Оцінка похибки методу Монте-Карло
Нехай для отримання оцінки a* математичного сподівання а випадкової величини Х було проведено n незалежних випробовувань (розіграно n можливих значень Х) і по них була знайдена вибіркова середня , яка прийнята в якості шуканої оцінки: . Звичайно, якщо повторити ще раз процедуру випробовування, то будуть отримані інші можливі значення Х, звідси і друга середня, а отже, і друга оцінка a*. Вже звідси випливає, що отримати точну оцінку математичного очікування неможливо. Звичайно, виникає запитання про розмір допустимої похибки. Обмежимось відшуканням лише верхньої границі допустимої похибки з заданою імовірністю (вірністю) :
.
Верхня границя похибки , яка нас цікавить, є не що інше, як «точність оцінки» математичного очікування по вибірковій середній за допомогою довірчих інтервалів. Розглянемо наступні три випадки.
Випадкова величина Х розподілена нормально і її середнє квадратичне відхилення відоме.
В цьому випадку з імовірністю верхня границя похибки
, (*)
де n - число випробувань (розіграних значень Х); t - значення аргументу функції Лапласа, при якому , - відоме середнє квадратичне відхилення Х.
Випадкова величина Х розподілена нормально, причому її середнє квадратичне відхилення невідоме.
В цьому випадку з імовірністю верхня границя похибки
, (**)
де n - число випробувань; s - «виправлене» середнє квадратичне відхилення, знаходять по таблиці.
Випадкова величина Х розподілена по закону, який відрізняється від нормального. В цьому випадку при достатньо великому числі випробовувань (n>30) з вірністю, приблизно рівній , верхня границя похибки може бути обчислена по формулі (*), якщо середнє квадратичне відхилення випадкової величини Х відоме; якщо ж невідоме, то можна підставити у формулу (*) його оцінку s - «виправлене» середнє квадратичне відхилення або скористатися формулою (**). Відзначимо, що чим більше n, тим менше розходження між результатами, що дають обидві формули. Це пояснюється тим, що при розподіл Стьюдента прямує до нормального.
З викладеного вище матеріалу випливає, що метод Монте-Карло тісно повязаний із задачами теорії ймовірностей, математичної статистики й обчислювальної математики. У звязку з задачею моделювання випадкових величин (особливо рівномірно розподілених) істотну роль відіграють також методи теорії чисел.
Серед інших обчислювальних методів, метод Монте-Карло виділяється своєю простотою і загальністю. Повільна збіжність є істотним недоліком методу, однак, можуть бути зазначені його модифікації, які забезпечують високий порядок збіжності при певних припущеннях. Правда, процедура обчислення при цьому ускладнюється і наближається по своїй складності до інших процедур обчислювальної математики. Збіжність методу Монте-Карло є збіжністю по імовірності. Цю обставину навряд чи варто відносити до числа його недоліків, тому що імовірні методи в достатній мірі виправдовують себе в практичних застосуваннях. Що ж стосується задач, що мають імовірний опис, то збіжність по імовірності є навіть якоюсь мірою природною при їхньому дослідженні.
- Вступ
- 1. Загальна схема методу Монте-Карло
- Оцінка похибки методу Монте-Карло
- 2. Обчислення кратних інтегралів методом Монте-Карло
- 2.1 Принцип роботи методу Монте-Карло
- 3. Програма обчислення кратного інтеграла методом Монте-Карло
- 3.1 Програма складена на мові програмування TURBO PASCAL 7.0
- 3.1Результат програми
- Висновок
- 23.Застосування методу Монте-Карло для розв'язування детермінованих задач (обчислення визначеного інтегралу).
- 9.2. Метод Монте-Карло
- 6.4 Метод Монте-Карло
- Метод Монте-Карло
- 44. Визначення, характерні особливості та сфера використання методу Монте-Карло.
- Метод Монте - Карло
- 53. Метод монте-карло в задачах електроенергетики
- Метод Монте-Карло
- Метод Монте-Карло
- Метод Монте-Карло