当前课程知识点:概率论与数理统计 > 第十二周 大数定律和中心极限定理 > 伪随机数和随机模拟 > 12.4 伪随机数和随机模拟
随机数是随机算法实现的先决条件
随机数的质量对于随机算法的效果
起着极为关键的作用
从20世纪二、三十年代开始
人们编制过一些随机数表
但是 这些随机数表
远远达不到现代的仿真模拟
Monte Carlo计算等
诸多领域的实际应用
这些实际应用中
需要大量、快速地生成的随机数
这必须借助计算机程序实现
但计算机上却无法生成真正的随机数
因为在计算机上
一切事情均是确定的
在实际应用中
人们通常以一些简单的
算术操作实现某种确定性的规则
以此产生一列
看起来很像随机数的数字
作为随机数使用
这样的数字序列叫做伪随机数列
它们仅仅在有限的意义下是随机的
最为常用 也最为基本的是
生成0,1区间上的均匀分布的
伪随机数列
从1948年开始
人们对如何用计算机生成好的伪随机
数进行了大量的研究
其中包括Von Neumann
Knuth这样的著名学者
经过几十年的不断改进
目前为人们广泛采用的
伪随机数生成算法
大约是2000年左右提出的
现在0,1区间的均匀随机数很容易得到
除了Matlab等专业计算软件
Excel中也有rand命令
可生成0,1区间的均匀伪随机数
设随机变量U
服从0,1区间上的均匀分布
函数F为定义在实数集合R的
连续单调递增函数
且对任何实数x都有F(x)小于等于1
大于等于0
且当x趋于正无穷时 F(x)趋于1
当x趋于负无穷时 F(x)趋于0
则由F(x)的反函数
作用于U得到的随机变量X
其概率分布函数为F(x)
这就得到了一种
由0,1区间均匀分布随机变量
生成其他分布随机变量的一般方法
利用0,1区间均匀分布下的伪随机数
生成服从参数为lamda
(即期望为lamda分之1)的
指数分布的伪随机数
设随机变量X服从0,1区间的均匀分布
考虑随机变量Y等于
lamda分之负的lnX
当y小于等于0时
Y的分布函数F(y)等于0
当y大于0时
Y的分布函数F(y)
等于Y小于等于小y的概率
等于X小于等于e的
负lamda_y次幂的概率
等于e的负lamda_y次幂
这就是参数为lamda的
指数分布随机变量的分布函数
所以Y等于lamda分之负的lnX
服从参数为lamda的指数分布
要得到指数分布的伪随机数
可以先生成一列
0,1区间内的均匀分布的伪随机数
x1,x2,直到xn
则lamda分之负的lnx1
lamda分之负的lnx2
直到lamda分之负的lnxn
即为n个服从参数为lamda的
指数分布的伪随机数
有了伪随机数
即可方便地进行随机模拟
独立抛掷一个均匀的六面的色子
设Xk是第k次掷出的点数
则Xk的期望等于3.5
Xk的方差等于12分之35
大数定律的结论是
当n很大时 平均点趋于3.5
即平均点数将无限接近于3.5
而中心极限定理的结论是
当n很大时平均点数作为一个随机变量
趋于一个期望为3.5
方差为12n分之35的正态分布
设Yn等于X1到Xn的平均
减去3.5除以根号12n分之35
则Yn近似服从标准正态分布
当n等于1000时
Y_1000等于X1
加到X_1000减去3500
除以根号12分之35乘以1000
近近似服从标准正态分布
我们对Y_1000的分布进行模拟
希望同学们通过模拟过程
进一步体会大数定律与中心极限定理
所描述的近似的概率意义
对X1到X_1000的求和进行模拟
一次模拟即随机生成1000个
0,1区间的均匀随机数
对于大于等于1小于等于6的正整数
如果随机数小于等于6分之k
大于6分之k-1
则将随机数对应为k
例如 0,1区间的均匀随机数
0.4549,0.3325,0.9437,0.3031
分别对应于1至6中的整数3,3,6,2
这样生成了的1000个1到6
各以1/6概率出现的伪随机数
将它们求和
即完成一次模拟
将模拟重复5000次
得到下面的左边的直方图
直方图的纵坐标显示的是落入
对应横坐标区间的样本数
右图显示5000个Y_1000的图
模拟值的直方
直方图进行了归一化
即使得直方图围成面积等于1
右图中红色曲线为
标准正态分布的密度函数曲线
理论上算出的Y_1000
落入-1到1区间的概率为0.6827
在5000次模拟试验中
Y_1000实际落入
-1到1区间范围的次数是3417
5000分之3417等于0.6834
其中Y_1000绝对值小于等于1
对应的X1到X1000点数和范围
应该是3446到3554
这两个值是3500加减根号
12分之3万5千的值
最后给出模拟的Matlab程序
供同学们参考
-随机试验与随机事件
-古典概型
--1.2 古典概型
--第一周:古典概型
-事件间的关系与事件的运算
--第一周:事件间的关系与事件的运算
-两个著名的例子
--第一周:两个著名的例子
-讲义
-条件概率
--2.1 条件概率
--第二周:条件概率
-有关条件概率的三个重要计算公式
--第二周:有关条件概率的三个重要计算公式
-事件的独立性
--第二周:事件的独立性
-应用实例
--2.4 应用实例
--第二周:应用实例
-网球比赛胜率的计算
--Video
-讲义
-随机变量及分布函数
--第三周:随机变量及分布函数
-离散型与连续型随机变量
--第三周:离散型与连续型随机变量
-分布函数的性质与特殊的例子
--第三周:分布函数的性质与特殊的例子
-概率论所需微积分要点回顾
--第三周:概率论所需微积分要点回顾
-讲义
-二项分布与负二项分布
--第四周:二项分布与负二项分布
-泊松分布
--4.2 泊松分布
--第四周:泊松分布
-几何分布与指数分布
--第四周:几何分布与指数分布
-正态分布
--4.4 正态分布
--第四周:正态分布
-讲义
-随机变量函数的分布
--第五周:随机变量函数的分布
-随机变量的数学期望
--第五周:随机变量的数学期望
-随机变量的方差
--第五周:随机变量的方差
-原点矩与中心矩
--第五周:原点矩与中心矩
-期望和方差的一些补充性质
--第五周:期望和方差的一些补充性质
-讲义
-二项分布与泊松分布的期望与方差
--第六周:二项分布与泊松分布的期望与方差
-几何分布的期望与方差
--第六周:几何分布的期望与方差
-均匀、指数和正态分布的期望与方差
--第六周:均匀、指数和正态分布的期望与方差
-随机变量数学期望的应用实例
--第六周:随机变量数学期望的应用实例
-快速排序算法的平均计算量分析
--Video
-讲义
-多维随机变量
-第七周:多维随机变量
-常见多维随机变量举例
--第七周:常见多维随机变量举例
-随机变量的独立性
--第七周:随机变量的独立性
-独立随机变量期望和方差的性质
--第七周:独立随机变量期望和方差的性质
-讲义
-条件分布
--8.1条件分布
--第八周:条件分布
-条件期望
--8.2 条件期望
--第八周:条件期望
-全期望公式(上)
--第八周:全期望公式(上)
-全期望公式(下)
--第八周:全期望公式(下)
-讲义
-随机变量函数的期望
--第九周:随机变量函数的期望
-协方差
--9.2 协方差
--第九周:协方差
-相关系数
-- 9.3 相关系数
--第九周:相关系数
-相关与独立
--第九周:相关与独立
-讲义
-独立随机变量和的分布
--第十周:独立随机变量和的分布
-独立正态分布和的分布
--第十周:独立正态分布和的分布
-最大值、最小值分布
--第十周:最大值、最小值分布
-顺序统计量
--第十周:顺序统计量
-讲义
-正态分布的相关与独立
--第十一周:正态分布的相关与独立
-边缘密度均为正态,联合分布不是二元正态的例子
--第十一周:边缘密度均为正态,联合分布不是二元正态的例子
-二项分布的正态近似
--第十一周:二项分布的正态近似
-正态近似计算实例
--第十一周:正态近似计算实例
-讲义
-大数定律
--12.1大数定律
--第十二周:大数定律
-中心极限定理
--第十二周:中心极限定理
-蒙特卡洛(Monte Carlo)算法
-伪随机数和随机模拟
-讲义
-统计学实例
-总体与样本
-常用统计量
--第十三周:常用统计量
-三种重要的统计分布和分位数
--第十三周:三种重要的统计分布和分位数
-讲义
-参数的矩估计
--第十四周:参数的矩估计
-参数的极大似然估计
--第十四周:参数的极大似然估计
-参数点估计的无偏性和有效性
--第十四周:参数点估计的无偏性和有效性
-参数点估计应用实例
--第十四周:参数点估计应用实例
-讲义
-区间估计的基本思想
--第十五周:区间估计的基本思想
-区间估计的构造方法
--第十五周:区间估计的构造方法
-两个正态总体的区间估计
--第十五周:两个正态总体的区间估计
-大样本置信区间
--第十五周:大样本置信区间
-讲义
-假设检验问题的提示和标准步骤
--第十六周:假设检验问题的提示和标准步骤
-假设检验问题的两类错误和P值
--第十六周:假设检验问题的两类错误和P值
-单个正态总体参数的假设检验
--第十六周:单个正态总体参数的假设检验
-拟合优度检验
--第十六周:拟合优度检验
-讲义
-利用条件概率计算网球比赛胜率
-利用期望的计算性质分析快速排序算法的平均计算量
-讲义
-事件
--事件
-分布函数
--分布函数
-正态
--正态
-指数与二项
--指数与二项
-随机变量函数的分布
-指数分布期望
--指数分布期望
-切比雪夫不等式
--切比雪夫
-二元离散
--二元离散
-协方差
--协方差
-二元特征
--二元特征
-统计量
--统计量
-无偏估计
--无偏估计
-点估计
--点估计
-假设检验
--假设检验
-选择
--选择
-填空
--填空
-大题
--大题