El procedimiento para simulaciones de Monte Carlo es la siguiente: adivinar un conjunto de parámetros conocidos de una distribución aleatoria y estimar otros parámetros o resultados futuros a partir de estas suposiciones aleatorias . Cuando se repite un número de veces , la simulación de Monte Carlo puede dar una gama exacta de posibilidades , así como su probabilidad . El método de Monte Carlo es el más adecuado a las relaciones lineales donde se desconoce sólo uno parámetros.
Configuración
comenzar a prepararse para una simulación Monte Carlo mediante el examen de la ecuación para la relación que se desea simular . Por ejemplo , considere , " A sen /B ( C theta ) = X. " Los parámetros A , B y C deben ser conocidos , y el ángulo theta se puede estimar a través de la gama de 0 a 2 pi . Usted necesita saber el rango de los parámetros A, B y C, así como en qué medida los valores se distribuyen a través de la gama . Por ejemplo , A y B pueden estar distribuidas de manera uniforme entre 5 y 10 , y C puede ser normalmente distribuidos alrededor de 2 con una varianza de 1 . También tendrá que decidir sobre el número adecuado de ensayos para estimar adecuadamente la distribución potencial de X.
MATLAB Procedimiento
MATLAB "rand ( ) " función dibuja números pseudoaleatorios en una distribución uniforme en el intervalo ( 0,1 )
nTrials = 1,000 ; . a = 5 * rand ( nTrials , 1 ) + 5 ; B = 5 * rand ( nTrials , 1 ) + 5 ;
El MATLAB " normrnd ( ) " función dibuja número pseudoaleatorio de una distribución normal
C = normrnd ( 2,1 , nTrials , 1 ) ; .
el rango del ángulo theta se estima entre 0 y 2 pi a un interno de 0,05
theta = 0:0.05:2 * pi ; .
el resultado será X ser una matriz de nTrials dimensión de longitud ( theta )
X = ( a /B ) * sin ( C * theta ) .
Limitaciones
El método de Monte Carlo se limita a simular relaciones matemáticas que son conocidas , donde la mayoría de los parámetros puede estimarse a partir de una distribución conocida . Relaciones lineales funcionan mejor , como el error en la estimación puede crecer muy grande en las relaciones no lineales. Las relaciones con un gran número de parámetros o grandes rangos de distribución pueden tomar mucho tiempo para estimar utilizando el método de Monte Carlo.