙特卡洛方法是一种通过随机抽样来计算数学问题的方法。
在计算积分时，蒙特卡洛方法可以提供一种简单而有效的解决方案。
方法步骤1. 确定积分范围：首先确定要计算的积分范围，并将其表示为一个多维的定积分。
2. 创建随机点：生成一组随机点，这些随机点需要在积分范围内均匀分布。
3. 判断点的位置：对于每个随机点，判断它是否在被积函数的曲线下方。
4. 计算积分值：计算在被积函数下方的点数与总随机点数的比例，并乘以积分范围的体积，得到积分的近似值。
优势和注意事项蒙特卡洛方法的优势在于其简单性和适用性广泛性。
然而，在使用蒙特卡洛方法进行积分计算时，需要注意以下几点：- 随机点的数量：随机点的数量越多，计算结果越精确，但计算时间也会增加。
- 积分范围的选择：选择合适的积分范围可以提高计算效率和准确性。
- 随机点的生成：生成随机点需要遵循均匀分布原则，以确保计算结果的准确性。
示例以下是使用蒙特卡洛方法计算积分的示例代码：import randomdef monte_carlo_integration(f, a, b, n):count = 0for _ in range(n):x = random.uniform(a, b)y = random.uniform(min(f(a), f(b)), max(f(a), f(b)))if 0 < y <= f(x):count += 1return count / n * (b - a) * (max(f(a), f(b)) - min(f(a), f(b)))def f(x):被积函数定义，根据实际情况修改return x**2a = 0 # 积分下限b = 1 # 积分上限n = # 随机点数量result = monte_carlo_integration(f, a, b, n)print("Approximate integral value:", result)注意：上述代码仅为示例，实际运行时请根据需要修改被积函数和参数。
- 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)。
4. 半解析（数值）方法
考虑二重积分
g(x,
y)f2(y
x)dyf1(x)dx
令
xQg(x,y)f2(yx)dy
则θx为θ的无偏估计。
θx 的方差为 2(x)2f1(x)dx
而由 f (x,y)抽样 (x,y)，用 g (x,y)作为θ的估计，其方差 为
(3) 代替上述θ估计式中的 g(yi, xi) 。
(2) 当 x∈R2时，定义一个函数q(xi)，0＜ q(xi) ＜1， (3) 以抽样值
g2i 0 g(xi,yi)q(xi)
q(xi) q(xi)
代替上述θ估计式中的 g(yi, xi) 。这里ξ是随机数。
用分裂显技然巧，，这而种对抽样x∈估R计2时技，巧利，用就俄是国对轮x盘∈赌R1，时而，使利 估计的期望值不变。由于对重要区域多抽样，对不重 要区域少观察，因此能使估计的有效性增高。
2 g
( g ( x, y ) ) 2 f ( x, y )dxdy
V2
( x ) 2 f ( x, y )dxdy
V2
( g ( x, y ) x ) 2 f ( x, y )dxdy
V2
2 ( g ( x, y ) x )( x ) f ( x, y )dxdy
1) 分裂 设整数 n≥1，令
gi(P) g(P) n
i Vs gi(P) f (P)dP
则
n
Vs
g(P)f(P)dP i
i1
于是计算θ的问题，可化为计算 n 每个 gi(P) 为原来θ的估计 g(P) 的
个θi 1/ n
的和来得到，而 ，这就是分裂技
巧。
2) 俄国轮盘赌 令 0 ＜ q＜1，
第七章 蒙特卡罗方法在积分计算中的应用
1. 蒙特卡罗方法求积分 2. 重要抽样 3. 俄国轮盘赌和分裂 4. 半解析方法 5. 系统抽样 6. 分层抽样
第七章 蒙特卡罗方法在积分计算中的应用
计算多重积分是蒙特卡罗方法的重要应用 领域之一。本章着重介绍计算定积分的蒙特卡 罗方法的各种基本技巧，而这些技巧在粒子输 运问题中也是适用的。
Vs
特别地，当 g(P)≥0 时，有
这时
g(P)f(P) g(P)f(P)
f1(P)
g(P)f(P)dP
Vs
2 g1
0
即 g1的方差为零。实际上，这时有
g1(P)V sg1(P)f1(P)dP
不管那种情况，我们称从最优分布 抽样，称函数 | g(P) | 为重要函数。
fl(P)的抽样为重要
3. 俄国轮盘赌和分裂
xi
f1(x)d
xi
N
yi 的抽样方法不变。
gˆN
1 N
N i1
g(xi,
yi)
其方差为
2 gˆN
1 N
x2f1(x)dx
与通常蒙特卡罗方法相比，方差减少了约
1
N
(x)2 f1(x)dx
6. 分层抽样
考虑积分
1
g(x)f(x)dx
0
在（0，1）间插入J－1个点
0＝α0＜ α1＜ …＜ αJ-1＜ αJ＝1
q Vs q1g(P)f(P)dP
则
qq(1q)0
于是θ变为一个两点分布的随机变量ζ的期望值， ζ的特性为：
P( q) q P( 0) 1q
这样就可以通过模拟这个概率模型来得到θ，这就是 俄国轮盘赌。
3) 重要区域和不重要区域
我们往往称对积分θ贡献大的积分区域为重要区 域，或感兴趣的区域；称对积分θ贡献小的区域为不 重要区域，或不感兴趣的区域。
从 fl(x) 中抽取 xi，再由 f2(y|xi) 中抽样确定 yi，然后用
gˆN
1 N
N i1
g(xi,
yi)
作为θ的一个无偏估计。
现在，改变抽样方案如下：
(1) 当x∈R1时，定义一个整数n(xi)≥1，对一个xi，抽取 (2) n(xi)个yij，j＝1，2，…，n(xi)。以平均值
g1i n(1xi)nj(x1i)g(xi,yij)
考虑二重积分
g(x,y)f(x,y)dxdy
V2
令重为RV要是2上区V相域2上应，x于R的2是y积的不分积重区分要域区区，域域表。，为则两R者＝互R不1+相R2，交其。中又R命1是Q
f(x,y)f2(y x)f1(x)
R
Qg(x,y)f2(y
x)dyf1(x)dx
通常蒙特卡罗方法，由f (x,y)抽样 (x,y)的步骤是：
则
即θ是随机变量 g(PV s)g 的(P 数)f学(P 期)d 望P ，E P的g (分P )布密度函数为
f (P) 。 现从 f (P) 中抽取随机向量 P 的 N 个样本：
Pi，i＝1，2，…，N， 则
gˆN
1 N
N i1
g(Pi )
就是θ的近似估计。
2. 重要抽样
1) 偏倚抽样和权重因子
令
p j
j j1
f (x)dx
f (x) f j (x) 0
pj
j1 x j
取Vs上任一联合概率密度函数 f1(P)，令 g1(P)g(P)W(P)
则有
W(P) f(P) f1(P)
V sg 1 (P )f1 (P )d P E g 1 (P )
现从 f1(P) 中抽样 N 个点：Pi，i＝1，2，…，N， 则
gˆ1N
1 N
N i1
g1(Pi)
就是θ的又一个无偏估计。
V2
( x ) 2 f1 ( x )dx
2 x
f1 ( x )dx
2
5. 系统抽样
我们知道，由f (x,y)抽样 (x,y)的步骤是：
从 fl(x) 中抽取 xi，
xi
f1(x)d
x1i
再由 f2(y|xi) 中抽样确定 yi，
y i f2(y xi)dy2i
现在改变 xi 的抽样方法如下：
2) 重要抽样和零方差技巧
2 g1
Eg12(P)2Vs
g12(P)f1(P)dP2
Vs
g2(P f1)(P f2)(P)dP2If12
要使
2 g1
最小，就是使泛函I[f1]
极小。
利用变分原理，可以得到最优的 f1(P) 为
f1(P)
| g(P)| f(P) | g(P)| f(P)dP
1. 蒙特卡罗方法求积分
蒙特卡罗方法求积分的一般规则如下：任何一个 积分，都可看作某个随机变量的期望值，因此，可以 用这个随机变量的平均值来近似它。
设欲求积分
G(P)dP
其示中积分，区P＝域P。(x1取，VxsV2上s，任…一，联xs)合表概示率s密维度空函间数的f 点(P，)，V令s表
g(P)G (P) f(P)