蒙特卡洛方法与本页画面
蒙特卡洛方法用随机抽样估计一个确定的数。本页的数是面积:在单位正方形里均匀随机地投个点,其中个落进某块区域,就估计这块区域的面积。四分之一圆的面积是,所以估计;下方的区域把一个没有初等原函数的积分也变成同样的计数。下面的图跟着一直到一百万,画出估计值,以及它95%的时候应该落在的范围。
为什么命中的比例能估计面积
在面积为1的正方形里均匀分布的点,落进一块区域的概率就等于这块区域的面积。每个点都是一次独立的试验,机会都一样,所以由大数定律,命中的比例趋于。区域是什么形状无关紧要,只要能判断一个点在不在里面。
能准到哪一位
命中数服从二项分布,所以比例的标准差是。典型误差按缩小:点数乘10,误差约缩小倍,要让它缩小到十分之一,大约要多投一百倍的点;一百万个点之后,π仍有约±0.003的不确定。判断准不准不需要知道真值:用观测到的比例代替,得到范围,这是一个近似的95%置信区间,本页在命中和未命中都至少有十个时才给出。如果用同样的把整个实验重复很多次,大约二十个范围里有一个盖不住真值;下图蓝色的喇叭是每个各自的这个范围,不是整条路径都要待在里面的带子;而且一次实验的误差不是一路变小的,点多了也可能离真值稍远一点。稳定变小的是范围。
什么时候值得用
对一元的光滑函数,辛普森法这样的确定性办法(见数值积分)在同样的计算量下要准得多。蒙特卡洛方法的长处是它的速度里的指数不随维数改变,而每边个点的网格在维里要个点,所以在高维问题里它可能是更好的选择。它的短处在小目标上:标准误差和面积之比是,面积只有正方形百分之一的区域,要达到同样的相对精度需要多得多的点。
值得注意
- 随机的点不会均匀铺开:几百个点里出现扎堆和空白是正常的。
- 点由带编号种子的伪随机数生成,所以分享的链接会还原同样的点;投到一百万后再按投点,换下一个种子重投。