一、蒙特卡洛积分
-
蒙特卡洛积分概述:简而言之蒙特卡洛积分就是,在求定积分时,如果找不到被积函数的原函数,无法使用经典牛顿-莱布尼茨积分法得到定积分结果的。而蒙特卡洛积分方法利用一个随机变量对被积函数进行采样,并将采样值进行一定的处理可以得到定积分的一个近似值,当采样数量很高时,得到的近似值可以很好的近似原积分的结果。这样一来,我们就不用去求原函数的形式,就能求得积分的近似结果。
-
补充一些基础性公式:
- 假设一连续型随机变量 X X X的样本空间为 D D D,其概率密度分布函数为 p ( x ) p(x) p(x),则其数学期望为: E ( X ) = ∫ D x p ( x ) d x E(X)= ∫_Dxp(x)dx E(X)=∫Dxp(x)dx
- 若另一连续随机变量 Y Y Y满足 Y = f ( X ) Y=f(X) Y=f(X),则 Y Y Y的数学期望为: E ( Y ) = ∫ D f ( x ) p ( x ) d x E(Y)= ∫_Df(x)p(x)dx E(Y)=∫Df(x)p(x)dx
-
蒙特卡洛积分方法基础形式
- 现在 假设我们要计算一个定积分: A = ∫ a b f ( x ) d x A=∫_a^bf(x)dx A=∫abf(x)dx根据牛顿-莱布尼茨公式我们可以得到: A = ∫ a b f ( x ) d x = F ( b ) − F ( a ) A=∫_a^bf(x)dx=F(b)-F(a) A=∫abf(x)dx=F(b)−F(a)其中 F ( x ) F(x) F(x)是 f ( x ) f(x) f(x)的一个原函数。
- 如果我们不知道或者无法求得原函数,我们该怎么计算这个定积分呢。那么就需要借助蒙特卡洛积分(Monte Carlo Integration)方法:
- 首先我们可以在区间 [ a , b ] [a,b] [a,b]上进行均匀采样得到: { X 1 , … , X N } \{X_1,…,X_N\} { X1,…,XN},样本对于的函数值为: { f ( X 1 ) , … , f ( X N ) } \{f(X_1),…,f(X_N)\} { f(X1),…,f(XN)}
- 然后再求和得到: F N ≈ b − a N ∑ i = 1 N f ( X i ) F_N≈\frac{b-a}{N} ∑_{i=1}^Nf(X_i) FN≈Nb−ai=1∑Nf(Xi)
- 用 F N F_N FN作为A近似估值。
- 这个和定积分的定义(黎曼积分)非常相似,只是在定积分的定义中 { X 1 , … , X N } \{X_1,…,X_N\} {
X1,…,XN}是不均匀采样得到而是对区间[a,b]均匀划分得到: { x 1 = a , … , x N = b } \{x_1=a,…,x_N=b\} {
x1=a,…,xN=b}。根据定积分的定义如果划分的次数N趋于无穷大的时候 F N = A F_N=A FN=A.如下图所示:
-
蒙特卡洛积分方法的正确性进行进一步分析:
-
{ X 1 , … , X N } \{X_1,…,X_N\} { X1,…,XN}是通过均匀分布采样得到的,则 X i X_i Xi也是随机变量并且服从均匀分布,即: X i X_i Xi~ U ( a , b ) U(a,b) U(a,b)
-
而 F N F_N FN是 { X 1 , … , X N } \{X_1,…,X_N\} { X1,…,XN}的函数那么 F N F_N FN是一个样本统计量也是一个随机变量。
-
那么现在我们计算一下 F N F_N FN的数学期望: E [ F N ] = E [ b − a N ∑ i = 1 N f ( X i ) ] = b − a N ∑ i = 1 N E [ f ( X i ) ] =
-