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](#1 蒙特·卡罗算法简介)
[2 蒙特·卡罗方法主要步骤](#2 蒙特·卡罗方法主要步骤)
[3 蒙特·卡罗方法优点](#3 蒙特·卡罗方法优点)
[4 蒙特·卡罗方法局限性](#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](#5 蒙特·卡罗方法的代码实现——基于R)
- [5.1 求圆周率 π \pi π](#5.1 求圆周率 π \pi π)
- [5.2 计算定积分](#5.2 计算定积分)
- [5.3 蒙特卡罗算法在项目管理中的应用](#5.3 蒙特卡罗算法在项目管理中的应用)

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：

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。
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。
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。
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。
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：

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。
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。
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：

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。
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。
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：