如何在 Monte Carlo 方法中定义准确的样本数
How to define an exact number of samples in the Monte Carlo method
我正在开发 montecarlo (dx) 积分的模拟,我发现自己想知道在 Monte Carlo 方法中确定确切样本数 (N) 以近似解的最佳方法是什么定积分。
这是一个简单的实现代码:
import math
import random
class Montecarlo:
def __init__ (self):
print ("Inicializa..")
def fy(self, ri, a, b):
res = math.pow((b-a)*ri+a, 2.0)+math.sqrt((b-a)*ri+a)
return res
def integral (self, a, b, N):
suma = 0.0
ri = 0.0
for i in range (N):
ri = random.random()
suma+=self.fy(ri,a,b)
res=((b-a)/N)*suma
return res
if __name__ == "__main__":
monte = Montecarlo()
res = monte.integral(10.0,27.0,N)
print("Res: ", res)
- 其中 N 必须是允许接近积分真实结果的值
Win Monte Carlo,您可以计算模拟的统计误差 (stddev)。它下降为 1/sqrt(N)。您可以设定您的目标 - 例如,将误差控制在 2% 以下 - 并轻松计算出您现在需要的样本数 (N)。
我修改了你的代码并添加了二次动量、西格玛和模拟误差的计算
import math
import random
class Montecarlo:
def __init__(self):
print ("Inicializa..")
def fy(self, ri, a, b):
res = math.pow((b-a)*ri+a, 2.0) + math.sqrt((b-a)*ri+a)
return res
def integral (self, a, b, N):
sum = 0.0
var = 0.0
for i in range(N):
ri = random.random()
v = self.fy(ri, a, b)
sum += v
var += v*v
sum /= float(N)
var /= float(N)
sigma = ( var - sum*sum ) * float(N)/float(N-1)
error = sigma / math.sqrt(N)
return ((b-a) * sum, (b-a)*error)
if __name__ == "__main__":
N = 100000
monte = Montecarlo()
res, err = monte.integral(10.0, 27.0, N)
print("Res: {0}, Err: {1}".format(res, err))
我正在开发 montecarlo (dx) 积分的模拟,我发现自己想知道在 Monte Carlo 方法中确定确切样本数 (N) 以近似解的最佳方法是什么定积分。
这是一个简单的实现代码:
import math
import random
class Montecarlo:
def __init__ (self):
print ("Inicializa..")
def fy(self, ri, a, b):
res = math.pow((b-a)*ri+a, 2.0)+math.sqrt((b-a)*ri+a)
return res
def integral (self, a, b, N):
suma = 0.0
ri = 0.0
for i in range (N):
ri = random.random()
suma+=self.fy(ri,a,b)
res=((b-a)/N)*suma
return res
if __name__ == "__main__":
monte = Montecarlo()
res = monte.integral(10.0,27.0,N)
print("Res: ", res)
- 其中 N 必须是允许接近积分真实结果的值
Win Monte Carlo,您可以计算模拟的统计误差 (stddev)。它下降为 1/sqrt(N)。您可以设定您的目标 - 例如,将误差控制在 2% 以下 - 并轻松计算出您现在需要的样本数 (N)。
我修改了你的代码并添加了二次动量、西格玛和模拟误差的计算
import math
import random
class Montecarlo:
def __init__(self):
print ("Inicializa..")
def fy(self, ri, a, b):
res = math.pow((b-a)*ri+a, 2.0) + math.sqrt((b-a)*ri+a)
return res
def integral (self, a, b, N):
sum = 0.0
var = 0.0
for i in range(N):
ri = random.random()
v = self.fy(ri, a, b)
sum += v
var += v*v
sum /= float(N)
var /= float(N)
sigma = ( var - sum*sum ) * float(N)/float(N-1)
error = sigma / math.sqrt(N)
return ((b-a) * sum, (b-a)*error)
if __name__ == "__main__":
N = 100000
monte = Montecarlo()
res, err = monte.integral(10.0, 27.0, N)
print("Res: {0}, Err: {1}".format(res, err))