1
Metoda Monte Carlo
n
n
P
0
Eksperyment:
Ile wynosi prawdopodobieństwo wylosowania orła przy rzucie monetą ?
George Leclerc de Buffon (1707-1788)
n = 4040
n
0
= 2048
P = 0.50693
Karl Pearson (1857-1936)
n = 12 000
n
0
= 6 019
P = 0.5016
n = 24 000
n
0
= 12 012
P = 0.5005
– estymator prawdopodobieństwa
awarii
n – liczba prób
n
0
– liczba awarii
P
2
Metoda Monte Carlo
- błąd metody
zmienna losowa A:
rozkład prawdpodobieństwa
zmiennej A:
wartość średnia
zmiennej A:
wariancja
zmiennej A:
awarii
brak
gdy
awaria
gdy
0
1
A
f
A
f
A
P
0
p
,
P
1
p
f
f
f
A
A
P
P
1
0
P
1
A
p
A
E(A)
μ
f
f
2
f
f
2
2
2
A
P
1
P
P
P
A
E
A
E
V(A)
σ
3
Metoda Monte Carlo
- błąd metody
Estymator prawdopodobieństwa awarii jest średnią arytmetyczną zmiennej A,
i jest zmienna losową
wartość średnia
estymatora
wariancja
estymatora
współ. zmienności
stąd:
estymatora
n
n
n
0
n
n
1
n
n
A
P
0
0
0
n
f
ˆ
f
n
n
f
P
P
A
E
n
n
1
A
E
n
1
n
A
E
P
E
f
ˆ
ˆ
f
f
2
n
2
n
f
2
P
P
1
P
n
1
A
V
n
n
1
A
V
n
1
n
A
V
P
V
σ
f
ˆ
ˆ
f
f
P
P
P
P
n
P
1
μ
σ
V
f
f
f
ˆ
ˆ
ˆ
2
ˆ
f
P
f
f
V
P
P
1
n
4
Metoda Monte Carlo
- błąd metody
Zakładamy, że estymator prawdopodobieństwa awarii
ma rozkład normalny o parametrach i
Ile powinna wynosić liczba prób metody Monte Carlo
n
aby procentowy błąd oszacowania prawdopodobieństwa awarii
przekraczał
z prawdopodobieństwem
p
k
?
f
Pˆ
f
Pˆ
f
P
σ
ˆ
f
f
f
P
P
P
ˆ
f
P
P
μ
f
ˆ
f
P
k
f
f
f
p
1
ε
P
P
P
ε
P
ˆ
f
P
f
Pˆ
0.5 p
k
0.5 p
k
5
Metoda Monte Carlo
- błąd metody
k
f
f
f
p
1
ε
P
P
P
ε
P
ˆ
k
P
P
P
P
f
P
P
p
1
ε
P
ε
P
f
f
f
f
f
f
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
2
p
V
ε
σ
μ
P
P
k
P
P
f
f
f
P
f
ˆ
ˆ
ˆ
ˆ
2
p
V
ε
k
P
f
ˆ
2
p
ε
V
k
P
f
1
ˆ
k
f
f
f
f
p
1
P
ε
P
-
P
P
ε
P
ˆ
2
ˆ
f
P
f
f
V
P
P
1
n
6
Przykład:
Ile należy przeprowadzić prób metody Monte Carlo
aby oszacować prawdopodobieństwo awarii P
f
rzędu 10
-3
z błędem rzędu ±10% z prawdopodobieństwem 95% ?
000
400
762
383
0.051
999
V
1
P
P
1
n
999
P
P
1
10
P
0.051
1.96
0.1
2
p
Φ
ε
V
1.96
0.025
Φ
2
p
Φ
0.05
0.95
1
p
0.1
ε
2
2
P
f
f
f
f
3
f
k
1
P
1
k
1
k
f
f
ˆ
ˆ
7
Metoda Monte Carlo
- generowanie liczb losowych
• rozkład normalny
jeżeli zmienna X ma rozkład normalny o parametrach
X
i
X
,
to zmienna Z
ma rozkład normalny standaryzowany
Algorytm:
1. wygenerować liczbę losową
o rozwkładzie równomiernym u
i
2. odwrócić dystrybuantę
3. obliczyć liczbę losową
o rozkładzie normalnym a
i
X
X
σ
μ
X
Z
i
1
i
u
Φ
z
X
i
X
i
σ
z
μ
x
1
0,
u
i
8
• rozkład logarytmiczno-normalny
jeżeli zmienna X ma rozkład logarytmiczno-normalny o parametrach
X
i
X
,
to zmienna lnX ma rozkład normalny o parametrach
lnX
i
lnX
,
czyli zmienna Z
ma rozkład normalny standaryzowany.
Algorytm:
1. obliczyć parametry
lnX
i
lnX
2. wygenerować liczbę losową u
i
3. odwrócić dystrybuantę
4. ponieważ
x
i
obliczyć następująco:
lnX
lnX
σ
μ
lnX
Z
i
1
i
u
Φ
z
lnX
i
lnX
σ
z
μ
i
e
x
X
i
lnX
i
σ
z
μ
x
ln
2
lnX
X
lnX
σ
0,5
μ
ln
μ
2
X
2
lnX
V
1
ln
σ
1
0,
u
i
9
• rozkład ekstremalny typu I
jeżeli zmienna X ma rozkład ekstremalny typu I o parametrach
X
i
X
,
to jej dystrybuanta wyraża się wzorem:
Algorytm:
1. obliczyć parametry i u
2. wygenerować liczbę losową u
i
3. odwrócić dystrybuantę F
X
(x
i
)
logarytmując ją obustronnie
u)
(x
e
X
e
x
F
X
X
σ
1.282
σ
6
π
α
α
0,5772
μ
u
X
u
x
a
u
ln
ln
e
u
ln
e
x
F
u
i
i
u
x
a
i
e
i
X
i
i
u)
i
a(x
1
0,
u
i
i
i
u
ln
ln
a
1
u
x