Обнинский Институт Атомной Энергетики. МОДЕЛИРОВАНИЕИНФОРМАЦИОННЫХСИСТЕМ Гулина Ольга Михайловна olga@iate.obninsk.ru Сopyright © 2001 by Nataly Pashkova.

Презентация:



Advertisements
Похожие презентации
Обнинский Институт Атомной Энергетики МОДЕЛИРОВАНИЕИНФОРМАЦИОННЫХСИСТЕМ Гулина Ольга Михайловна Сopyright © 2001 by Nataly Pashkova.
Advertisements

Обнинский Государственный Технический Университет Атомной Энергетики.
Обнинский Институт Атомной Энергетики. МОДЕЛИРОВАНИЕИНФОРМАЦИОННЫХСИСТЕМ Гулина Ольга Михайловна Сopyright © 2001 by Nataly Pashkova.
Понятие о методах Монте-Карло. Расчет интегралов 2.5. Расчет интегралов методом Монте-Карло.
1.Основные понятия случайной величины 1.1 Классификация случайных процессов.
Методы численного интегрирования Выполнили: ст. гр. 2Б15: Забродько П. О Золоторёв Р. Н Руководитель: Тарбокова Т. В.
МАОУ «Средняя общеобразовательная школа 40» Учитель математики Старкова Ольга Павловна, МАОУ «СОШ 40» Пермь, 2012.
Обнинский Институт Атомной Энергетики Преобразования случайных величин Моделирование дискретных случайных величин 1 0 (1)
Математический диктант Табличное интегрирование МБ ОУ Ризоватовская СШ.
Числовые характеристики случайной величины. Применяются вместо закона распределения случайной величины В сжатой форме выражают наиболее существенные особенности.
Определенный интеграл Липлянская Татьяна Геннадьевна, учитель математики МОУ «СОШ 3» города Ясного Оренбургской области.
Метод максимального правдоподобия ММП позволяет получить по крайней мере асимптотически несмещенные и эффективные оценки параметров распределения, которые.
Количественные характеристики случайных переменных Математическое ожидание (среднее значение) Математическое ожидание (среднее значение) Дисперсия и среднее.
Алгебра 11 класс Липлянская Татьяна Геннадьевна, учитель математики МОУ «СОШ 3» города Ясного Оренбургской области.
1.Случайные события. ВероятностьСлучайные события. Вероятность 2.Вычисление вероятностейВычисление вероятностей 3.Независимые события. Формула БернуллиНезависимые.
, % 22, % % %
Вычисление площадей плоских фигур с помощью определённого интеграла План занятия: 1.Устный счёт 2.Основные случаи расположения плоской фигуры 3.Алгоритм.
Метод наименьших квадратов В математической статистике методы получения наилучшего приближения к исходным данным в виде аппроксимирующей функции получили.
Распространим определения числовых характеристик дискретных величин на величины непрерывные. Математическим ожиданием непрерывной случайной величины Х,
Проверка домашнего задания 1033(1). 1033(3) 1035(1) S.
Транксрипт:

Обнинский Институт Атомной Энергетики

МОДЕЛИРОВАНИЕИНФОРМАЦИОННЫХСИСТЕМ Гулина Ольга Михайловна Сopyright © 2001 by Nataly Pashkova

Вычисление интегралов методом Монте-Карло

Метод Монте-Карло Z=g( ),

Общий метод оценки математических ожиданий

Оценка эмпирической дисперсии Оценка эмпирической дисперсии

Общий метод оценки математических ожиданий

Вычисление интегралов методом Монте-Карло

Алгоритм вычисления интеграла

Трудоемкость алгоритма Монте-Карло t*Dξ

Способы уменьшения дисперсии

Частичное аналитическое интегрирование Выделение главной части

Частичное аналитическое интегрирование Выделение главной части

Частичное аналитическое интегрирование Интегрирование по части области

Частичное аналитическое интегрирование Интегрирование по части области

Метод существенной выборки Плотность p(P), определенную в G, назовем допустимой по отношению к f(P), если p(P)>0 в тех точках, где f(P) 0.

Метод существенной выборки

Теорема. Минимальная дисперсия DZ 0 реализуется в случае, когда плотность p(P) пропорциональна |f(P)|, и равна Метод существенной выборки

Метод предложен Г. Каном и называется методом существенной выборки (importance sampling)

Метод существенной выборки