Метод Монте-Карло и его применение
Курсовая работа Зубанова М. А., студента 3 курса
очного отделения физико-математического факультета
Арзамасский государственный педагогический институт
имени А.П.Гайдара
Кафедра математического анализа
Арзамас-2002 г.
Введение.
Метод Монте-Карло можно определить как метод
моделирования случайных величин с целью вычисления характеристик их
распределений.
Возникновение идеи использования случайных явлений в
области приближённых вычислений принято относить к 1878 году, когда появилась
работа Холла об определении числа p с помощью случайных бросаний иглы на разграфлённую
параллельными линиями бумагу. Существо дела заключается в том, чтобы
экспериментально воспроизвести событие, вероятность которого выражается через
число p, и приближённо оценить
эту вероятность. Отечественные работы по методу Монте-Карло появились в
1955-1956 годах. С того времени накопилась обширная библиография по методу
Монте-Карло. Даже беглый просмотр названий работ позволяет сделать вывод о
применимости метода Монте-Карло для решения прикладных задач из большого числа
областей науки и техники.
Первоначально метод Монте-Карло использовался главным
образом для решения задач нейтронной физики, где традиционные численные методы
оказались мало пригодными. Далее его влияние распространилось на широкий класс
задач статистической физики, очень разных по своему содержанию.
Метод Монте-Карло оказал и продолжает оказывать
существенное влияние на развитие методов вычислительной математики (например,
развитие методов численного интегрирования) и при решении многих задач успешно
сочетается с другими вычислительными методами и дополняет их. Его применение
оправдано в первую очередь в тех задачах, которые допускают
теоретико-вероятностное описание. Это объясняется как естественностью получения
ответа с некоторой заданной вероятностью в задачах с вероятностным содержанием,
так и существенным упрощением процедуры решения.
Глава 1. Некоторые сведения теории вероятностей
§1. Математическое ожидание, дисперсия.
Дискретной называют случайную величину, которая
принимает отдельные, изолированные возможные значения с определёнными
вероятностями. Число возможных значений дискретной случайной величины может
быть конечным или бесконечным.
Математическим ожиданием дискретной случайной величины
называют сумму произведений всех её возможных значений на их вероятность.
,
где Х – случайная величина, - значения,
вероятности которых соответственно равны .
Математическое ожидание приближённо равно (тем точнее,
чем больше число испытаний) среднему арифметическому наблюдаемых значений
случайной величины.
Дисперсией (рассеянием) случайной величины называют
математическое ожидание квадрата отклонения случайной величины от её
математического ожидания: .
Средним квадратичным отклонением случайной величины Х
называют квадратный корень из дисперсии: .
§2. Точность оценки, доверительная вероятность.
Доверительный интервал.
Точечной называют оценку, которая определяется одним
числом.
Интервальной называют оценку, которая определяется
двумя числами – концами интервала. Интервальные оценки позволяют установить
точность и надёжность оценок.
Пусть, найденная по данным выборки, статистическая
характеристика служит оценкой
неизвестного параметра . Ясно, что тем точнее определяет
параметр , чем меньше абсолютная величина разности . Другими словами, если d>0 и , то , чем меньше d, тем оценка точнее. Положительное число d характеризует точность оценки.
Надёжностью (доверительной вероятностью) оценки по называют вероятность g, с которой осуществляется неравенство .
Доверительным называют интервал , который покрывает неизвестный параметр с заданной
надёжностью g.
§3. Нормальное распределение.
Нормальным называют распределение вероятностей
непрерывной случайной величины, которое
описывается дифференциальной функцией
.
а - математическое ожидание, s - среднее квадратичное отклонение нормального
распределения.
Глава 2. Метод Монте-Карло
§1. Общая схема метода Монте-Карло.
Сущность метода Монте-Карло состоит в следующем:
требуется найти значение а некоторой изучаемой величины. Для этого выбирают
такую случайную величину Х, математическое ожидание которой равно а: М(Х)=а.
Практически же поступают так: производят n испытаний,
в результате которых получают n возможных значений Х; вычисляют их среднее
арифметическое и принимают x в
качестве оценки (приближённого значения) a* искомого числа a:
.
Поскольку метод Монте-Карло требует проведения
большого числа испытаний, его часто называют методом статистических испытаний.
Теория этого метода указывает, как наиболее целесообразно выбрать случайную
величину Х, как найти её возможные значения. В частности, разрабатываются
способы уменьшения дисперсии используемых случайных величин, в результате чего
уменьшается ошибка, допускаемая при замене искомого математического ожидания а
его оценкой а*.
§2. Оценка погрешности метода Монте-Карло.
Пусть для получения оценки a* математического ожидания
а случайной величины Х было произведено n независимых испытаний (разыграно n
возможных значений Х) и по ним была найдена выборочная средняя , которая принята в качестве искомой оценки: . Ясно, что если повторить опыт, то будут получены другие
возможные значения Х, следовательно, другая средняя, а значит, и другая оценка
a*. Уже отсюда следует, что получить точную оценку математического ожидания
невозможно. Естественно возникает вопрос о величине допускаемой ошибки.
Ограничимся отысканием лишь верхней границы d допускаемой ошибки с заданной вероятностью
(надёжностью) g: .
Интересующая нас верхняя грань ошибки d есть не что иное, как «точность оценки»
математического ожидания по выборочной средней при помощи доверительных
интервалов. Рассмотрим следующие три случая.
Случайная величина Х распределена нормально и её
среднее квадратичное отклонение d известно.
В этом случае с надёжностью g верхняя граница ошибки
, (*)
где n число испытаний (разыгранных значений Х); t –
значение аргумента функции Лапласа, при котором , s - известное среднее квадратичное отклонение Х.
Случайная величина Х распределена нормально, причём её
среднее квадратическое отклонение s неизвестно.
В этом случае с надёжностью g верхняя граница ошибки
, (**)
где n – число испытаний; s – «исправленное» среднее
квадратическое отклонение, находят по таблице
приложения 3.
Случайная величина Х распределена по закону, отличному
от нормального.
В этом случае при достаточно большом числе испытаний
(n>30) с надёжностью, приближённо равной g, верхняя граница ошибки может быть вычислена по
формуле (*), если среднее квадратическое отклонение s случайной величины Х известно; если же s неизвестно, то можно подставить в формулу (*) его
оценку s – «исправленное» среднее квадратическое отклонение либо
воспользоваться формулой (**). Заметим, что чем больше n, тем меньше различие
между результатами, которые дают обе формулы. Это объясняется тем, что при распределение
Стьюдента стремится к нормальному.
Из изложенного следует, что метод Монте-Карло тесно
связан с задачами теории вероятностей, математической статистики и вычислительной
математики. В связи с задачей моделирования случайных величин (в особенности
равномерно распределённых) существенную роль играют также методы теории чисел.
Среди других вычислительных методов, метод Монте-Карло
выделяется своей простотой и общностью. Медленная сходимость является
существенным недостатком метода, однако, могут быть указаны его модификации,
которые обеспечивают высокий порядок сходимости при определённых
предположениях. Правда, вычислительная процедура при этом усложняется и
приближается по своей сложности к другим процедурам вычислительной математики.
Сходимость метода Монте-Карло является сходимостью по вероятности. Это
обстоятельство вряд ли следует относить к числу его недостатков, ибо
вероятностные методы в достаточной мере оправдывают себя в практических
приложениях. Что же касается задач, имеющих вероятностное описание, то
сходимостью по вероятности является даже в какой-то мере естественной при их
исследовании.
Глава 3. Вычисление интегралов методом Монте-Карло.
§1. Алгоритмы метода Монте-Карло для решения
интегральных уравнений второго рода.
Пусть необходимо вычислить линейный функционал , где , причём для интегрального оператора K с ядром выполняется условие,
обеспечивающее сходимость ряда Неймана: . Цепь Маркова определяется начальной
плотностью и переходной
плотностью ; вероятность обрыва цепи в точке равна . N – случайный номер последнего состояния. Далее
определяется функционал от траектории цепи, математическое ожидание которого
равно . Чаще всего используется так называемая оценка по
столкновениям , где , . Если при , и при , то при некотором дополнительном условии . Важность достижения малой дисперсии в знакопостоянном
случае показывает следующее утверждение: если и , где , то , а . Моделируя подходящую цепь Маркова на ЭВМ, получают
статистическую оценку линейных функционалов от решения интегрального уравнения
второго рода. Это даёт возможность и локальной оценки решения на основе
представления: , где . Методом Монте-Карло оценка первого собственного значения
интегрального оператора осуществляется интерациональным методом на основе
соотношения . Все рассмотренные результаты почти автоматически
распространяются на системы линейных алгебраических уравнений вида . Решение дифференциальных уравнений осуществляется методом
Монте-Карло на базе соответствующих интегральных соотношений.
§2. Способ усреднения подынтегральной функции.
В качестве оценки определённого интеграла принимают
,
где n – число испытаний; - возможные значения
случайной величины X, распределённой равномерно в интервале интегрирования , их разыгрывают по формуле , где - случайное число.
Дисперсия усредняемой функции равна
,
где , . Если точное значение дисперсии вычислить трудно или
невозможно, то находят выборочную дисперсию (при n>30) , или исправленную дисперсию (при n