Hướng dẫn monte carlo simulation lognormal distribution excel - monte carlo mô phỏng phân phối lognormal excel
|
$ \ beingroup $ Show Tôi đang cố gắng thực hiện một mô phỏng Monte Carlo với Excel. Thông thường tôi sẽ sử dụng hàm Tôi đã lấy Tôi đang làm gì sai? Tôi sẽ đánh giá cao sự giúp đỡ nào. Cảm ơn.
 Herr K. 14.7K5 Huy hiệu vàng26 Huy hiệu bạc 50 Huy hiệu Đồng5 gold badges26 silver badges50 bronze badges hỏi ngày 29 tháng 9 năm 2021 lúc 13:48Sep 29, 2021 at 13:48
$ \ endgroup $ 1 $ \ beingroup $ Đặt $ x $ là một biến thống nhất trên $ [0,1] $.$X$ be a uniform variable on $[0,1]$. Sau đó, nếu $ \ Phi (x) $ là hàm phân phối tích lũy của phân phối bình thường tiêu chuẩn, $ \ Phi^{-1} (x) $ sẽ có phân phối bình thường tiêu chuẩn.$\Phi(x)$ is the cumulative distribution function of the standard normal distribution, $\Phi^{-1}(X)$ will have a standard normal distribution. Nếu $ y $ là log-bình thường được phân phối thì $ \ ln (y) $ có phân phối bình thường. Tương đương, nếu $ x $ thường được phân phối thì $ e^x $ có phân phối thông thường. Vì vậy, chúng ta có thể tạo phân phối log-bình thường bằng cách: $$ y = e^{\ Phi^{-1} (x)} $$ cho excel sử dụng rand () để tạo phân phối đồng nhất và lognorm.inv (x, 0, 0, 1) Để có được nghịch đảo của lognatural (đối số thứ hai là trung bình thứ ba là St.Dev của phân phối bình thường), vì vậy công thức có thể là:$Y$ is log-normal distributed then $\ln(Y)$ has a normal distribution. Equivalently, if $X$ is normally distributed then $e^X$ has a log-normal distribution. So we can generate log-normal distribution by: $$ Y = e^{\Phi^{-1}(X)} $$ For excel use RAND() to generate a uniform distribution and LOGNORM.INV(X,0,1) to get the inverse of the lognormal (second argument is the mean the third one is the st.dev of the normal distribution), so the formula could be:
Ngoài ra, bạn có thể lấy
Đã trả lời ngày 29 tháng 9 năm 2021 lúc 14:27Sep 29, 2021 at 14:27
TDMTDMtdm 8.6528 huy hiệu bạc31 huy hiệu đồng8 silver badges31 bronze badges $ \ endgroup $ 1 Trang này giải thích cách sử dụng phân phối bình thường, phân phối Weibull, phân phối log-bình thường hoặc phân phối phẳng đơn giản trong mô phỏng Monte Carlo. Với hàm RAND trong excel hoặc hàm RND trong VBA, bạn có thể áp dụng các phân phối thay thế cho mô phỏng Monte Carlo. Phân phối thay thế cho phép bạn đánh giá rủi ro theo những cách khác nhau và làm những việc như bao gồm phân phối sai lệch và phân phối đuôi chất béo. Điểm chung của tôi về mô phỏng Monte Carlo và thực sự nhiều đối tượng khác là bạn không nên sợ hãi và bạn nên lộn xộn với các tờ Excel. Lý do sử dụng phân phối bình thường là sự biến động đến từ độ lệch chuẩn và có thể được sử dụng để tạo phân phối xác suất. & NBSP; Khi các phân phối khác được sử dụng, biến động không có cùng ý nghĩa. Ba phân phối thay thế được minh họa dưới đây bao gồm (1) một phân phối đơn giản với xác suất không đổi trên phạm vi; (2) phân phối bình thường; . & nbsp; tệp excel với ví dụ về cách sử dụng các bản phân phối wiebull với các tham số khác nhau trong Monte CarloExcel File with Example of of How to Use Wiebull Distributions with Different Parameters in Monte Carlo Trong trường hợp phân phối không đổi, bạn có thể chỉ cần sử dụng công thức (rand ()-. 5) thay vì định mức incorsInv () trong phương trình chuỗi thời gian. & Nbsp; Trong trường hợp này, khi bạn nhân (rand ()-. 5) với biến động, bạn có thể sử dụng biến động để ước tính xác suất ở trên hoặc dưới mức. Một vài tập tin với một số bài tập chung về làm việc với phân phối bình thường có sẵn để tải xuống dưới đây. Ảnh chụp ảnh dưới đây cho thấy nhiều cách khác nhau mà phân phối bình thường có thể được sử dụng. Các số trong hộp cho thấy rằng khi bạn thêm một độ lệch chuẩn vào giá trị trung bình và khấu trừ một độ lệch chuẩn so với giá trị trung bình, bạn sẽ đạt được số xác suất 68% nổi tiếng. Ảnh chụp màn hình thứ hai dưới đây cho thấy cách thức các chức năng Norminv và Norminv hoạt động. & NBSP; Lưu ý một lần nữa rằng bạn có thể nhập độ lệch chuẩn và đạt được 84% hoặc 16%. & NBSP; Bạn có thể thực hiện nghịch đảo nơi bạn đặt trong xác suất và đi đến giá trị của phân phối bình thường. Nếu bạn muốn tải xuống các tệp bao gồm các bài tập để làm việc với phân phối bình thường, bạn có thể nhấn một vài nút bên dưới. Các bài tập làm việc với phân phối bình thường và trình diễn về trung bình +- độ lệch chuẩn là tệp Excel 68%với bản phân phối bình thường nhật ký trong đó tỷ lệ lợi nhuận thay vì mức độ tuyệt đối được sử dụng Excel File with the Log Normal Distribution where Rate of Return Rather Absolute Levels are Used Tạo một biểu đồ tiêu chuẩn của một phân phối bình thường với các dải cho độ lệch chuẩn được bao gồm trong biểu đồ thứ hai. Phân phối lognormalPhương pháp sử dụng phân phối log-bình thường thay vì phân phối đơn giản được hiển thị bên dưới. & NBSP; Phân phối log-bình thường sẽ không trở nên âm và được thể hiện trong công thức trong ảnh chụp màn hình dưới đây. Nếu bạn sử dụng phân phối log-bình thường thì trước tiên bạn có thể tính toán tỷ lệ hoàn trả. & NBSP; Sau đó, tính toán độ lệch chuẩn của tỷ lệ lợi nhuận mà bạn có thể sử dụng cho biến động. Trong mô phỏng Monte Carlo, bạn có thể sử dụng công thức: Giá trị (t) = value (t-1) * exp (biến động * NormsInv (rand ()) Phân phối WeibullTrong phần này tôi chỉ ra cách sử dụng phân phối Weibull trong bối cảnh mô phỏng Monte Carlo. & NBSP; Phân phối Weibull được điều khiển bởi một tham số alpha và beta trong Excel và tôi sẽ không đặt phương trình bên dưới. & NBSP; & NBSP; Bạn có thể nghĩ về điều này tương tự như phân phối bình thường chỉ được điều khiển bởi mức trung bình và độ lệch chuẩn. & NBSP; Tệp với phân phối Weibull có sẵn để tải xuống bằng cách nhấn nút bên dưới. Tệp với các công thức để tính toán phân phối Weibull và tạo một kỹ thuật tương tự như NormsInv Tệp Excel với ví dụ về cách sử dụng các bản phân phối Wiebull với các tham số khác nhau trong Monte Carlo Phân phối Weibull đôi khi được sử dụng trong phân tích gió để chiếu yếu tố năng lực của gió trong suốt một năm với mức trung bình của gió. & NBSP; Điều này là do các chuyển động của gió từ giờ đến giờ không được phân phối bình thường. & NBSP; Để xem lý do tại sao gió thường không được phân phối, chỉ cần nghĩ rằng bao nhiêu lần ai đó đã nói với bạn rằng tốc độ gió ngày nay âm (nó có thể thay đổi hướng, nhưng nó không bao giờ được nêu là một số âm). Mặt khác, khi trời rất nhiều gió, tốc độ gió rất cao. & NBSP; Nếu gió có phân phối bình thường, sẽ có tốc độ gió âm để bù đắp tốc độ gió rất cao vào những thời điểm khác vì phân phối là đối xứng. Khi làm việc với tốc độ gió, phân phối Weibull thường được sử dụng. & NBSP; Đây là một phân phối linh hoạt hơn, nơi bạn có thể làm cho mọi thứ sai lệch; Bạn có thể làm cho mọi thứ có một cái đuôi béo; và bạn có thể thực hiện một phân phối đối xứng trông giống như phân phối bình thường. & nbsp; Trong gió, các tham số sau đây thường được sử dụng (tôi không biết tại sao, nhưng mọi người phải thực hiện rất nhiều đường cong phù hợp với điều này): Alpha = 2.0 Gamma = .89 Beta = gamma x tốc độ gió trung bình Để minh họa cách thức hoạt động của quy trình, tôi so sánh phân phối Weibull bằng các tham số khác nhau với phân phối bình thường. & NBSP; Trong trường hợp đầu tiên, phân phối bình thường được so sánh với phân phối Weibull với alpha và beta dẫn đến phân phối tương tự. Sử dụng tình huống này, bạn có thể tạo một cái gì đó tương tự như hàm Norminv bằng cách thay đổi quy mô X và bình thường hóa thang đo. & NBSP; Điều này chứng minh rằng trong trường hợp của Weibull, các giá trị không thể âm. Khi các tham số gió với và alpha là 2.0 và gamma là 0,89 được sử dụng, phân phối sẽ thay đổi như hình dưới đây. & NBSP; Trong sơ đồ dưới đây, một giá trị tiêu chuẩn được điều chỉnh được hiển thị có giá trị trung bình là 0. & NBSP; Điều này có thể được sử dụng với chức năng tra cứu để lấy một cái gì đó giống như hàm định mức. & Nbsp; Điều đó có nghĩa là, bạn có thể đặt hàm tra cứu vào phương trình chuỗi thời gian thay vì định mức với bảng của các giá trị Weibull. Biểu đồ cuối cùng cho thấy phân phối Weibull với các tham số khác nhau tạo ra một cái gì đó giống như phân phối cấp độ. & NBSP; Điều này minh họa tính linh hoạt của phân phối để mô hình các tình huống thay thế. Bài tập 1 - Làm việc với phân phối bình thường.xls Làm thế nào để bạn tạo một phân phối lognatur trong Excel?Làm thế nào để vẽ một phân phối log-bình thường trong Excel.. Bước 1: Xác định các giá trị x. Đầu tiên, hãy xác định một loạt các giá trị X để sử dụng cho cốt truyện của chúng tôi. .... Bước 2: Tính các giá trị y. .... Bước 3: Vẽ sơ đồ phân phối log-bình thường. .... Bước 4: Sửa đổi sự xuất hiện của cốt truyện .. Bạn có thể chạy một mô phỏng Monte Carlo trong Excel không?Một mô phỏng Monte Carlo có thể được phát triển bằng Microsoft Excel và một trò chơi xúc xắc.Một bảng dữ liệu có thể được sử dụng để tạo ra kết quả Một tổng số 5.000 kết quả là cần thiết để chuẩn bị mô phỏng Monte Carlo. and a game of dice. A data table can be used to generate the results—a total of5,000 results are needed to prepare the Monte Carlo simulation.
Làm thế nào để bạn tính toán mô phỏng Monte Carlo trong Excel?Đầu tiên, sao chép từ ô C3 đến C4: C402 Công thức = rand ().Sau đó, bạn đặt tên cho phạm vi dữ liệu C3: C402.Sau đó, trong cột F, bạn có thể theo dõi trung bình của 400 số ngẫu nhiên (ô F2) và sử dụng hàm Countif để xác định các phân số nằm trong khoảng từ 0 đến 0,25, 0,25 và 0,50, 0,50 và 0,75 và 0,75 và 1.
Làm thế nào để bạn mô phỏng phân phối lognator?Phương pháp này rất đơn giản: bạn sử dụng hàm rand để tạo x ~ n (μ,), sau đó tính toán y = exp (x).Biến ngẫu nhiên y được phân phối một cách rõ ràng với các tham số μ và.Đây là định nghĩa tiêu chuẩn, nhưng lưu ý rằng các tham số được chỉ định là giá trị trung bình và độ lệch chuẩn của x = log (y).use the RAND function to generate X ~ N(μ, σ), then compute Y = exp(X). The random variable Y is lognormally distributed with parameters μ and σ. This is the standard definition, but notice that the parameters are specified as the mean and standard deviation of X = log(Y). |
