R语言实现蒙特卡洛模拟算法

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一|统计学|干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项,参与研究经费10w、40w级横向

文章目录

  • 1 蒙特·卡罗算法简介
  • 2 蒙特·卡罗方法主要步骤
  • 3 蒙特·卡罗方法优点
  • 4 蒙特·卡罗方法局限性
  • 5 蒙特·卡罗方法的代码实现——基于R

该篇文章利用介绍了蒙特·卡罗算法及其主要步骤;优点;局限性,同时利用R语言对实际案例进行蒙特卡罗模拟演示。

1 蒙特·卡罗算法简介

  蒙特·卡罗(Monte Carlo)算法,也称为蒙特卡洛方法或统计模拟方法,是一种基于随机采样的数值计算方法。它的基本思想是通过大量的随机采样来估计某个难以直接计算的值,从而得到近似结果。蒙特卡罗方法在各种领域都有广泛的应用,如计算物理、金融工程、统计学、计算机科学等。

  蒙特·卡罗方法的核心是随机性和大数定律。通过生成随机数或伪随机数,蒙特卡罗方法能够模拟各种复杂的随机过程,并通过统计这些随机过程的结果来得到问题的近似解。随着采样次数的增加,蒙特卡罗方法的估计结果将逐渐逼近真实值,这是由大数定律保证的。

2 蒙特·卡罗方法主要步骤

  蒙特卡罗方法的主要步骤如下:

  1. 定义问题:明确需要求解的问题,确定问题的目标函数或概率分布。
  2. 生成随机数:根据问题的需要,生成相应分布的随机数或伪随机数。
  3. 模拟过程:使用生成的随机数模拟问题的随机过程,如物理实验、金融交易等。
  4. 统计结果:收集模拟过程中的数据,并计算所需的统计量,如平均值、方差等。
  5. 估计结果:根据统计结果,估计问题的近似解,并给出相应的置信区间或误差分析。

3 蒙特·卡罗方法优点

  蒙特卡罗方法的优点包括:

  1. 通用性:蒙特卡罗方法适用于各种类型的问题,只要问题可以转化为随机过程进行模拟。
  2. 灵活性:蒙特卡罗方法可以根据问题的特点进行定制和优化,如采用重要性采样、分层采样等技术提高采样效率。
  3. 易于实现:蒙特卡罗方法的算法相对简单,易于编程实现和并行化。

4 蒙特·卡罗方法局限性

  蒙特卡罗方法的局限性主要表现在以下三个方面:

  1. 计算成本:为了得到较为准确的结果,蒙特卡罗方法通常需要大量的采样次数,这可能导致较高的计算成本。
  2. 收敛速度:蒙特卡罗方法的收敛速度通常与问题的维度和复杂性有关,对于高维或复杂问题,可能需要更长的计算时间。
  3. 随机性:蒙特卡罗方法的结果受到随机数生成器的影响,不同的随机数序列可能导致结果的波动。因此,在使用蒙特卡罗方法时,需要选择合适的随机数生成器并进行充分的测试。

5 蒙特·卡罗方法的代码实现——基于R

5.1 求圆周率 π \pi π

  运行程序:

library('ggplot2')
f <- function(r){
  sqrt(1-r^2)
}
x <- seq(0,1,length=3000)
y <- f(x)
df <- data.frame(x,y)
ggplot(df, mapping = aes(x=x,y=y))+
  geom_line()+geom_ribbon(aes(ymin=0, ymax=y, x = x), 
                          fill="red", alpha=0.2)+
  geom_hline(yintercept = c(0,1))+geom_vline(xintercept = c(0,1))
  
##计数函数
MC1 <- function(n){
  k <- 0
  x <- runif(n, 0, 1)
  y <- runif(n, 0, 1) #从已知概率分布中抽样
  for (i in 1:n){
    if (y[i] < f(x[i]))
      k <- k+1
  }
  k/n #建立所需的统计量
}
4*MC1(10000000) 

  运行结果:

3.141294

5.2 计算定积分

  运行程序:

library('ggplot2')
f <- function(x){
  log(1+x)/(1+x^2)
}
x <- seq(0,1,length=50)
y <- f(x)
df <- data.frame(x,y)

ggplot(df, mapping = aes(x=x,y=y))+geom_line()
ggplot(df, mapping = aes(x=x,y=y))+
  geom_line()+geom_ribbon(aes(ymin=0, ymax=y, x = x), 
                          fill="red", alpha=0.2)+
  geom_hline(yintercept = c(0,1))+geom_vline(xintercept = c(0,1))

##计数函数
MC1 <- function(n){
  k <- 0
  x <- runif(n, 0, 1)
  y <- runif(n, 0, 1) #从已知概率分布中抽样
  for (i in 1:n){
    if (y[i] < f(x[i]))
      k <- k+1
  }
  k/n #建立所需的统计量
}
MC1(10000000) 

  运行结果:

0.2721784

  该积分正确结果为:0.27057,蒙特卡洛模拟结果逼近正确结果。

5.3 蒙特卡罗算法在项目管理中的应用

  运行程序:

x <- seq(7,35,length = 100)
y1 <- dnorm(x, mean = 14, sd = 2)#dnorm正态分布概率密度函数值
y2 <- dnorm(x, mean = 23, sd = 3)
y3 <- dnorm(x, mean = 22, sd = 4)
data <- data.frame(x,y1,y2,y3)
colnames(data) <- c("x","y1","y2","y3")
ggplot(data)+
  geom_line(aes(x=x,y=y1), color = "red")+
  geom_line(aes(x=x,y=y2), color = "blue")+
  geom_line(aes(x=x,y=y3), color = "green")+
  theme_classic()
#构建蒙特卡罗模拟
MC2 <- function(n){
  y1 <- rnorm(n , mean = 14, sd = 2) #从已知概率分布中抽样
  y2 <- rnorm(n , mean = 23, sd = 3)
  y3 <- rnorm(n , mean = 22, sd = 4)
  y <- y1 + y2 + y3 #构造问题的概率模型
  result <- c(mean(y),var(y)) #建立所需的统计量,即样本均值和样本方差
  return(result)
}

result <- MC2(100000)
print(result)

  运行结果:

[1] 58.96622 28.98157

  运行程序:

x <- seq(7,80,length = 1000)
data <- data.frame(x,y1 <- dnorm(x, mean = 14, sd = 2),
                   dnorm(x, mean = 23, sd = 3),
                   dnorm(x, mean = 22, sd = 4),
                   dnorm(x, mean = result[1], 
                         sd = result[2]^0.5))
colnames(data) <- c("x","y1","y2","y3","y")
ggplot(data)+
  geom_line(aes(x=x,y=y1), color = "red")+
  geom_line(aes(x=x,y=y2), color = "blue")+
  geom_line(aes(x=x,y=y3), color = "green")+
  geom_line(aes(x=x,y=y))+
  theme_classic()

  运行结果:

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/515581.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

java 数据结构 Map和Set

目录 搜索树 操作-查找 操作-插入 操作-删除&#xff08;难点&#xff09; Map Map 的常用方法 Set 哈希表 哈希函数 哈希冲突 冲突-避免-负载因子调节&#xff08;重点掌握&#xff09; 冲突-解决 冲突-解决-开散列/哈希桶(重点掌握) 实现HashBuck类 put方法 …

C++实现 “你被骗了” 自动拦截,反诈神器

“Never Gonna Give You Up” &#xff0c; 已经是历经十五年的名梗了&#xff0c;点开这个视频&#xff0c;就说明 你被骗了。 无论是自己点进了一些奇奇怪怪的链接&#xff0c;还是被自动跳转&#xff0c;你都不希望 展开 0x01 原理&规则 【本程序B站视频链接】快去B站…

layui框架实战案例(26):layui-carousel轮播组件添加多个Echarts图标的效果

在Layui中&#xff0c;使用layui-carousel轮播组件嵌套Echarts图表来实现多个图表的展示。 css层叠样式表 调整轮播图背景色为白色&#xff1b;调整当个Echarts图表显示loading…状态&#xff1b;同一个DIV轮播项目添加多个Echarts的 .layui-carousel {background-color: #f…

【图论】有向无环图中一个节点的所有祖先 - 邻接表(DFS)

文章目录 题目&#xff1a;有向无环图中一个节点的所有祖先题目描述代码与解题思路 题目&#xff1a;有向无环图中一个节点的所有祖先 2192. 有向无环图中一个节点的所有祖先 题目描述 代码与解题思路 func getAncestors(n int, edges [][]int) [][]int {g : make([][]int, …

C#清空窗体的背景图片

目录 一、涉及到的知识点 1.设置窗体的背景图 2.加载窗体背景图 3.清空窗体的背景图 二、 示例 一、涉及到的知识点 1.设置窗体的背景图 详见本文作者的其他文章&#xff1a;C#手动改变自制窗体的大小-CSDN博客 https://wenchm.blog.csdn.net/article/details/137027140…

链路追踪原理

分布式系统为什么需要链路追踪&#xff1f; 随着互联网业务快速扩展&#xff0c;软件架构也日益变得复杂&#xff0c;为了适应海量用户高并发请求&#xff0c;系统中越来越多的组件开始走向分布式化&#xff0c;如单体架构拆分为微服务、服务内缓存变为分布式缓存、服务组件通…

IDEA2023.1.1中文插件

1.启动IDEA 选中Customize 2.选择All settings 3.选中Plugins,再搜索栏里输入Chinese,找到 "Chinese (Simplified) Language"插件&#xff0c;点击 Install 进行安装。 4. 安装完成后&#xff0c;重启IntelliJ IDEA&#xff0c;即可看到界面语言已经变为中文。

HashMap为啥线程不安全?

1. HashMap1.7在多线程并发下扩容时&#xff0c;头插法会出现环。 /*** Rehashes the contents of this map into a new array with a* larger capacity. This method is called automatically when the* number of keys in this map reaches its threshold.** If current cap…

回溯算法|491.递增子序列

力扣题目链接 class Solution { private:vector<vector<int>> result;vector<int> path;void backtracking(vector<int>& nums, int startIndex) {if (path.size() > 1) {result.push_back(path);// 注意这里不要加return&#xff0c;要取树上…

[计算机知识] TCP/IP网络模型、MySQL的结构

TCP/IP网络模型 应用层 给用户提供应用功能&#xff0c;如HTTP, DNS 应用层处于用户态&#xff0c;传输层及以下处于内核态 传输层 给应用层提供网络支持&#xff0c;如TCP, UDP TCP提供稳定、面向连接的网络传输协议 应用层的数据可能会太大&#xff0c;就需要进行拆分…

【GAMES101】Lecture08 09 Shading 3 (Texture Mapping cont.) 纹理映射 续集

目录 0 引言1 如何在三角形内进行插值&#xff1a;重心坐标1.1 为什么要在三角形内插值1.2 重心坐标1.3 使用重心坐标做三角形内颜色插值 2 应用纹理2.1 简单的纹理映射&#xff1a;漫反射2.2 问题&#xff1a;纹理放大&#xff08;采用插值解决&#xff09;2.2 点查询和范围查…

Qt主窗口 之:停靠/悬浮窗口(QDockWidget)

一、QDockWidget概述 QDockWidget 是 Qt 中的一个窗口部件&#xff0c;用于创建可停靠的窗口&#xff0c;通常用于构建多文档接口&#xff08;MDI&#xff09;或可定制的用户界面。QDockWidget 允许用户将窗口停靠在应用程序的主窗口周围&#xff0c;或将其拖动到独立的浮动窗…

STM32

GPIO通用输入输出口 GPIO:8种输入输出模式 浮空输入可读取引脚电平&#xff0c;若引脚悬空&#xff0c;电平不确定上拉输入可读取引脚电平&#xff0c;内部接上拉电阻&#xff0c;悬空时默认为高电平下拉输入可读取引脚电平&#xff0c;内部接下拉电阻&#xff0c;悬空时默认…

视频编辑的瑞士军刀,MoviePy库的详解与应用示例

左手编程&#xff0c;右手年华。大家好&#xff0c;我是一点&#xff0c;关注我&#xff0c;带你走入编程的世界。 公众号&#xff1a;一点sir&#xff0c;关注领取python编程资料 在数字媒体的时代&#xff0c;视频内容的创作和编辑变得越来越重要。无论是社交媒体上的短视频&…

【数据结构】初识数据结构与复杂度总结

前言 C语言这块算是总结完了&#xff0c;那从本篇开始就是步入一个新的大章——数据结构&#xff0c;这篇我们先来认识一下数据结构有关知识&#xff0c;以及复杂度的相关知识 个人主页&#xff1a;小张同学zkf 若有问题 评论区见 感兴趣就关注一下吧 目录 1.什么是数据结构 2.…

原创【matcap材质在ue4中的实现办法】

matcap材质在ue4中的实现办法 2023-08-29 15:34 https://www.bilibili.com/video/BV1GR4y1b76n/?spm_id_from333.337.search-card.all.click&vd_sourced76b773892c830a157c0ccc97ba78411 评论(0)

PS从入门到精通视频各类教程整理全集,包含素材、作业等(8)复发

PS从入门到精通视频各类教程整理全集&#xff0c;包含素材、作业等 最新PS以及插件合集&#xff0c;可在我以往文章中找到 由于阿里云盘有分享次受限制和文件大小限制&#xff0c;今天先分享到这里&#xff0c;后续持续更新 B站-PS异闻录&#xff1a;萌新系统入门课课程视频 …

Golang学习系列1-pprof性能调优

1. pprof 简述 一位亦师亦友的话让我记忆犹新&#xff0c;他说“学习一个新事务&#xff0c;应该从三个方面入手what,why,how;且三者的重要程度应该是递减”。所以在本文的第一部分先叙述下pprof的what & why。 1.1 What&#xff1f; pprof是golang自身提供的一种性能分…

基于顺序表的学生成绩管理系统

&#x1f308; 个人主页&#xff1a;白子寰 &#x1f525; 分类专栏&#xff1a;python从入门到精通&#xff0c;魔法指针&#xff0c;进阶C&#xff0c;C语言&#xff0c;C语言题集&#xff0c;C语言实现游戏&#x1f448; 希望得到您的订阅和支持~ &#x1f4a1; 坚持创作博文…

【Flink技术原理构造及特性】

1、Flink简介 Flink是一个批处理和流处理结合的统一计算框架&#xff0c;其核心是一个提供了数据分发以及并行化计算的流数据处理引擎。它的最大亮点是流处理&#xff0c;是业界最顶级的开源流处理引擎。 Flink最适合的应用场景是低时延的数据处理&#xff08;Data Processin…