摘要
蒙特卡罗积分是一种基于随机抽样的统计方法。打个比方,要想知道抛出硬币得到正面的概率,随机投1000次,得到500次左右,推测出概率应该为 1 2 \frac{1}{2} 21。差不多是这意思,比较著名的例子是W.S.戈塞特使用随机抽样来研究现在被称为“学生t”统计数据的分布。随着计算机的出现及发展,该方法也得到发展。
方法概述
-
概述 ∫ a b g ( x ) d x \int_a^b g(x)dx ∫abg(x)dx
理论基础:如果X是一个随机变量,其密度函数为 f ( x ) f(x) f(x),那么随机变量 Y = g ( X ) Y=g(X) Y=g(X)的数学期望为 E [ g ( X ) ] = ∫ − ∞ ∞ g ( x ) f ( x ) d x E[g(X)]=\int_{-\infty}^{\infty} g(x)f(x)dx E[g(X)]=∫−∞∞g(x)f(x)dx
那么获得服从随机变量X分布的随机数,那么所求的 E [ g ( x ) ] E[g(x)] E[g(x)] 就是该样本均值的无偏估计。 -
计算(积分上下界为0-1) θ = ∫ 0 1 g ( x ) d x \theta=\int_0^1 g(x)dx θ=∫01g(x)dx, 求 θ \theta θ。
这么想: ∫ 0 1 g ( x ) d x = ∫ 0 1 g ( x ) × 1 d x \int_0^1g(x)dx=\int_0^1g(x) \times 1dx ∫01g(x)dx=∫01g(x)×1dx套上面的意思,假定X服从均匀分布 U(0,1),那么 f ( x ) = 1 f(x)=1 f(x)=1, 那么生成该均匀分布的随机数,代入 g ( x ) g(x) g(x)式子中,则
θ = g ( x ) ‾ = 1 N ∑ 0 N g ( x i