蒙特卡洛模拟方法
蒙特卡洛模型方法
二、理论和方法
蒙特卡洛模拟早在四十年前就用于求解核物理方面的问题。当管理问题更为复杂时，传统的数学方法就难以进行了。模拟是将一个真实事物模型化，然后对该模型做各种实验，模拟也是一个通过实验和纠正误差来寻求最佳选择的数值性求解的过程。模拟作为一种有效的数值处理方法，计算量大。以前只是停留在理论探讨上，手工是无法完成的。在管理领域由于规律复杂随机因素多，很多问题难以用线性数学公式分析和解决，用模拟则有效得多。在新式的计算机普及后，用模拟技术来求解管理问题已成为可能。
从表中数据可以看到，一直到公元20世纪初期，尽管实验次数数以千计，利用蒙特卡罗方法所得到的圆周率∏值，还是达不到公元5世纪祖冲之的推算精度。这可能是传统蒙特卡罗方法长期得不到推广的主要原因。
计算机技术的发展，使得蒙特卡罗方法在最近10年得到快速的普及。现代的蒙特卡罗方法，已经不必亲自动手做实验，而是借助计算机的高速运转能力，使得原本费时费力的实验过程，变成了快速和轻而易举的事情。它不但用于解决许多复杂的科学方面的问题，也被项目管理人员经常使用。
设有统计独立的随机变量Xi（i＝1，2，3，…，k），其对应的概率密度函数分别为fx1，fx2，…，fxk，功能函数式为Z＝g（x1，x2，…，xk）。
蒙特卡洛方法
蒙特卡洛方法整理介绍
通常蒙特卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。
对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解的方法。
一般蒙特卡罗方法在数学中最常见的应用就是蒙特卡罗积分。
积分[编辑]
非权重蒙特卡罗积分，也称确定性抽样，是对被积函数变量区间进行随机均匀抽样，然后对被抽样点的函数值求平均，从而可以得到函数积分的近似值。
此种方法的正确性是基于概率论的中心极限定理。
当抽样点数为m时，使用此种方法所
得近似解的统计误差只与m有关（与正相关），不随积分维数的改变而改变。
因此当积分维度较高时，蒙特卡罗方法相对于其他数值解法更优。
圆周率[编辑]
蒙特卡洛方法可用于近似计算圆周率：让计算机每次随机生成两个0到1之间的数，看以这两个实数为横纵坐标的点是否在单位圆内。
生成一系列随机点，统计单位圆内的点数与总点数，（圆面积和正方形面积之比为PI:4，PI为圆周率），当随机点取得越多时，其结果越接近于圆周率（然而准确度仍有争议：即使取10的9次方个随机点时，其结果也仅在前4位与圆周率吻合）。
用蒙特卡洛方法近似计算圆周率的先天不足是：第一，计算机产生的随机数是受到存储格式的限制的，是离散的，并不能产生连续的任意实数；上述做法将平面分割成一个个网格，在空间也不是连续的，由此计算出来的面积当然与圆或多或少有差距。
蒙特卡罗算法
蒙特卡洛算法算法简介：蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。
是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
蒙特·卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特·卡罗方法正是以概率为基础的方法。
与它对应的是确定性算法。
蒙特·卡罗方法在金融工程学，宏观经济学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算)等领域应用广泛。
背景知识：蒙特卡洛是摩纳哥公国第一大城市，与澳门、美国拉斯维加斯并称世界三大赌城。
位于地中海沿岸，首都摩纳哥之北，建于阿尔卑斯山脉突出地中海的悬崖之上。
景色优美，是地中海地区旅游胜地。
市内建有豪华的旅馆、俱乐部、歌剧院、商店、游泳池、温泉浴室、运动场等娱乐设施。
城内开设有蒙特卡洛大赌场。
赌场建于1865年，为双层楼建筑，上有钟楼、塔厅和拱形亭阁，还饰以若干人物雕塑，庭前棕榈树成行，还辟有花园，旁边有大酒店和酒吧间。
整个城市在旺季时，约有赌场70多个，约有赌室3500间左右。
蒙特卡罗赌场由国家经营。
当地的其他活动，许多也带有赌博色彩。
游客住的旅店房间，有抽奖的号码，中奖的免付部分房费。
早餐的牛奶麦片粥里，如遇上金属牌子，亦可领奖。
该城只有1万人口，但每天报纸销量可达100万份，因为报纸上都印有可能得奖的号码。
游客最后离境，购买的车票上也印有彩票号码，于离境前开彩。
经营赌业是摩纳哥的主要经济来源，每年都从赌业中收取高额外汇利润。
蒙特卡洛算法简单描述：以概率和统计理论方法为基础的一种计算方法。
将所求解的问题同一定的概率模型相联系，用计算机实现统计模拟或抽样，以获得问题的近似解。
比如，给定x=a，和x=b，你要求某一曲线f和这两竖线，及x轴围成的面积，你可以起定y轴一横线y=c 其中c>=f(a) and c>=f(b)，很简单的，你可以求出y=c,x=a,x=b,及x轴围成的矩形面积，然后利用随机参生生大量在这个矩形范围之类的点，统计出现在曲线上部点数和出现在曲线下部点的数目，记为：doteUpCount,nodeDownCount,然后所要求的面积可以近似为doteDownCounts所占比例*矩形面积。
蒙特卡罗方法 boltzmann数值模拟
蒙特卡罗方法boltzmann数值模拟全文共四篇示例，供读者参考第一篇示例：蒙特卡罗方法是一种基于随机数的数值计算方法，被广泛应用于各个领域的数值模拟中。
蒙特卡罗方法在Boltzmann方程数值模拟中有着重要的应用，通过蒙特卡罗方法可以模拟气体分子在气体介质的运动规律，从而研究气体的输运性质，比如热传导、扩散等。
本文将详细介绍蒙特卡罗方法在Boltzmann数值模拟中的原理和应用。
一、蒙特卡罗方法的基本原理蒙特卡罗方法是一种基于随机抽样的数值计算方法，主要用于处理那些难以用解析方法求解的问题。
其基本思想是通过随机抽样的方法，模拟系统的随机行为，并根据大量的模拟数据来估计系统的性质。
蒙特卡罗方法的核心思想是大数定律，即当重复进行随机模拟的次数足够多时，随机变量的平均值将趋于其期望值。
在Boltzmann方程数值模拟中，蒙特卡罗方法可以用于模拟气体分子在气体介质中的运动。
根据分子间的相互作用，可以通过随机抽样的方法模拟分子的碰撞和运动，从而推导出气体的输运性质。
通过蒙特卡罗方法，可以有效地模拟大规模气体分子系统的运动，为研究气体输运性质提供了有力的工具。
二、Boltzmann方程的数值模拟Boltzmann方程是描述气体分子在气体介质中运动规律的基本方程，其数值模拟可以通过离散化空间坐标和速度分布来实现。
在蒙特卡罗方法中，可以通过模拟气体分子的随机运动，来求解Boltzmann方程获得气体的输运性质。
在实际应用中，蒙特卡罗方法在Boltzmann数值模拟中可以用于研究气体的传热性质。
通过模拟气体分子的运动规律，可以得到气体的热传导系数、导热性等重要参数，从而揭示气体在不同条件下的传热规律。
这对于设计热传导设备、优化热传导效率等具有重要的意义。
四、总结第二篇示例：蒙特卡罗方法是一种数学上的随机模拟方法，可以用于解决各种复杂的问题，其中蒙特卡罗方法的一种应用就是Boltzmann数值模拟。
Boltzmann数值模拟是一种基于统计力学和蒙特卡罗方法的数值模拟技术，用于模拟大规模复杂系统的行为。
物理问题的计算机模拟方法(2)—蒙特卡罗方法
第三章 随机性模拟方法—蒙特卡罗方法（MC ）§ 3.1 预备知识例：一个粒子在一个二维正方格点上跳跃运动随机行走：每一时间步上，粒子可选择跳到四个最近邻格点上的任何一个，而记不得自己来自何方；自回避行走：粒子记得自己来自什么地方，而回避同它自己的路径交叉。
随机行走的每一步的结果就是系统的一个状态，从一个状态到另一个状态的跃迁只依赖于出发的状态，这些状态形成一个序列，这就是一个马尔可夫链。
状态序列：x 0, x 1, …, x n , …已给出状态x 0, x 1, …, x n+1 的确定值，x n 出现的概率叫做条件概率 ()01,x x x -n n P 马尔可夫链的定义：如果序列x 0, x 1, …, x n , …对任何n 都有 ()()101,--=n n n n P P x x x x x 则此序列为一个马尔可夫链（或过程）。
§ 3.2 布朗动力学（BD ） 1．郎之万方程 v t R dtdvmβ-=)( 方程右边第一项为随机力，对粒子起加热作用；第二项为摩擦力，避免粒子过热。
将方程变形为：dt mvt R dt m v dv )(+-=β 于是，解可写为：])0()(11[)0( )0()(0)()(10⎰+≈⎰=---tt mt md v R m tm d ev R m ev eev t v tττββτττβ⎰+≈---t m t t md Re m ev 0)()(1)0( ττβτβ当随机力R(t)服从高斯分布时，上述方程的解描述的即为布朗运动，于是，布朗运动问题就化为在一些补充条件下求解郎之万方程，即⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧><=>=<>=<=+><--)( 2)()(2)0()(,0)()(222/2/12高斯分布R R B e R R P t T k R t R t R m t R m v dt dv πδββ 注：)()()(t t q t R t R '->='<δ 表示随机力R 在t 和t ’时刻没有关联, q 为噪声强度。
蒙特卡罗(Monte Carlo)方法简介
蒙特卡罗(Monte Carlo)方法简介蒙特卡罗(Monte Carlo)方法简介蒙特卡罗(Monte Carlo)方法，也称为计算机随机模拟方法，是一种基于"随机数"的计算方法。
一起源这一方法源于美国在第二次世界大战进研制原子弹的"曼哈顿计划"。
Monte Carlo方法创始人主要是这四位：Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann（学计算机的肯定都认识这个牛人吧）和Nicholas Metropolis。
Stanislaw Marcin Ulam是波兰裔美籍数学家，早年是研究拓扑的，后因参与曼哈顿工程，兴趣遂转向应用数学，他首先提出用Monte Carlo方法解决计算数学中的一些问题，然后又将其应用到解决链式反应的理论中去，可以说是MC方法的奠基人；Enrico Fermi是个物理大牛，理论和实验同时都是大牛，这在物理界很少见，在“物理大牛的八卦”那篇文章里提到这个人很多次，对于这么牛的人只能是英年早逝了（别说我嘴损啊，上帝都嫉妒！）；John von Neumann可以说是计算机界的牛顿吧，太牛了，结果和Fermi一样，被上帝嫉妒了；Nicholas Metropolis，希腊裔美籍数学家，物理学家，计算机科学家，这个人对Monte Carlo方法做的贡献相当大，正式由于他提出的一种什么算法（名字忘了），才使得Monte Carlo方法能够得到如此广泛的应用，这人现在还活着，与前几位牛人不同，Metropolis很专一，他一生主要的贡献就是Monte Carlo方法。
蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特•罗方法正是以概率为基础的方法。
与它对应的是确定性算法。
二解决问题的基本思路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"。
蒙特·卡罗方法（MonteCarlomethod）
蒙特·卡罗⽅法（MonteCarlomethod）蒙特·卡罗⽅法（Monte Carlo method），也称统计模拟⽅法，是⼆⼗世纪四⼗年代中期由于科学技术的发展和电⼦计算机的发明，⽽被提出的⼀种以概率统计理论为指导的⼀类⾮常重要的数值计算⽅法。
是指使⽤随机数（或更常见的伪随机数）来解决很多计算问题的⽅法。
与它对应的是确定性算法。
这个⽅法的发展始于20世纪40年代，和原⼦弹制造的曼哈顿计划密切相关，当时的⼏个⼤⽜，包括乌拉姆、冯.诺依曼、费⽶、费曼、Nicholas Metropolis，在美国洛斯阿拉莫斯国家实验室研究裂变物质的中⼦连锁反应的时候，开始使⽤统计模拟的⽅法，并在最早的计算机上进⾏编程实现。
现代的统计模拟⽅法最早由数学家乌拉姆提出，被Metropolis命名为蒙特卡罗⽅法，蒙特卡罗是著名的赌场，赌博总是和统计密切关联的，所以这个命名风趣⽽贴切，很快被⼤家⼴泛接受。
被不过据说费⽶之前就已经在实验中使⽤了，但是没有发表。
说起蒙特卡罗⽅法的源头，可以追溯到18世纪，布丰当年⽤于计算π的著名的投针实验就是蒙特卡罗模拟实验。
统计采样的⽅法其实数学家们很早就知道，但是在计算机出现以前，随机数⽣成的成本很⾼，所以该⽅法也没有实⽤价值。
随着计算机技术在⼆⼗世纪后半叶的迅猛发展，随机模拟技术很快进⼊实⽤阶段。
（类⽐深度学习，感叹~）对那些⽤确定算法不可⾏或不可能解决的问题，蒙特卡罗⽅法常常为⼈们带来希望。
蒙特卡罗基本思想：利⽤⼤量采样的⽅法来求解⼀些难以直接计算得到的积分。
例如，假想你有⼀袋⾖⼦，把⾖⼦均匀地朝这个图形上撒，然后数这个图形之中有多少颗⾖⼦，这个⾖⼦的数⽬就是图形的⾯积。
当你的⾖⼦越⼩，撒的越多的时候，结果就越精确。
借助计算机程序可以⽣成⼤量均匀分布坐标点，然后统计出图形内的点数，通过它们占总点数的⽐例和坐标点⽣成范围的⾯积就可以求出图形⾯积。
蒙特卡罗模型
一、概念蒙特卡罗法(MonteC盯10method)是一种应用广泛的系统模拟技术,产生于40年代，也称为统计模拟法(Statistiealsimulationmethod)或随机采样技术(stoehastiesamplingtechnique)。
它是为了求解随机型问题而构造一个与原来问题没有直接关系的概率过程,并利用它产生统计现象的方法。
它的最大优点是收敛速度和问题维数无关,适应性强。
不仅适用于处理随机型问题,如存储系统、排队系统、质量检验问题、市场营销问题、项目进度风险评价、社会救急系统问题、生态竞争问题和传染病蔓延问题等；也可处理确定型问题,如计算多重积分、解积分方程及微分方程、解整数规划(特别是非线形整数规划)等。
蒙特卡罗方法的基本原理及思想如下：当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。
这就是蒙特卡罗方法的基本思想。
蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。
它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。
可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。
蒙特卡罗解题三个主要步骤：1）、构造或描述概率过程：对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。
即要将不具有随机性质的问题转化为随机性质的问题。
2）、实现从已知概率分布抽样：构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。
- 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)。
1707-1788
1777年，古稀之年的蒲丰在家中请来 好些客人玩投针游戏（针长是线距之半）， 他事先没有给客人讲与π 有关的事。客人 们虽然不知道主人的用意，但是都参加了 游戏。他们共投针2212次，其中704次相交。 蒲丰说，2212/704=3.142，这就是π 值。 这着实让人们惊喜不已。
因此，可以通俗地说，蒙特卡罗方法是用随机试 验的方法计算积分，即将所要计算的积分看作服从某 种分布密度函数f(r)的随机变量ｇ(r)的数学期望
g g (r ) f (r )dr
0
通过某种试验，得到Ｎ个观察值r1，r2，…，rN（用 概率语言来说，从分布密度函数 f(r) 中抽取 Ｎ 个子样 r1 ， r2 ， … ， rN ，），将相应的 Ｎ 个随机变量的值 g(r1) ， g(r2)，…，g(rN)的算术平均值
离散型分布的直接抽样方法
对于任意离散型分布：
F ( x) Pi
xi x
其中 x1 ， x2 ， … 为离散型分布函数的跳跃点， P1 ， P2，… 为相应的概率，根据前述直接抽样法，有离散型 分布的直接抽样方法如下：
X F xI , 当 Pi Pi
i＝1 i＝1 I－1 I
0, x 0 F ( x ) x, 0 x 1 特征：独立性、均匀性 1, x 1
分布函数为：
随机数的产生方法
随机数表 物理方法 计算机方法
随机数表
随机数表是由0,1,2,…,9十个数字组成，每 个数字以0.1的概率出现，数字之间相互独 立。 方法：如果要得到n位有效数字的随机数， 只需将表中每n个相邻的随机数字合并在一 起，且在最高位的前边加上小数点即可。
抽样次数与结果精度
1 2 E ( X ) , Var ( X ) x 解的均值与方差的计算公式： n
x2
是随机变量X的方差，而称 Var ( X ) 为估计量方差。通常蒙特卡罗模拟 X 中的样本量n很大，由统计学的中心极限定理知 渐进正态分布， 即： n
x
1 x 1 t2 X lim p( x) e 2 dt 2 x x n
我们就把
x / n 记做是误差
得到人们习惯的结果误差表示：
X
2
对于指定的误差ε,模拟所需抽样次数n可由 x / n 导出：
x n
随机数
随机数的定义
用Monte Carlo方法模拟某过程时，需要产生各种概率分布的随机变 量。最简单、最基本、最重要的随机变量是在［0，1］上均匀分布 的随机变量。由该分布抽取的简单子样称为随机数序列，其中每一 个体称为随机数。随机数属于一种特殊的由已知分布的随机抽样问 题。随机数是随机抽样的基本工具。 ［0，1］上均匀分布（单位均匀分布），其分布密度函数为： 1, 0 x 1 f ( x) 0, 其他
i＝0 i＝0 n－1 n
例2. 掷骰子点数的抽样
掷骰子点数X=n的概率为：
P ( X n) 1 6
为了便于在计算机上使用，通常取 ： Ｍ=2s 其中s为计算机中二进制数的最大可能有效位数 x1= 奇数 a = 52k+1 其中 k 为使 52k+1 在计算机上所能容纳的最 大整数，即a为计算机上所能容纳的5的最大奇次 幂。一般地，s=32时，a=513；s=48，a=515等。 伪随机数序列的最大容量λ(M)=2s-2 。 乘同余方法是使用的最多、最广的方法，在 计算机上被广泛地使用。
蒙特卡罗模拟方法
报 告 人 ：杨林 吴颖 科 目 ：项目风险管理 任课教师 ：尹志军
蒙特卡罗模拟方法
一、蒙特卡罗方法概述 二、蒙特卡罗方法模型 三、蒙特卡罗方法的优缺点及其适用范围 四、相关案例分析及软件操作 五、问题及相关答案
Monte Carlo方法的发展历史
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”。从方法 特征的角度来说可以一直追溯到18世纪后 半叶的蒲丰（Buffon）随机投针试验，即 著名的蒲丰问题。
①建立概率统计模型
N
②收集模型中风险变量的数据 ， 确定风 险因数的分布函数
⑤根据随机数在各风 险变量的概率分布中 随机抽样，代入第一 步中建立的数学模型
N
N
③根据风险分析的精度要求，确 定模拟次数 N
④建立对随机变量的抽样 方法，产生随机数。
⑥
N 个样本值
⑦统计分析，估计均 值，标准差
例子
某投资项目每年所得盈 利额A由投资额P、劳动 生产率L、和原料及能 源价格Q三个因素。
蒙特卡罗方法的基本思想
蒙特卡罗方法又称计算机随机模拟方法。 它是以概率统计理论为基础的一种方法。 由蒲丰试验可以看出，当所求问题的解是 某个事件的概率，或者是某个随机变量的 数学期望，或者是与概率、数学期望有关 的量时，通过某种试验的方法，得出该事 件发生的频率，或者该随机变量若干个具 体观察值的算术平均值，通过它得到问题 的解。这就是蒙特卡罗方法的基本思想。
1 N g N g (ri ) N i 1
作为积分的估计值（近似值）。
计算机模拟试验过程
计算机模拟试验过程，就是将试验过 程（如投针问题）化为数学问题，在计算 机上实现。
模拟程序
l=1; d=2; m=0; n=10000 for k=1:n; x=unifrnd(0,d/2); y=unifrnd(0,pi); if x<0.5*1*sin(y) m=m+1 else end end p=m/n pi_m=1/p
产生伪随机数的乘同余方法
乘同余方法是由Lehmer在1951年提出来的，它的一般形式是：对于 任一初始值x1，伪随机数序列由下面递推公式确定：
xi 1 a.xi (mod M )
2
xi 1 , i 1, 2, M
被M 整除后的余数，叫做
a 为乘子， X i为种子（初值）；M成为模数。上式表示
从而
p(
X ) 1 x n
是标准正态分布中与 α对应的临界值，
式中α位小概率，1- α称为置信度： 可有统计分布表查得。
由
p(
X ) 1 x n
得统计学上称为与置信水平α对应的置信区间：
X x / n X x / n
用MATLAB产生随机数
语言：连续均匀分布的函数表达式为 R=unifrnd(A,B) 演示：for n=1:100; k=unifrnd(0,1) end
随机抽样及其特点
由巳知分布的随机抽样指的是由己知分 布的总体中抽取简单子样。随机数序列是 由单位均匀分布的总体中抽取的简单子样， 属于一种特殊的由已知分布的随机抽样问 题。下表所叙述的由任意已知分布中抽取 简单子样，是在假设随机数为已知量的前 提下，使用严格的数学方法产生的。
N
A aP bL2 cQ d
收集P,L,Q数据，确定分布函 数 f ( P), f ( L), f (Q) 模拟次数N；根据分 布函数，产生随机数
N
1 2
N
A aP bL2 cQ d
1 2
根据历史数据，预测未来。 产生
N 个 A值
抽取 P,L,Q一 组随机 数，带 入模型
1, 当x l sin s( x, ) 0, 其他
1 sN N
s ( x , )
i 1 i i
N
P s ( x, ) f1 ( x) f 2 ( )dxd
d
0
l sin
0
dx 2l a a
2l 2l aP as N
x1
与
a.xi 对模 M的同余。
xi 1 是
a.xi
•利用乘同余法产生伪随机数的步骤如下： （1）取种子 1 、乘子 a 、和模数M； （2）由式（1）获得一系列 ， ...； 1 2 （3）由式（2）得到一系列 ， … 。这就是所要产生的伪随机数 2 1 的序列
x
x x
乘同余方法在计算机上的使用
例如：某随机数表第一行数字为7634258910…，要想得 到三位有效数字的随机数依次为：0.763，0.425，0.891
物理方法
基本原理：利用某些物理现象，在计算机 上增加些特殊设备，可以在计算机上直接 产生随机数。 缺点：无法重复实现 费用昂贵
计算机方法
在计算机上产生随机数最实用、最常见的方 法是数学方法，即用如下递推公式： n1 T (n ) 产生随机数序列，对于给定的初始值 n ，确 定 n 1 ，n=1,2… 存在的问题：1，不满足相互独立的要求 2，不可避免的出现重复问题 所以成为伪随机数 问题的解决：1.选取好的递推公式 2.不是本质问题
该结果表明，为了实现由任意离散型分布的随机抽 样，直接抽样方法是非常理想的。
例1. 二项，其概率函数
n P( x n) Pn CN P n (1 P) N n
其中，P为概率。对该分布的直接抽 样方法如下：
X F n, 当 Pi Pi
统计分析，估计 均值，标准差
X
模型建立的两点说明
Monte Carlo方法在求解一个问题是，总 是需要根据问题的要求构造一个用于求 解的概率统计模型，常见的模型把问题 的解化为一个随机变量 X 的某个参数 的估计问题。 要估计的参数 通常设定为 X 的数学 期望（亦平均值，即 E( X ) ）。按 统计学惯例， 可用 的样本 ( X1, X 2, ...X n ) 1 X X 的平均值来估计，即 n