python实现求解积分

例子 1：假设有随机变量 x，定义域 X，其概率密度函数为 p(x)，f(x) 为定义在 X 上的函数，目标是求函数 f(x) 关于密度函数 p(x) 的数学期望 。蒙特卡洛法根据概率分布 p(x) 独立地抽样 n 个样本 x1,x2,…..xn，得到近似的 f(x) 期望为：

 

其实这个的理解就是要求一个拥有概率密度的函数期望值

期望=积分（每个点的密度函数*每个点的价值函数）

 

例子 2： 假设我们想要求解 h(x) 在 X 上的积分：

 

 

我们将 h(x) 分解成一个函数 f(x) 和一个概率密度函数 p(x) 的乘积，进而又将问题转换为求解函数 f(x) 关于密度函数 p(x) 的数学期望 ：

 

这里的Ep(x)是相当于把整个分布当时了概率分布，即总发生概率为1.

 

这里，f(x) 表示为 ，则有：

 

 

更一般的，假设我们想要求解 ，熟悉积分的同学肯定已经知道答案为 ，那么如何用采样的方法来得到这个值呢？

 

令 ，0<x<10，那么 。

 

下面是代码：

'''import random
num=1000000
sum=0
for i in range(0,num):
    x=random.uniform(0,10)
    sum+=x*x*10
sum/=1000000
print(sum)'''
import random
numSamples=10000
samples=[random.uniform(0,10)for _ in range(numSamples)]
f_samples=[10*sample**2 for sample in samples]
result=1/10000.0*sum(f_samples)
print(result)

result=333.10527012455066

random.uniform(x,y)表示在[x,y)之间生成一个 实数

 

对于复杂的 h(x)，这种方法计算起来显然就更加方便了（特别是忘记积分怎么算的同学）。

蒙特卡洛方法其实就是利用大数定理通过大量统计来算出最后的值。

到这里为止，我们简单的介绍了蒙特卡洛方法，但是依旧没有提到要怎么利用复杂的概率密度函数进行采样。接下来我们来看一下接受-拒绝法（accept-reject sampling method），它也是蒙特卡洛法中的一种类型适用于不能直接抽样的情况。