9140750

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

返回《概率论与数理统计》慕课在线视频课程列表

12.4 伪随机数和随机模拟在线视频

12.4 伪随机数和随机模拟

下一节:讲义

返回《概率论与数理统计》慕课在线视频列表

12.4 伪随机数和随机模拟课程教案、知识点、字幕

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

概率论与数理统计课程列表:

第一周:随机事件及其概率运算

-随机试验与随机事件

--1.1 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

--1.3 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

--1.4 两个著名的例子

--第一周:两个著名的例子

-讲义

第二周:条件概率和独立性

-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

--2.2 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

--2.3 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

第三周:随机变量

-随机变量及分布函数

--3.1.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

--3.2 离散型随机变量

--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

--3.3 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

--3.4 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

第四周:常见随机变量

-二项分布与负二项分布

--4.1 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

--4.3 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

第五周:随机变量函数的分布及随机变量的数字特征

-随机变量函数的分布

--5.1 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

--5.2 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

--5.3 随机变量的方差

--第五周:随机变量的方差

-原点矩与中心矩

--5.4 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

--5.5 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

第六周:常见随机变量的期望方差和应用实例

-二项分布与泊松分布的期望与方差

--6.1二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

--6.2 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

--6.3 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

--6.4 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

第七周:多维随机变量,独立性

-多维随机变量

--7.1. 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

--7.2. 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

--7.3 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

--7.4 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

第八周:条件分布与条件期望

-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)

--8.3 全期望公式(上)

--第八周:全期望公式(上)

-全期望公式(下)

--8.4 全期望公式(下)

--第八周:全期望公式(下)

-讲义

第九周 协方差与相关系数

-随机变量函数的期望

--9.1. 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

--9.4 相关与独立

--第九周:相关与独立

-讲义

第十周 独立随机变量和的分布与顺序统计量

-独立随机变量和的分布

--10.1. 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

--10.2 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

--10.3 最大值、最小值分布

--第十周:最大值、最小值分布

-顺序统计量

--10.4 顺序统计量

--第十周:顺序统计量

-讲义

第十一周 正态分布专题

-正态分布的相关与独立

--11.1 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

--11.2 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

--11.3 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

--11.4 正态近似计算实例

--第十一周:正态近似计算实例

-讲义

第十二周 大数定律和中心极限定理

-大数定律

--12.1大数定律

--第十二周:大数定律

-中心极限定理

--12.2 中心极限定理

--第十二周:中心极限定理

-蒙特卡洛(Monte Carlo)算法

--12.3 蒙特卡洛(Monte Carlo)算法

-伪随机数和随机模拟

--12.4 伪随机数和随机模拟

-讲义

第十三周 统计学基本概念

-统计学实例

--13.1 统计学实例

-总体与样本

--13.2.总体与样本

-常用统计量

--13.3 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

--13.4 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

第十四周 参数点估计

-参数的矩估计

--14.1参数的矩估计法

--第十四周:参数的矩估计

-参数的极大似然估计

--14.2参数的极大似然估计法

--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

--14.3 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

--14.4 参数点估计应用实例

--第十四周:参数点估计应用实例

-讲义

第十五周 参数的区间估计

-区间估计的基本思想

--15.1 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

--15.2 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

--15.3 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

--15.4 大样本置信区间

--第十五周:大样本置信区间

-讲义

第十六周 假设检验

-假设检验问题的提示和标准步骤

--16.1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

--16.2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

--16.3 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

--16.4拟合优度检验

--第十六周:拟合优度检验

-讲义

应用实例

-利用条件概率计算网球比赛胜率

--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

--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

习题课一

-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

习题课二

-随机变量函数的分布

--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

习题课三

-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

习题课四

-选择

--选择

-填空

--填空

-大题

--大题

12.4 伪随机数和随机模拟笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。