Сущность метода Монте-Карло и моделирование случайных величин
то эта последовательность обязательно периодическая. Впрочем, для наиболее распространённых псевдослучайных чисел период столь велик, что превосходит любые практические потребности. Подавляющее большинство расчётов по методу Монте-Карло осуществляется с использованием псевдослучайных чисел.
Значения
любой случайной
величины можно
получить путём
преобразования
значений одной
какой-либо
случайной
величины. Обычно
роль такой
случайной
величины играет
случайная
величина
,
равномерно
распределённая
в
.
Процесс нахождения
значения какой-либо
случайной
величины
путём преобразования
одного или
нескольких
значений
называется
разыгрыванием
случайной
величины
.
Допустим,
что необходимо
получать значения
случайной
величины
,
распределённой
в интервале
,
с плотностью
.
Докажем, что
значения
можно
находить из
уравнения
(1.10)
т.е. выбрав
очередное
значение
,
надо решить
уравнение
(1.10) и найти очередное
значение
.
Для доказательства рассмотрим функцию
.
Из общих свойств плотности (1.2), (1.3) следует, что
![]()
Значит,
функция
монотонно
возрастает
от 0 до 1, и любая
прямая
,
где
,
пересекает
график
в одной единственной
точке, абсциссу
которой мы и
принимаем за
.
Таким образом,
уравнение
(1.10) всегда имеет
одно и только
одно решение.
Выберем
теперь произвольный
интервал
,
содержащийся
внутри
.
Точкам этого
интервала
отвечают ординаты
кривой
,
удовлетворяющие
неравенству
.
Поэтому,
если
принадлежит
интервалу
,
то
принадлежит
интервалу
,
и наоборот.
Значит
![]()
Так как
равномерно
распределена
в
,
то
,
итак
,
а это и
означает, что
случайная
величина
,
являющаяся
корнем уравнения
(1.10), имеет плотность
вероятностей
.
Может
оказаться, что
разрешить
уравнение
(1.10) относительно
трудно, например,
в случаях, когда
интеграл от
не выражается
через элементарные
функции или
когда плотность
задана графически.
Предположим,
что случайная
величина
определена
на конечном
интервале
и плотность
её ограничена
.
Разыгрывать
значение
можно следующим
образом:
1) выбираются
два значения
и
случайной
величины
и строится
случайная точка
с координатами
![]()
2) если
точка
лежит под кривой
,
то полагаем
,
если же точка
лежит над кривой
,
то пара
отбрасывается
и выбирается
новое значение.
1.2 Вычисление интегралов
Рассмотрим
функцию
,
заданную на
интервале
,
требуется
приближенно
вычислить
интеграл
(2.1)
Этот интеграл может быть несобственным, но абсолютно сходящимся.
Выберем
произвольную
плотность
распределения
,
определённую
на интервале
.
Наряду со случайной
величиной
,
определённой
в интервале
с плотностью
,
необходимо
определить
случайную
величину
![]()
Согласно
соотношению
получим

Рассмотрим
теперь
одинаковых
независимых
случайных
величин
и применим к
их сумме центральную
предельную
теорему. Формула
(1.7) в этом случае
запишется так:

Последнее
соотношение
означает, что
если выбирать
значений
,
то при достаточно
большом
![]()
(2.2)
Оно показывает
также, что с
очень большой
вероятностью
погрешность
приближения
(2.2) не превосходит
.
Для расчёта
интеграла (2.1)
можно использовать
любую случайную
величину
.
Определённую
в интервале
с плотностью
.
В любом случае
.
Однако дисперсия
,
а с ней и оценка
погрешности
формулы (2.2) зависят
от того, какая
величина
используется,
так как
(2.3)
Докажем,
что это выражение
будет минимальным
тогда, когда
пропорциональна
.
Для этого воспользуемся неравенством
,
в которым положим
,
.
Получим неравенство
![]()
(2.4)
Из (2.3), (2.4) следует, что
(2.5)
Остается
доказать, что
нижняя граница
дисперсии (2.5)
реализуется
при выборе
плотности
.
Так как
.
Следовательно,
,
и правая часть (2.3) обращается в правую часть (2.5)
Использовать
плотность
для расчёта
практически
невозможно,
так как для
этого нужно
знать значение
интеграла
.
А его вычисление
представляет
собой задачу,
равноценную
задаче о вычислении
интеграла
(2.1). Поэтому
ограничиваются
следующей
рекомендацией:
желательно,
чтобы плотность
была пропорциональна
.
Конечно,
выбирать очень
сложные
нельзя, так как
процедуры
разыгрывания
станет очень
трудоёмкой.
Оценку (2.2) с плотностью
,
сходной
,
называют существенной
выборкой.
Также если стоит задача вычислить интеграл (2.1), преобразуем его к виду
(2.6)
Если
теперь обозначить
(2.7)
То интеграл принимает вид
(2.8)
и может быть вычислен при помощи метода статистических испытаний.
В частном
случае, если
и
конечны
или их можно
считать конечными
приближенно,
в качестве
целесообразно
выбрать равномерный
закон распределения.
Как известно,
плотность
вероятности
равномерного
закона распределения
в интервале
равна:
(2.9)
Подставим
в интеграл
(2.6) значение
из формулы
(2.9) и получим:
(2.10)
и рассмотрим процедуру вычисления:
из множества
равномерно
распределённых
случайных чисел
выбирается
.
Для каждого
значения
вычисляется
,
затем вычисляется
среднее значение
(2.11)
функции
на интервале
![]()
Таким образом, величина интеграла (2.10) может быть представлена в виде следующей формулы
(2.12)
Рассмотренный
частный случай
находит широкое
применение
интегралов
методом статистического
моделирования
в силу того,
что границы
области определения
могут быть
легко приведены
к пределам
интегрирования
![]()
1.3 Вычисление кратных интегралов
Обычно при вычислении кратных интегралов методом Монте-Карло используют один из двух способов.
Первый способ.
Пусть
требуется
вычислить
кратный
интеграл
(3.1)
по области
G, лежащей
в
мерном
единичном кубе