zde
Transkript
zde
Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Metody počítačové fyziky - hodina 3. Ondřej Klimo Úvod do metody Monte Carlo Čerpáno částečně z I. Nezbeda, J. Kolafa a M. Kotrla: Úvod do počítačových simulací. Metody Monte Carlo a molekulární dynamiky, skriptum University Karlovy (Karolinum, Praha 1998, 2003). Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC ve statistické fyzice Markovovy řetězce Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Úvod I Monte Carlo (MC) je numerická metoda, která využívá generování náhodných čísel. I Dvě hlavní oblasti využití této metody jsou ve statistické fyzice (v souborech mnoha částic) a v lineární kinetické teorii transportu částic. I K této numerické metodě existují i matematické základy - existují precizní matematické důkazy MC metod, které dokazují, že jsou to platná řešení matematických rovnic - např. Fremholdova integrální rovnice druhého druhu v případě problému transportu částic. I Praktické implementace metody Monte Carlo závisí na naší schopnosti generovat náhodná čísla s distribuční funkcí, která daný jev popisuje. Ondřej Klimo Metody počítačové fyziky - hodina 3. Moms aAural MetlwdsGenerování do have u solid basis in measure theory (withpomocí the theory of Obsah Úvod Základní vlastnosti principy náhodných čísel Integrace metody Monte Carlo MC v probability as special case mlucreof). Strict nmnhennumicul proofs of convergence of nh: method no he emma solution emu bum also. and disnincm from num numerical Historické poznámky tmnspamncy cx cu in wry complex dumtimxs. concepts, implementation can be be strongly guided by intuition and retain an high We will, after mms <hm·r hi<tm·ica| remarks below, sum wirh introducing the cnuccprs nI`mud0m exams, 0|`crr0rc<ti1xmtc< and unbiased procedures for comma tin. Pmcrical implcumxmriom of Ixinum Carlo techniques rely on our ability to I MC spadádraw dorandom oblasti experimentální matematiky. number {mm any probability law wc wi<h. Only A {caw, um hzmic I V matematice běžně získávají závěry dedukcí z postulátů (dethe centralse limit theorem and variance reduction techniques will be dc11wns1ra1ed ur work using the generic example for Monte (`Urdu memlwds: Imegmtiun by stochastic dukce). sampling. 'l'l1crelzuion ufmhis very general but inunimively clear and transparent up I (Mom: ('aril particle sinnulzuion) willjsou be frequently used as odvozovány guidance here and will z pozoroV experimentální matematice závěry hc di<cu<<du in more derail in Chap. 5. vání (indukce). I Obvykle se uvádí jako první odkaz na MC metodu slavný expelximc Carlo cnuccpm {all imo the branch n{u:<pcrimcura| umrhcnmricx lu m·dinm·y riment s jehlou Buffon (1733). mathematicsCompta ccmclmicm s are de deduced {mm posuxlams 4[)caducei<m). Len c:<pcrimuma| I mcth0d< cnnxprisc uxpurinxcnml marhcmarics, is concerned Buffon poukázal na [hat to,branch že ofpokud má jehla which délku L a náhodně with experiments on random events (mainly random numbers). Mum(`ur1u meth can be of probabilistic or deterministic type. spadne naodds rovinu s paralelními liniemi vzdálenými od sebe o D Usually the Gm reference to the Mum: ('Urdu Method is the famous needle Buffoon (1733). a 1 wrench biologist 1 ig. 3.1. (kde D >experiment L), of(`oomph pak s depravděpodobností p(17()7—I788). = 2L/(πD) spadne Buffon pointed out that if u needle of length L is tossed on u plane with parallel tak, že překříží jednu linii. n překříženíp v2]//(rrD)t0{aIIs1chetaha[ N opakováních expelines A dhtmxcc D apart (D > I/).i1h¤<pr<>\m\>i|i1y i< crowns one of the lines. Later, also Laplace mggcsmd [his pmccdum m dcmmuinc rimentu dává rr hy counting the mnmhur of caucus n in `\' rcpcritimxs of the c:<pcrimcur. Then farces and cnuccpm in hi< regard will hc rcpuamd hum iu Scar. 5.2. lu Sect. 3.3 plicumion no nhc nmhenmmicully and snmimcully more involved uwmspmn pmblenns 3.1.1 Historical Notes mathematics conclusions are inferred I]·<>m 0h<urxmi0n< (Induction;.Axiomc Carlo n 2 L 2 L n —:—:~n¤—-—. `\' rrD D `\' (3.I) Hi< hismx·ica1u<c nI`I\’Imuc Carlo has all.kcvIOCauu·u< 0{rhc mcrhmlz Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Buffonův experiment ʼi ThEOMmv Carlo Method, an Immducuon 65 ` 4A` X Fig, 3.1. Bu1`1k>uʻs ucudlcsz What is the pmhuxbility p, that a vmxlle (length L ), which hulls randomly ou a sheet, crosses one of the hues (distance U)? (Left: @Ompy1·ig,ht IQOKZOO3: The Regents uf the Uniwexsity of California) ( 'vnvergenoes About ./\' : 100 OOO trials are needed bit only two digits air the cmnmxa, Convergence is slow, but ibmlpromf, Transparent)? The method is imuitivcly1mde1·s\a1.xdab1e, without any Ondřej Klimo Metody počítačovéeven fyziky - hodina 3. math Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Buffonův experiment I Distribuční funkce pro náhodnou vzdálenosti x středu jehly od nejbližší linie je rovnoměrná f1 = 2/D I Distribuční funkce pro náhodný úhel θ mezi orientací jehly a liniemi je také rovnoměrná a f2 = 2/π I Náhodný úhel a náhodná vzdálenost jsou na sobě nezávislé a celková pravděpodobnost je součinem f1 a f2 I Jehla překříží linii pokud x < L/2 sin θ I Pravděpodobnost této události je pak Z 2π Z L/2 sin θ p= θ=0 I x=0 2L 4 dxdθ = Dπ πD Více zde http://en.wikipedia.org/wiki/Buffon’s_needle Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Obecné vlastnosti metody MC I Konvergence: Je třeba přibližně 100 000 pokusů, abychom získali výsledek s přesností na první tři cifry. I Transparentnost: Metoda MC je většinou intuitivně pochopitelná i bez matematického zdůvodnění. I Odhad chyb, optimalizace: Odhad chyby a optimální volba hodnot L a D jsou známy z teorie pravděpodobnosti. I Moderní použití metody MC ve věku digitálních počítačů začalo průkopnickou prací Johna von Neumanna a Stanislawa Ulam na výrobě první jaderné bomby. Ondřej Klimo Metody počítačové fyziky - hodina 3. 0I`c1!mcnl2u‘y (random) events .:. the or-Held is u set of subsets of J2 to which the Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v measurable function p assigns u value (theca probability) from the imervul [0, I]. such that the K0|m0gm·0{I`axi<m1< for A pmhahiliry are I`u|til|cd. X i< a random xariahlc on 12, assigning A 4u<ua1|y real; uumhcr mr xccm; m each randnnx mom, c.g.: Základní principy Yaw) A R, such [hat I IT(X),1h c expected oxalic of X. The expectation x la /`Z(X) and x aria az are defined a< the Hr<t mmcm and second ccmml mmcm, uupcctix clay, ad, ulna<< otherwise sm., we assume mlm they bun me I Principem metody MC je najít (odhadnout) střední hod1;(X) ;: /¤1px. notu, resp. výběrový průměr, I nějaké veličiny. I MCP); /dap(,><»n(.><3)2. (1.2; Pravděpodobnostní aproximace hodnoty I je pak získaná pomocí výběru posloupnosti nezávislých náhodných událostí ω podle Nm mm mx) iZ,,(X). erg (X) a;(X)_ a.¤._ memammau Or X of mum příslušné rozdělovací funkce pp.a výpočtu aritmetického průměru depend upon the probability measure A smchasric appmximatinu m I is than obtained by producing an independent výsledků mnoha náhodných událostí/pokusů wqucncc 0I` těchto random cx cum w,.i I ..... \ ` according to probability law p and cx alluring 1;‘(2<A~> : JA : Exp;). cmu I 'lc estinmxwr lie isjusm the arithmetic mean of many (N) outcomes of the random experiment. `S 'I'hc Monte (`urI0 Method. uu Immduclmu 67 Even wimlwum any of his absence 111uthe1nuticu1backgmundil is emotively clem Centrální limitní teorém říká, že distribuční funkce hodnot In (sec examples below) thatke IAllcncc will converge to 1;{X), hence to 1 by cunsmnctiun. pro velká N konverguje Gaussově distribuční funkci variance aʼ(1A—) : ug (X)/N. nhs typicallersulms from suuisnical emu- analy se střední as number of samples N is laws increased. lluwcvcr theresulting laws ofConhdcntc large numbers and sis the under Glassine dislrib\lli0n apply, mg., also the I!\‘!Is. ccmml limber rhcorcms nI`pm\hi|ity theory um only Mx ide scum} nmrhcmarical hodnotouthe I a rozptylem σ Il is, lhércforé, Common practice in Monte (`urlo applications lo quote results as proofs [hat hi< Monte Carlo procedure is emu mnhiascd) but lm them it com args: lie A I for .\` A oc, albeit ccmml I ¤ 1 \slowly · i n (with I y 1// ) \//N;. O . - lu 1particular ¤ 1 v i 2 the »¤( i , \ ~limit ) . roc— cm; mom 0I` probability rhcoryg a<<cr.< them [hu probability dies·i\>uti<m 0I` ly, for large which lmvc Confidanté levels of about 66% and 95%, réspéclivcly. enough `\', c<mxurgc< to A Gau<<au disuihminn, with mean oxalic I /`Z(X) and Of Coursé, in applications the variance UQ is \ls\1uIIy c\ʻcn more diI`GCS\lh lo2 Sue Compute lhzm on theMonte meanFurl. value E[X). Il is hl€r€I`0r€ replacEdby lhé empirical any mxtlxmk or Pmhahuhty Thumb. Ondřej Klimo Metody počítačové fyziky - hodina 3. variance aʼ(1A—) : ug (X)/N. llcncc nhs typicallersulms from suuisnical emu- analy Obsah Úvod Základní sis vlastnosti a principy Generování číseltheIntegrace pomocí metody Monte Carlo MC v under Glassine dislrib\lli0n laws náhodných apply, mg., also resulting Conhdcntc I!\‘!Is. sis under Glassine dislrib\lli0n laws apply, mg., also the resulting Conhdcntc I!\‘!Is. Il is, lhércforé, Common practice in Monte (`urlo applications lo quote results as Il is, lhércforé, Common practice in Monte (`urlo applications lo quote results as Základní principy I¤1\·in(Iy) O.- 1¤1vi2»¤(i,\~). cm; I¤1\·in(Iy) O.- 1¤1vi2»¤(i,\~). cm; which lmvc Confidanté levels of about 66% and 95%, réspéclivcly. which lmvc Confidanté levels of about 66% and 95%, réspéclivcly. I Of Coursé, in applications the variance UQ is \ls\1uIIy c\ʻcn more diI`GCS\lh Of Coursé,se in applications the variance UQvýběrový is \ls\1uIIy c\ʻcnrozptyl, more diI`GCS\lh Místo lorozptylu většinou pro nějž Compute lhzm the mean valuepoužívá E[X). Il is hl€r€I`0r€ replacEdby lhé empirical lo Compute lhzm the mean value E[X). Il is hl€r€I`0r€ replacEdby lhé empirical platí —> —> 1 1 II » »2 2 ·“` ·“` Z Z [XWM [XWM 7 7 b(-XM] b(-XM] N } )) x” x” D, D, 7 77 7 xx Momsu Momsu V1; V1; <> <> ZM ZM and (mc has also, under [hen: zxssumptiom mxdc. {nr large maple <izc Y and (mc has also, under [hen: zxssumptiom mxdc. {nr large maple <izc Y gap/A) ¤ : K. gap/A) ¤ : K. (3.6) (3.6) lcé, for large enough N, inilhé Gallssiun based error cslimulés (3.4) U Can safely lcé, for large enough N, inilhé Gallssiun based error cslimulés (3.4) U Can safely be replaced by JA , al lousel for large sample size N Z 100. In the opposite Case be replaced by JA , al lousel for large sample size N Z 100. In the opposite Case N f 100 S¥\1d!nl`s l-dislribluion should be émploycd in error analysis instead. N f 100 S¥\1d!nl`s l-dislribluion should be émploycd in error analysis instead. 3.2 Random Number Generation 3.2 Random Number Generation The Monte (`aril method rocs[< nu our ability to pmducc rzxndnm numbers drawn The Monte (`aril method rocs[< nu our ability to pmducc rzxndnm numbers drawn |]ʻ0m any pzmicnxlar prohzxhility di<trihuti<m mknifeit ¤rbislS. |]ʻ0m [hc pmhahility |]ʻ0m any pzmicnxlar prohzxhility di<trihuti<m mknifeit ¤rbislS. |]ʻ0m [hc pmhahility delusory {unction (pdf) f(.r), wish F(.r) dt f(L). delusory {unctionOndřej (pdf) f(.r), wish Metody F(.r) dt f(L). fyziky - hodina 3. lhcmnplcs arc wetting Klimo 0{ a sur|`acc hy rainpočítačové infirm disuihutivm, radioactixn: P1·P2)Generování whcthcrrhc náhodných c0miuu0u< or the discrete diqrilxutimx i< to hcMonte Carlo MC v Obsah Úvod Základníweighting vlastnostifacmxi a principy čísel Integrace pomocí metody sampled, and second than gcncmriug A random number {mm [hc chosen di<u·i\>uti<m M or pd. We will <h0w clmv that for huh casey c0miuu0u< and discrete dies‘ihu— [inns, gcucml pmccdurc< for random n¤11n\>crgcncrari0nCPIsr, atclassr iu principle. Náhodná čísla s rovnoměrným rozdělením We refer to the standard reference on the pmduction ufnonuniform random numbers [5]. This book deals with the myriad number of Ways to lrunsfoun the uniform run dom numbers imo anything else one might want. Also the Hrs! section (pp. 1493) of [6] is 21 very comprclucnsive immduclion to random number generation. I Náhodná čísla s rovnoměrným rozdělením jsou základem pro generování náhodných čísel se všemi dalšími pravděpodobnost3.2.1 Uni l brm Random Numbers ními rozděleními. I Uniform random numbers the basis for generation of rundown with all [a, b] Náhodná veličina má are rovnoměrné rozdělení nanumbers intervalu macro dhtrilxutimx laws. A madman xariahlc is um`m*mlv disuihumd on an imcx al pokudla,jeh],hustota pravděpodobnosti f ifrhc di<u·ihuri0ndousery f i< fg!) gym, NR (am ] with XW i< iuvtheca iumxw al \0, clwwhcrc. kde χ=1 proy,xI iI`:r ležící intervalu [a,Hb]anda()jinak je f (x) = 0. The cal<<icaI method m gcucmtc uniI`0m1 ramlcmx num\>cr< on |O,l] is by so called ICU congrucmial ramlcmx number gcncramry which arc defined hy [hc {HH \n E,, } M mor] new (5.8) Hem r1 i< A magic multiplicand, new il` 0I`tcu chow to hc [hc Is·gc<timccr rcprcr scnmhlc on me mchauc pm 23% cm, anu n <hm.1u hc prime m m. Proofs rm. particular choices of (large) pamnxcmrs r1 and new that [hc gcncmmr achicxcs theca largcq p0<<ilc period 0I` new — 1 diIcr.cm random uumhcr< are quite cumlxcrscmxc. Optimal pammctcr ch0icc< arc typically found experimentally, we again I6]. The Glint periodicity limits precision only in very large calculations, ag. on modem massively parallel computing systems. A rather subtle issue is also irrzleperrzlemw of an entire sequence 0I`mndu1n numbers (l0c.cil.). Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Diskrétní distribuce náhodných čísel I Generování náhodného čísla s danou diskrétní distribuční funkcí je triviální: Mějme diskrétní distribuční funkci s k možnými výsledky označenými přirozenými čísly {0, 1, 2..., k} danou následujícími vztahy 1 The Monte Furl IVIu1h0d` uu Immductmu 69 l’(X:[) :p,;O. Zn, 1 . mi) mx g i) Ep, mm with Fʼ(X ij [hc pmhahiliry 0IOUwm i. F i< the (cmxmlmixc; disuihmion. Lu 5 kde P (X = je pravděpodobnost iaF jeXkumulativní hc ai) uniform random number nu [O, 1], ruche výsledku theca random xariahlc X with i if — 1] < { § FQ) is distributed according to F. distribučníFQfunkce. I 3.2.2.1 Inversion Method Nechť E je náhodné číslo z interval [0, 1] s rovnoměrnou distri'l'l1cim‘ersion method provides random samples z from u disuibxuion F by convert buční funkcí. Potom veličina pro kterou platí X = i ing uniform random náhodná numbers §. '1 his is simply aloneX, by setting pokud F (i − 1) < E < F; :(i) je rozdělená podle kumulativní dismin(.r\F(:r) 2 E) ~ F. (3.10) tribuční funkce F . m0n0mn0u<, than z F *(E). For example, il` is [hcidsu·i— [I` F i< <u·ict|y button density function (pdf) no be genemmcd, hen msn Gnu nhc chumming function 1·'{1·) : fx ri! [fz], pick u uniform random number { on[(),1]zmdscl§ : and Hnully invert this toKlimo Und random number z, which is then distributed Ondřej Metody počítačové fyziky - according hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v 1 The Monte Furl IVIu1h0d` uu Immductmu 69 Metoda inverze l’(X:[) :p,;O. Zn, 1 . I I I Metoda inverze poskytuje náhodná číslami) z zmxkumulativní g i) Ep, distrimm buční funkce F pomocí konverze náhodných čísel generovaných Fʼ(X ij [hc pmhahiliry 0IOUwm i. F i< the (cmxmlmixc; disuihmion. Lu 5 s rovnoměrnou distribučníwith funkcí. hc a uniform random number nu [O, 1], ruche theca random xariahlc X with X i i FQ — 1] < { § FQ) is distributed according to F. F je monotonní rostoucí od 0 do 1. Pokud je i striktně mono3.2.2.1 Inversion Method tónní, je možné ji invertovat. 'l'l1cim‘ersion method provides random samples z from u disuibxuion F by conver Například pokud f (x) je daná hustota pravděpodobnosti, podle ing uniform random numbers §. '1 his is simply alone by setting které máme generovat náhodná čísla, potom nejprve určíme ku;: min(.r\F(:r) 2 E) ~ F. (3.10) mulativní distribuční funkci[I` Fjako i< <u·ict|y m0n0mn0u<, than z F *(E). For example, il` is [hcidsu·i— button density function (pdf) no be genemmcd, hen msn Gnu nhc chumming function 1·'{1·) : fx ri! [fz], pick u uniform random number { on[(),1]zmdscl§ : and Hnully invert this to Und random number z, which is then distributed according I I [Qu). Generací náhodného číslanorovnoměřně rozděleného v function intervalu The same transfurnxwmion rules as for any density apply also for a pdf Hence [hc gcucml qmtcgy is: Try m transform A gixcu pdf ff.) m another disbar 0, 1 - E získáme náhodný Huron vzorek F (z) = E. f, <ouch [hat theca imcrw of [hc new cnunulmixc diurilamion F is cxplicirly known. Then apply [hc method of micro<i<m and u·an<{m·m hack. Figure 5.2 llu<— Inverzí funkce F pak získáme hodnotu z příslušnou k náhodtmtc<thcmcthm1 of im Carson for [hc vmrnml (Gaussian; diswihmion nému číslu E, tedy náhodné číslo z s, rozdělením daným funkcí 1 .¤ V., ” m q f (x). Ondřej Klimo I .r d$(:r) dt m(t) T 1 4 cr. T . (3.11) . 2 V 2 Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Metoda inverze Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Metoda zamítnutí (rejection) I Metoda zamítnutí je použitelná vždy, ale často může být poměrně neefektivní. I Pro distribuční funkce s konečným nosičem (finite support), tedy funkce f (x), které jsou nenulové jen na konečné množině M je možné postupovat takto. I Nalezneme maximum c funkce f (x) a poté generujeme dvojici náhodných čísel (E1 , E2 ), kde E1 má rovnoměrné rozdělení na intervalu M a E2 má rovnoměrné rozdělení na interval [0, c]. Potom když E2 < f (E1 ), přijmene hodnotu E1 jako náhodnou veličinu s distribuční funkcí f (x). I Jinak pár hodnot zamítneme a vygenerujeme nový. Proto může být efektivita této metody dost špatná. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Metoda zamítnutí (rejection) Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Příklady I I Cauchyho distribuční funkce je ve fyzikálních aplikacích rovněž 1 The Monte Furl Mu1h0d‘ uu Immductmu 7I nazývaná Lorentzova distribuční funkce. 1 The Monte Furl Mu1h0d‘ uu Immductmu 7I " 1 f1 < > 0 nm 4 F by - by + (2 " 1 The Monte Furl Mu1h0d‘ uu Immductmu 7I f < > 0 nm 4 atFhall`by - by + (2 Hem<thcmcdiau(1iuc <hi{r;, and v is [hc halfwidth nmrdumm (HWHM;. " 1 Gcncrariug mmlm number with Av(`achy di<u·i\>uti<m is usually Hem<thcmcdiau(1iuc <hi{r;, and is [hc halfwidth at hall` nmrdumm (HWHM;. fm<Z. with > 0A (`achy nm(`achy, 4 Fhyby - usually byThe +done (2byImow mm. Fir<1 mmlm tmusfnrm srandardimd S (Tis7 /J)/¢. cmnulmixc Gcncrariug number di<u·i\>uti<m done byImow Kumulativní distribuční funkce je disuihnxrion is [hun gh cu a< mm. Fir<1 tmusfnrm Z. vsrandardimd (`achy, hy S nmrdumm (T 7 /J)/¢.(HWHM;. The cmnulmixc Hem<thcmcdiau(1iuc <hi{r;,mand is [hc halfwidth at hall` Gcncrariug mmlmisnumber disuihnxrion [hun ghwith cu a<A (`achy di<u·i\>uti<m is usually done byImow mm. Fir<1 tmusfnrm m Z. srandardimd hy I ' I (`achy, I 1 S r(Tr7 /J)/¢. — The / 1cmnulmixc disuihnxrion is [hun gh cu a< F`~ .r —I <rln —aʻcmn .15)/ my Mnzw ( ¤ ' — I >I 1 r r» . — 1 F`~ .r — <rln — > —aʻcmn » . .15) my Mnzw ( ¤ I I ' I I 1 r r — / 1 '1l1creforc the random number z : b + 1*- Lau{vow{§ — 1/2)}. with § a uniformly F`~mndomnumber .rrandom — <rlnnumber — > —aʻcmn » .(b,c)dies·ibu1iun. .15)—my Mnzw ( ¤ disuibxuenl on [0.z1], a (`duchy '1l1creforc the : bhas + 1*Lau{vow{§ 1/2)}. with § a uniformly Potom náhodné číslo z definované jako disuibxuenl mndomnumber on [0. 1], has a (`duchy (b,c)dies·ibu1iun. .%.2.2.}.2 The Bm Muller /Vlerh01l_/br Rur11imr1Nu1r1l>ers '1l1creforc the random number z : b + 1*-Guussizm Lau{vow{§ — 1/2)}. with § a uniformly .%.2.2.}.2 The Bm Muller Rur11imr1Nu1r1l>ers disuibxuenl mndomnumber on/Vlerh01l_/br [0. 1], has a Guussizm (`duchy (b,c)dies·ibu1iun. Because the Gaussian error function cannot be inverted in closed form, the following cnmhinaticm of číslo u·aus{mnorm0n, rcjcctimx cr<i<m is typically applied: Because the Gaussian errorrovnoměrně function cannotand be im inverted inmethod closed form, following kde ξ je náhodné rozdělené v the4;,. intervalu [0, 1], .%.2.2.}.2 The Bm Muller /Vlerh01l_/br Guussizm Rur11imr1Nu1r1l>ers Nm cnc, hmof two independent vmrnmlly dimilautud random uumhcr< zg) are cnmhinaticm u·aus{mnorm0n, rcjcctimx and im cr<i<m method is typically applied: Because thecnc, Gaussian error function funkci cannot bexinverted inZ;closed form, the following produced hyhm Hm u·au<I`m·ming randcmx m·ia\>1c< ,random Z; I}·0m cartu<iau to polar Nm two independent vmrnmlly dimilautud uumhcr< 4;,. zg)c0— are má Cauchyho distribuční (b, c). cnmhinaticm ofhy u·aus{mnorm0n, cr<i<m method is ¤:0s(<D) typically applied: m·diuatc< I?.Hm <D.u·au<I`m·ming The anglercjcctimx <Pi1h cuand uniform in [O. Z; 2rr]. and are produced randcmx xim m·ia\>1c< , Z;Only I}·0m cartu<iau tosin(d$) polar c0— Nm cnc, hm two vmrnmlly random uumhcr< 4;,. and zg) sin(d$) are needed, andI?.aindependent rcjccti<m marched circleOnly and ¤:0s(<D) A mrrcmndiug <quark) m·diuatc< <D. The angle <Pi1h(comparing cudimilautud uniformainunix [O. 2rr]. are produced hybcx1sedfor1l1em.'1h Hmand u·au<I`m·ming randcmx x(comparing m·ia\>1c< Z; , Z;the I}·0m cartu<iau to polar c0— can c variable H has, due to Jacobin of mrrcmndiug the 1rumI`orma1ion1. needed, a rcjccti<m marched a unix circle and A <quark) m·diuatc< I?. <D.flux The distribution angle <Pi1h cu uniform inrather [O. Only ¤:0s(<D) and are can be can bcx1sedfor1l1em.'1h c variable H has, due2rr]. to the Jacobin of the sin(d$) 1rumI`orma1ion1. u Gaussian (see above) than a Gaussian itself, and this needed,directly a generated rcjccti<m marched (comparing a rather unix circle and A mrrcmndiug <quark) by the Melted of Inversion. 'l'ransfor1ning buck Z1and : Hthis · uos[<P) u and Gaussian flux distribution (see above) than a Gaussian itself, can be can bcx1sedfor1l1em.'1h variable H due to the Jacobin of the random 1rumI`orma1ion1. and Z; :generated H ·isu[<P)c by provides u has, pairofof independent Gaussian directly the Melted Inversion. 'l'ransfor1ning buck Z1 numbers. : H · uos[<P) and flux Z; : Hdistribution ·isu[<P) provides u pair of independent Gaussian u Gaussian (see above) rather than a Gaussian itself,random and thisnumbers. can be Ondřej Klimo počítačové - hodina 3. directly generated by the Melted of Inversion.Metody 'l'ransfor1ning buck Z1 :fyziky H · uos[<P) Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Box Mullerova metoda I Předpokládejme, že U1 a U2 jsou nezávislé náhodné veličiny s rovnoměrným rozdělením v intervalu (0, 1]. Nechť a I Potom Z0 a Z1 jsou nezávislé náhodné veličiny normální distribuční funkcí se směrodatnou odchylkou 1. Ondřej Klimo Metody počítačové fyziky - hodina 3. m·diuatc< I?. <D. The angle <Pi1h cu uniform in [O. 2rr]. Only ¤:0s(<D) and sin(d$) are Obsah Úvod Základní needed, vlastnosti náhodných číselcircle Integrace pomocí metody Monte Carlo MC v andaaprincipy rcjccti<mGenerování marched (comparing a unix and A mrrcmndiug <quark) can bcx1sedfor1l1em.'1h c variable H has, due to the Jacobin of the 1rumI`orma1ion1. Integrace pomocí metody Monte Carlo directly generated by the Melted of Inversion. 'l'ransfor1ning buck Z1 : H · uos[<P) u Gaussian flux distribution (see above) rather than a Gaussian itself, and this can be and Z; : H ·isu[<P) provides u pair of independent Gaussian random numbers. I I I Integrace pomocí MC je stochastická metoda pro řešení deter3.3 Integration by Monte Carlo ministického problému najít hodnotu integrálu. lumgmticm by Nlmuc Carlo i< A smchzmtic marched for the dcmmxuiniqic pmhlcm nl` V komplexních mnoharozměrných situacích může situations však tato {Ending an integral, which in sxxfikicntly complex high dinncnsional can mebe competitive even superior to numerical methods. toda být stejně ordobrá nebo dokonce lepší než jiné numerické Leafs consider the source rate of particles (likewise, of momentum. heal. ct..) metody. in u nnucmscopic system (c.g.. u fluid flow). in which these particles innicmscopic objects) are ruled by u kinetic, i.e. nnicmscopit (Buhzman1n)!q\1u1i¤¤n. Examples are Například: je distribuční funkce, je nějaká váhová funkce chemicalfsources (particle. momentum. energy) g in plasma chemistry. or radiative heat murkjaký in emumoment nI`mdimi<m distribuční transfer rhcorv. funkce nás zajímá. podle toho, Such mmm then mad /) /ir i 1 ; dx-y(.¤ )j(`¤ ;; ajyg-3. @.14; Hem f i< the one particle diswihmion ldumiryp fuucrion _f(r,v. i, t) or where [hc sm. .r nfrhc clcx am phmwspacc may, mg., hc chamcmrizcd hy a position we my 1*, A x clncity xucmr v, theca [imc t, Lu. cumin< x m·ia\>lc<, and further A discrete Ondřej Klimo Metody počítačové fyziky - hodina 3. weighing function dcncrmincd by me pmicular moment of imcrcsn. In man Obsah Úvod Základní some vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v emuticul terms one would refer to this as Lebcsgue-Smieltjes Integral of mcasurabcl I`uncri0n g(:r) with Rupert m (pmhabiliry) measure defined hy di<u·i\>uti<mdousery Integrace pomocí metody Monte Carlo f <-¤) I We will dews lntcgrmion by Nalco Carlo ming [hc example {mm [2]: lm the iumgmticm dcmmi V hc [hu unit iumrxal |O, 1 |, [hc uniform di<u·i\>uti<m on [0,1] (Lu.: 1 on |O,1|, and f(:r) () elsewhere) and g(:r) (¤—xp(:r) — Budeme metodu demonstrovat na příkladu 1]/fetuto — 1).('1eurly. e" — 1 I Karl ().418(),.. . (3.15; 0 — 1 We will now integrate this same function by Monte ('aril. Our HST method dues not kde f (x) na intervalu [0, 1]by Buffoon`snced1c a 0 jinde amperimcm, we will just require= any1theory, but instead, inspired use pairs {lf; of independent uniform random numbers and compare the known urea (the unit square [0.1] X [0.1]) with the x unknown urea 1, which is the urea e − 1u hi! if the point diced by the underneath function gfx), in [0.1]. Le., we g(x) = count pair ofrandmn numbers is under the curve gfx), and1an miss omlucrwisc. e− A< can clearly be sec on Fig. 5.3 the ratio 0I`hit<mmm1 uumhcrofsamplcs com xcrgm m [hc emu oxalis of the imcml, a< c:<pcctcd_ and also the <ti<tica1 error. indicated a< empirical smndard dcxiaticm sy. 45.5; scale with 1/v/.\` a< cxpucmd. OI` cmxrsc such A Monte Carlo imugraticm murhml i< pmcurly {<m|i<h. By hi< method we ham, in principle, replaced the <ing|c imcml mer fnxncrion g hy a dmv Bel integral over the area between abscissa and function gfx]. '1 he convectional text-book mewled (crude Mums ('urlo) can be obtained from this one by the obsess ovation that once the Gm random number {1 of the pai: is known, we do not have to rely upon {Z no decide about counting zero or one. Given {L then an one will be counted with probability Paz p : g{§1]. Hence instead we can use than (conditional) cxpucmd oxalic p nfrhc binomial disuihmion h(l,p) directly. This i<, admittedly A quite obscure uxplauaticm for wmucthiug really trivial. Bur it is also the underlying idea behind A powerful x aria reducing Iximc Carlo technique known under di{— {umm Nam< in diI`{cram umm of applicmiouz (hnditicmal cxpccrarion c<timer (in Klimo Metody počítačové fyziky - hodina 3. ncurmn <hi|ding). |4|,Ondřej ax cmgiugtr2uxs{<u·1xmri0n4u*an<I`crrhc0rymainlyn Russian Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Nejjednodušší metoda I Použijeme pár nezávislých rovnoměrně rozdělených náhodných veličin E1 , E2 a srovnáme známou plochu (např. čtverec [0.1] × [0.1]) s neznámou plochou I pod funkcí g(x). I Počítáme body, pokud nám dvojice náhodných proměnných definuje bod pod křivkou g(x) a naopak body nad křivkou g(x) nezapočítáváme. p Statistická chyba výpočtu je úměrná 1/ (N ). I Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Nejjednodušší metoda 74 I). Railcar Inlegralmn of |( x) with CRUDErM¤nte Car|¤—Meth¤d 2*-1 M=Q 0.70 0.65 0.60 ¤ 0.55 .9 E 0.50 % 0.45 a 0.40 SD 35 ʻ E 0.30 |’* 0.25 0.20 0.15 0.10 number cl samples, Iogamhmnc scaling integral apprcxnmatncn O-4159233 Fig. 3.4. 1.uva1umjng Integral of (cap(uʼ) i 1)/(u i 1) on [0,1]meldod: crude Monte Carlo statistical urhisé is reduced $0181y bymodifyL\g (sm0OIhjJ1g) the !sEi.ma[O1’ g(u:), in inlxprmauce sampling the lludétlyhng Iandrhm \a1'iabI! (Ot m1.\d0m p1’0C&ss) is allcrcd lo zm<>lI1cr<>nc, in order lo ucI1i&wc varizmcc rcnhnclion. A compcmaling wcighl correction [actor in introduced in lc cslimalor lo nminluin lc mmc mean value T : ]T(g(X)) 7 ,. . . ' .f(*)#. . ~,;*. . 1 1 » g(J.) - f(.L)d.:. g(.1.)7_/ (J.)d.:. g(J.)_/ (.1.)d.:. (. .16) f (T) V V Y Hence we have g(.1:)f / The name mf this nléthrhd, importance Ondřej Metody počítačové mnwpling originates from lcKlimo spacial lcchniquca 0l`lc used lo End optimalfyziky hissing - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Surové MC I Pokud už máme vygenerované jedno náhodné číslo E1 , nemusíme generovat i číslo E2 , abychom rozhodli, jestli máme tento pokus počítat jako platný nebo ne. I Máme-li číslo E1 , potom s pravděpodobností p = g(E1 ) padne číslo E2 pod g(E1 ) a pokus započítáme jako platný. Místo toho, abychom tedy generovali čísla E2 a buď je započítali nebo ne, můžeme místo toho použít očekávanou hodnotu p rovnou. I Toto vysvětlení je zjednodušené na situaci, kdy máme funkci g(x) omezenou hodnotou 1 a náhodné číslo E2 je z intervalu [0, 1]. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Surové MC I Předchozí technika patří mezi významné způsoby, jak redukovat rozptyl výsledků MC metody. I Je to vlastně opačný postup, než na jakém je princip MC postaven - nahrazujeme vzorkování přímo očekávanou hodnotou. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy integralGenerování náhodných čísel Integrace pomocí metody Monte Carlo MC v apprcxnmatncn O-4159233 Importance sampling Fig. 3.4. 1.uva1umjng Integral of (cap(uʼ) i 1)/(u i 1) on [0,1]meldod: crude Monte Carlo I statistical urhisé is reduced $0181y bymodifyL\g (sm0OIhjJ1g) the !sEi.ma[O1’ g(u:), in Další metoda pro redukování rozptylu tzv. importance saminlxprmauce sampling the lludétlyhng Iandrhm \a1'iabI! (Ot m1.\d0m p1’0C&ss) is allcrcd lo zm<>lI1cr<>nc, in order(vyhlazení) lo ucI1i&wc varizmcc rcnhnclion. A compcmaling pling spočívá v modifikace funkce g(x), původní wcighl correction [actor in introduced in lc cslimalor lo nminluin ˜(x).lc mmc mean náhodná value proměnná f (x) je nahrazená novou, f T : ]T(g(X)) 7 ,. . . ' .f(*)#. . ~,;*. . 1 1 » g(J.) - f(.L)d.:. g(.1.)7_/ (J.)d.:. g(J.)_/ (.1.)d.:. (. .16) f (T) V I I I V Y Hence we have g(.1:)f / The name mf this nléthrhd, importance Například: Abychom redukovali rozptyl g(x) s ohledem na pravmnwpling originates from lc spacial lcchniquca 0l`lc used lo End optimal hissing děpodobnostní f (x), měli bychom zkusit změnit g(x) tak, achcnmm zákon (Lu.: <>I`lIu: rum\<>n1pr<>cuss, in parliculurin grumbler lechery. A mom general, hul also somewhat hnprccimc lcrminology would rcfcr lo his concept an aby byla n<>n—anz•lgamonlc tato nová funkce co nejvíce konstantní. Carlo, us comparedlo lhc analog I\’|<>nlc Carlschcmc. In lhc Iallcr lc underlying pmhuhilily di¤lriIVali<>n law isdirectyluckn [mmhlcappliquév V našem lion, případě s použitím Taylorova rozvoje zvolíme whcrcm in lc I`0rmcr onc umm a diI`1k;rcnldi¤lrih1|li<>n, molivalcd by pmclical, cc<>n<>n1icul0r<>lI1cr rcmons, and mlalislicul wcighls lo compcmaln; him. g̃(x) = g(x)/x. As seen Hmm (3,16), the value mf I is independent Of hOw the integrantl is ˜imo decsmxpmsedf a p1’0dUCt mf it p1’Obabi.H\y density andaby a ésprhusé f˜(x) je potom (x) = 2x, kde 2 je proto, bylaIImC\i0I1, f (x) but nor- me vamps, ¤§ (y) and U;[0, @3Emmamy can be (mmm. malizovaná na intervalu 1]. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Importance sampling I Potřebujeme tedy generovat náhodná čísla En z distribuční funkce f˜(x). Pomocí metody inverze toho dosáhneme tímto způsobem √ En = E, kde E je náhodná proměnná s rovnoměrným rozdělením na intervalu [0, 1]. I Potom uděláme aritmetický průměr mnoha náhodných veličin g̃(En ) a tím dostaneme výsledek. Konvergence není rychlejší, ale rozptyl je tímto postupem podstatně zredukován. Ondřej Klimo Metody počítačové fyziky - hodina 3. lucre dclcrmxncd by lc varizmcx, not bynáhodných N per (`PU—limc, only by pomocí lhc Hgurcmetody Monte Carlo MC v Obsah Úvod Základní vlastnosti a principy Generování čísel hul Integrace 0I` Muriel: xuriuncc pur (`PU lima;. And hence. importance sampling. more generally. n<>n—anul<>g sampling, can go both way; in Monte: Carlo. Il; pcrlbrnnancx; ham lo hc Importance sampling assessed Ou a case by case basis, As a géucral Observation, Oneshambled 110[! that lu mm-analog 1VIOm! Carlo schemes the 01*1*01* assessment simply based uprhu the empirical Variance, and €H0t bars Obtained fm m the central Limit \h!01‘eI11, canheIéss Idiablé than iu analog sim ulalirms, Allhmugh the variance may be decreased by a Clever impmrlmxcc sampling Integration cl f(><) wnh Importance Samp|e—Mcme Car1¤—Meth¤d v<¤>= 0.70 0.65 0.60 5 0.55 E 0.50 *:5 0.45 E; 0.40 0.35 6 E 0.30 ¤>< 0.25 0.20 0.15 0.10 number of samples, logarithmic scaling mtgs. apprcxnmatncn 0.4180233 Fig. 3.5. Same integral as in big. 3.-1, method: importance sampling Monte Carlo Ondřej Klimo Metody počítačové fyziky - hodina 3. scar ff.) gfx),/[_ Chuck: I cams. CarloChuck: integration pmcccds hy scar Monte ff.){mm gfx),/[_ I cams. Monte Carlo integration pmcccds wnmpling [his Generování di<u·ihuri0nff.r) which, inMs.c ofourpmricem*c:<mx1plc canhy Monte Carlo MC v hc donea by [hc rqicctinu technique. náhodných Then, indcpcndcm 0I`[hc implying,pomocí I is <cm*cd. Obsah Úvod Základní vlastnosti principy čísel Integrace metody wnmpling {mm [his di<u·ihuri0nff.r) which, inMs.c can 0I`[hc {mm [hisofourpmricem*c:<mx1plc di<u·ihuri0nff.r) which, inMs.c ofourpmricem*c:<mx1plc can hcwnmpling done by [hc rqicctinu Then, implying, is <cm*cd. Unfortunately we needed technique. the knowledge ofindcpcndcm the Gal result 1 already to Idesign this hc done by [hc rqicctinu technique. indcpcndcm 0I`[hc implying, I isthe <cm*cd. hcThen, done [hc technique. Then, indcpcndcm 0I`[hc implying, I is <cm*cd. Unfortunately we rqicctinu needed the knowledge of Gal result 1 already to design this perfect zeroby variance scheme. Unfortunately we needed the knowledge of the Gal result 1 already to design this Unfortunately we needed the knowledge of the Gal result 1 already to design this perfect zero variance scheme. perfect zero variance scheme. perfect zero variance scheme. δ − f MC 3.3.0.5 5f Monte Carlo 3.3.0.5 5f Monte Carlo 3.3.0.5 5f Monte Carlo 3.3.0.5 Monte Carlointegral to ilhlslrale the concept of the 6/ lv[¤n1c(`m·1¤> Finally we5f use our simple Finally which we useisour simple integral to ilhlslrale the concept of the 6/ lv[¤n1c(`m·1¤> I method, widely used in kinetic particle sinmllulions. Starting point neznámý Idea δ−f metody vychází zthe toho, žeuzmsporl se snažíme Finally we use our simple integralFinally to ilhlslrale the concept 6/ lv[¤n1c(`m·1¤> we use our simpleofintegral to ilhlslrale the concept of the 6/rozdělit lv[¤n1c(`m·1¤> method, which is widely used in kinetic particle sinmllulions. the idea to split the unknown purunnctcr imouzmsporl u large known nearby Starting quantitypoint and method, which is widely used inisiskinetic particle uzmsporl sinmllulions. Starting method, which is the widely used inpurunnctcr kinetic particle sinmllulions. Starting and point the idea to split unknown imopoint uuzmsporl large known nearby quantity parametr na relativně velkou známou blízkou hodnotu a relativně malý neznámý parametr. <mal| unknown pcrturhaticm. Len particle <Imo|ari0n< hi< can also hc theca <ing|c parti— is the idea to split the unknown<mal| purunnctcr u large known nearby quantity and the idea imo topcrturhaticm. split the unknown purunnctcr imo uhi< large nearby quantity unknown Lensox particle <Imo|ari0n< can known also hc theca <ing|c parti— clc isdktriluutimx I`uncut<m ff.) ing some kinetic cumin or moments nfrhis pd.`.and <mal| unknown pcrturhaticm. Lenclc particle <Imo|ari0n< hi< can ff.) alsoLen hcparticle theca <ing|c parti—cumin <mal| unknownI`uncut<m pcrturhaticm. <Imo|ari0n< hi< canoralso hc thecanfrhis <ing|cpd.`. parti— dktriluutimx ing some kinetic moments lu near equilibrium situariom wcsox haw clc dktriluutimx I`uncut<m ff.)lusox ing some kinetic cumin or moments nfrhis pd.`. clc dktriluutimx I`uncut<m ff.) sox ing some kinetic cumin or moments nfrhis pd.`. near equilibrium situariom wc haw lu near equilibrium situariom wcluhaw near equilibrium situariom wc haw [Qu) : [€W(.¤) + ¤5_f(w) c3.17> [Qu) : [€W(.¤) + ¤5_f(w) c3.17> [Qu) [€W(.¤) + ¤5_f(w) [Qu) : c3.17> [€W(.¤) + ¤5_f(w) with, for: example, the Muxwelliun equilibrium distribution _fWm and a smallc3.17> pcmlr I with, for example, the Muxwelliun equilibrium distribution _fWmsampling, and a small pcmlr balun 6f.Ilcuntl1cn be udvanlugcotxs to solvé. by lV[on1c(`ur1u only for with, for example, the Muxwelliun equilibrium distribution _fWm andequilibrium small pcmlr with, for example, Muxwelliun _fWm and a small balun 6f.Ilcuntl1cn bethe udvanlugcotxs toa solvé. bydistribution lV[on1c(`ur1u sampling, onlypcmlr for {if rather forby theca {ulludvanlugcotxs disuihmion. balun 6f.Ilcuntl1cn be udvanlugcotxs to[han solvé. lV[on1c(`ur1u sampling, only by for lV[on1c(`ur1u sampling, only for balun 6f.Ilcuntl1cn be to solvé. {if rather for thecaour {ullintegral disuihmion. S0 lc [han us consider again, and write. accordingly, lv Lv 4 6] with {if rather [han for theca {ull disuihmion. {if rather [han for theca {ull disuihmion. S0known lc us consider our integral again, and write. accordingly, lv Lv 4 6] with In [hc pan S0 lc us consider our integral again, write. accordingly, Lv 4 6] S0 lcand uspan consider our integrallvagain, andwith write. accordingly, lv Lv 4 6] with In [hc known In [hc known pan In [hc known pan Může být potom výhodnější hledat s pomocí metody MC jenom hodnotu neznámé δ − f ` ` ` ` I I , 2 I I U &_14 , 2 e_14 I 2 3€_1 1 + luIq I ) `lu T »`rw 7)I<3.1s» ¤<> I1 + lu ` 7)I<3.1s» I IU &_14 , ¤<> 2 e_14 I 2 3€_1 q I ) ,lu`T »2rw 1 + lu q I ) lu T » rw 7) <3.1s» 2 3€_1 1 + luU q I&_14 ) lu T¤<> » rwe_14 7) <3.1s» U &_14 ¤<> e_14 2 3€_1 and 6] [hc roc<t. Clearly. and 6] [hc roc<t. Clearly. and 6] [hc roc<t. Clearly. and 6] [hc roc<t. Clearly. »! 1 2H / ` 0 ——I —I rr — rr /2 0] dm . (3.19; »! 1 2H / `00 ——I —I rr — rr /2 0] dm . (3.19; 0` 0 — »! 1 2H /Figure `0 — I —I rr — rr /2 0] dm . (3.19; »! 1 2 / I — rr — rr /2 0] dm . (3.19; 0 3.6—<haws theca roc<u|t 0{roc H csrimarc 0 —for I,Iwith In known and {XI cx alumcd Figure 3.6 <haws theca roc<u|t csrimarca for I, with In known and {XI m cx Ialumcd by crude Nlnurc Carlo. Clearly by0{roc eliminating large, known, cmurihmion theca Figure csrimarc I, with In roc<u|t known and {XI cx alumcd Figure 3.6 for <haws theca 0{roc csrimarc for I,known, with In known and {XI alumcd I 3.6 <haws theca roc<u|trclariw by0{roc crude Nlnurc Clearly by a large, mcx I theca 0 reduced errors of Carlo. [hc csrimarcs foreliminating any gig sample <i/c `\' arecmurihmion greatly a< by crude Nlnurc Carlo. Clearly by eliminating a large, known, cmurihmion msample I theca by crude Nlnurc Carlo. Clearly by any eliminating a large, known, cmurihmion m I theca rclariw errors of [hc csrimarcs for gig <i/c `\' are greatly reduced a< ccmxparcdm prcxi0u<mc[hm1s. rclariw errors of [hc csrimarcsccmxparcdm for any gig sample <i/c `\' are greatly reduced a< <i/c `\' are greatly reduced a< rclariw errors of [hc csrimarcs for any gig sample prcxi0u<mc[hm1s. Hi< method is mlm relaxed to theca <0 called correlation sampling ruchuiquc. in ccmxparcdm prcxi0u<mc[hm1s. ccmxparcdm prcxi0u<mc[hm1s. Hi< method mlm relaxed theca samplingbut ruchuiquc. in which one wouldisevahmc both 1toand lg. <0 by called Montecorrelation (`urlo techniques. using the Hi< method is mlm relaxedwhich to theca <0method calledevahmc correlation sampling Hi< is mlm both relaxed to theca <0Monte calledin(`urlo correlation sampling one would 1 and lg.ruchuiquc. by techniques. butruchuiquc. using the in same random numbers. Both EMS's are men positively corrclumcd and me Swiss which one would evahmc both same 1 which and random lg.one by would Monte (`urlo techniques. but using the evahmc both 1 and lg. by Monte (`urlo techniques. but using numbers. Both EMS's are men positively corrclumcd me Swissthe Lilac precision of the Monte (`urlo cstinmtc for the difference 61 can beand subslamiully Ondřej Klimo Metody počítačové fyziky - hodina 3. same random numbers. Both EMS's are menof positively corrclumcd and Swiss same random numbers. Both areme men and me Swiss Lilac precision the Monte (`urloEMS's cstinmtc for thepositively differencecorrclumcd 61 can be subslamiully Je jasné, že eliminováním velkého příspěvku I k hodnotě I, je relativní chyba výsledku značně zredukovaná pro jakkoliv velký vzorek N . Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v MC ve statistické fyzice I Smyslem počítačových simulací je generovat konfigurace systému mnoha částic a tyto konfigurace použít ke stanovení termodynamických a strukturních veličin - což obvykle představuje výpočet nějaké střední hodnoty. I Metoda MC generuje konfigurace právě s ohledem na efektivní výpočet středních hodnot. I Princip metody ve statistické fyzice objasníme na simulaci kanonického souboru. Ondřej Klimo Metody počítačové fyziky - hodina 3. XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v nam, kvnmni, pennona by mmcaissonabyu kcrelované. Jen vzaalenasn mnam baan oa puéétku saniaaNamenii mei Jean, zapoétsmeJennieku do poécu iispéénightcapkusill Tenw elementérni pokesmusime opakVaz mno hank. abychom ams na nejpnesnéjgi vysleaek;fitc>m pam, ischubbya je nepFim0demurnélannné aanmenane MC ve statistické fyzice polite pokes Princip melody Monte Carlo ve statisticképhysice vysvétlimc na simulaci v kauonickém I NVT sahuaro. Simulate v jinych suuborech bumblefunkce uvedeny vX samostatnécapitolz Uvažujeme výpočet střední hodnoty - přepíšeme inteUvaiujmc vjpoéetstipendiwhodunityfunke X v kanouickém souboru, rov. (2.10). a grál pomocí diskrétních abychom ho mohli vypopiepiéme .i1\E!gl'?u do diskrétnichproměnných, ]>ron1§n11v<‘h nap pomoci liclxobéiuikového prexvirllu). abychom mull vyéislit na puéitaéiz čítat na ho počítači. .\ʻ(n·"·<k>) (·np{-aL¤(n="·<*>)] <.\ʼ> = E nm V Z ·*x1>l—HU(r" "kʼ>l I I I I kdybychom rozdělili integrační interval každé proměnné vektoru r pouze na 10 dílků, dostaneme již při N = 100 nesmyslně velký počet konfigurací 10300 . V praxi tedy nemůžeme uvažovat všechny konfigurace X, ale jen nějakou vybranou podmnožinu. Otázka je, jak tuto podmnožinu vybrat, aby byl výpočet co nejefektivnější. Nejběžnější je vybírat konfigurace zcela náhodně - tak se řeší např. některé vícerozměrné integrály. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v MC ve statistické fyzice I To v našem případě ale selhává, protože náhodný výběr nedělá rozdíl mezi hodně a málo pravděpodobnými konfiguracemi a málo pravděpodobné konfigurace k výpočtu střední hodnoty téměř nepřispívají. I Např. pro systém N tuhých koulí - náhodná poloha v objemu V - s velikou pravděpodobností budeme generovat konfigurace překrývajících se koulí, kde je Boltzmannův faktor 0 a tedy střední hodnota není ani definována. I Řešení problému je následující. Pro výpočet střední hodnoty budeme uvažovat přednostně ty konfigurace, které více přispívají ke střední hodnotě - nám známý importance sampling. Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v MC ve statistické fyzice I Realizace: Je obtížné vytvořit pravděpodobnou konfiguraci náhodným vkládáním částic do volného prostoru. I Máme-li ale již pravděpodobnou konfiguraci, jsme schopni z ní vytvořit jinou dost pravděpodobnou konfiguraci. I Např. pro systém tuhých koulí - máme již pravděpodobnou konfiguraci, tzn. nepřekrývající se koule, změníme polohu jedné nebo více koulí, tak aby opět nedocházelo k překryvu. Tak můžeme generovat posloupnost konfigurací. I Otázka je, dostaneme-li takto správný odhad střední hodnoty. I Odpověď dává teorie náhodných procesů. Ondřej Klimo Metody počítačové fyziky - hodina 3. pnsloupnost k<mi·igumci.kitc>1·é bduuaéi x·y\>ramu1 puslmxpuusti v kmmuivkém smxlmru. Jak vlastnosti uvi<limrʻ clzilu. lzc vfévGenerování uvcdexxf priurip mzriiiitčísel u 11:1jh, \·Im<l11<>11 vy|>1·:111<m Obsah Úvod Základní a principy náhodných Integrace pomocí metody Montepm Carlo MC v Jak uvi<limrʻ clzilu. lzc vfév uvcdexxf priurip mzriiiit u 11:1jh, \·Im<l11<>11 vy|>1·:111<m pm >alox1p110st k<mH;.g1x1‘z1<·i k vYpoGtu stivduf hoduoly i vv >]<>2itFjSi1u pii;>zx<I. Kaly B¤»Itxn1eu1» >alox1p110st k vYpoGtu stivduf hoduoly i vv >]<>2itFjSi1u Kaly B¤»Itxn1eu1» uh v {axkmrk<mH;.g1x1‘z1<·i nalvfvé \ʻi<·<· lnociuot A1102Jan dvou. Rigmézui sv tvnropii;>zx<I. ]>ml>l¤*111 fvéi pm11m·i uh v {axkmr nalvfvéi<·t6zu°1. \ʻi<·<· lnociuot A1102Jan dvou. Rigmézui sv tvnro(lmcl ]>ml>l¤*111 fvéi pm11m·i Markovovy řetězce Z\I:11·k0v<>\·§*<·h mi mxkoxncr xznjisti i sprzivxnosl vfslvmlku 2). Z\I:11·k0v<>\·§*<·h i<·t6zu°1. mi mxkoxncr xznjisti i sprzivxnosl vfslvmlku (lmcl 2). I I 4.2 Boltzmannovské vzorkovéni Markovův řetězec je posloupnost náhodných veličin, které se 4.2 Boltzmannovské vzorkovéni 4.2.1 z Markovovy vybírají množiny ietézce stavů. Výskyt stavu není nezávislý, událost, 4.2.1 Markovovy ietézce Nil\l`kO\ʼlIi\icezec je pcsloupnost nzilxodufch vcliéinna (urlzilosti, cvfi) Sw, lc = 1, . . byla . ,00, kterou pozorujeme v čase nzilxodufch k + 1 závisí tom, cvfi) jakáSw, událost Nil\l`kO\ʼlIi\icezec je pcsloupnost vcliéin (urlzilosti, lc = 1, . . . ,00, ktcré so vybirnji zgisté (pro jednoduchost koncéné) mnoiicy stm/G (pm nés: k01xfig11m<zi) pozorována čase ktcré (prok. jednoduchost mnoiicylcstm/G (pm nés: k01xfig11m<zi) (.4,},so 1 :vybirnji 1, . 4 , v ,zgisté AI. Viskyc scathe nuni koncéné) pima rmzzivislj, urlzilost, kccrou pozorujemc (.4,}, 1 : 1, . 4 , , AI. Viskyc scathe nuni pima rmzzivislj, lc urlzilost, kccrou pozorujemc v .,6us0“ k + 1zaikaisi rm mmjabké udélsotbyln poznrnvzirmVFnsv k. K011k1·ét11?>, jostliiv Jestli selie čase addlest krm vyskytne událost Ai (tj. s nyil1c><h1A pravděpodobností πik , vso.,6us0“ kv +vyskytmz 1zaikaisi mmjabké udélsotbyln poznrnvzirmVFnsv k. K011k1·ét11?>, jostliiv v Pacts ,-1, s prnvnlép<><h»I>u<:stinfl`) v¢·liGiu:1S(k) xmhfvai so v Pacts lie vyskytmz addlest ,-1, s prnvnlép<><h»I>u<:stinfl`) (tj. nyil1c><h1A v¢·liGiu:1S(k) xmhfvai }10<l11nly I: + l sn-Malianst A, \·ysl<yrm· s ]>1zn·<l6— pak v čase.-i, skprawlépoclolmnstiHawy + 1 se událost pak A v Paso vyskytne s pravděpodobností }10<l11nly .-i, s prawlépoclolmnstiHawy pakjv Paso I: + l sn-Malianst A, \·ysl<yrm· s ]>1zn·<l6— pu<l<>h1msri. pm ktormn Platt pu<l<>h1msri. pm ktormn Platt _(A·¢n» _ ,_ _(k; , ,.- Z,11, , _(A·¢n» _ ,_ _(k; , ,.- Z,11, , (.1,.1) (.1,.1) vlm za1]><;h10 v<·kto1·0v5 vlm za1]><;h10 v<·kto1·0v5 wf =¤'*>-w. (4,;; wf =¤'*>-w. (4,;; kcal xuatimzv W jc LTV. vnnticn parer:}marl. jcjii privacy HQ.,] 5 U'(.—l, A .4]ranji fyzxkélui I Wkcal W jc LTV. vnnticn parer:}marl. jcjii privacy HQ.,] 5Fjsotmly U'(.—l, A .4]ranjivýznam fyzxkélui jexuatimzv tzv. p1ʻm¤rlép0d0b110st,i matice přechodu, jejíž prvky mají fyzikální @*211:1111 pfczhcrlu zv shavu A,doestavu] 11c·zzip0r11é) ax jui @*211:1111 p1ʻm¤rlép0d0b110st,i pfczhcrlu zv shavu A,doestavu] Fjsotmly 11c·zzip0r11é) ax jui musi splfxovat, normovaci podminku pravděpodobností přechodu ze stavu A do stavu A a splňuje i j musi splfxovat, normovaci podminku Z UʼQ,+] = 1 pm vécchna i. Z UʼQ,+] = 1 pm vécchna i. Ondřej Klimo Metody počítačové fyziky - hodina 3. (4.6) (4.6) _ un Z .V · #i = Z».u>w.~, —¤,<»>_$w,»., Obsah Úvod Základní vlastnosti a principy M Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v n m n de elementary WH, maj? nyni vyznam rychlosti zménystaveu aNepali pm né (4.6) normalizeace je zajiéténa Durham élanm v (4.7), Markovovy řetězce Markovbv process icesediscuspecialim pfipadem obecnélm .¤zapIm.¤ru-w/mnebch milmzldu/m pmre.»1», coi je cystm néhodnychovelin definovanych na jnstém pravdépndabnosmim proszoru s hudnmanu v jiszém XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX nazyvanou téi uajekrorie. NapF. pm vyée deiinovany Markomv Ferézec je jedna konkrémi posloupnosz konfi» I Tato znamená, žerealized, z konfigurace Aipravdépodobnosw musí vzniknout Gracie,podmínka nap?. {A7.A,4,,.-1-,,.~1,_,, . . .), jednou které se vyskylne sJimu v iexézcn {s<*¤,.$*2¤,s<i**,.s<·•> ,... }. Teprove kdyi uvaiujeme pravdépcdobmmaimmuasmdimemluvit O pm. nějaká konfigurace Aj . CEOs' I K čemu jsouXIm·kov\°xv Markovovy řetězce? Např. vyjdeme stavu Ai , MaK111v—li i0n<ʻzIIIIZOIIIQ Si ]><>lugthull mmiavk. nzxpiiklzul.ze \·y_)rlu» li xv smvu .-L, jzxké jc px·zw¢l6po1lolm0sc who, Ze po k krociclx clojrluAdo sum1 A]?krocích? Jak buclv zaivisct jaká je pravděpodobnost dosažení stavu po k Jak j vyskyt stave A] au k'? Tight oteizky csvétlimc ucjlépo ua pfiklzulu. budeMém záviset výskyt Aj fungujc, na k?:1I¤lmr§ijc=msc sitiRexuékcly fuugujv. vcancelii pnéitaé.stavu Tnumi.vidy knuckley ue. Dlouhudcbym pozorovéuim jsum zjistil, in Příklad: Počítačová síť vykazuje následující chování: I 1. l`engage—li sit! dues, jc 60% pravdépndobnosm. io buds fuugovat i zitm; i zítra Stav sitétady nahjvei <lv0u ll(J(\llOf,, .-1, ;:fluI\[§\l_i(*M an .-12 =.,u<-i'u11p_11_]<·". P1·e1v<l5pmlul> I v nefunguje-li dnes, pak je 70% pravděpodobnost, že nebude oust Ease k IOC pnpsnt dvuumzmémim v<·ki<>r<·n1 fungovat i zítra I dnes, je s60% pravděpodobnost, že fuugovaxn bude fungovat 2.funguje-li nefungujc-li sid duns, pak [)l'8.V(léI)0(lOhXlOSEi 70% uebudc anizitm. nm _(7r(k1 TRW) I Stav sítě]>h·cl1ml11_j0 nabývá vdvou hodnot a matice přechodu je XIexl.ir·¢· {umm piipmlf _ 0.6 (1.4 — {1.3 0.7 ' Jvstliic Lczly véerabylsm.v sité popsén vckmormn ·1r(", pak pm rlncéuistamplatiz rm. = Wm. ·W. Ondřejpak Klimo počítačové fyziky=-(0,1), hodinapak 3. Wm. Tidy nap?. jc-li nm = (1,0), Wm. =Metody (046,0.4), a je-li nt.') Obsah Úvod Základní vlastnosti a principy Generování pomocí metody Monte Carlo MC v _ 0.6čísel (1.4 — Integrace {1.3 0.7 ' nm _(7r(k1 TRW) náhodných XIexl.ir·¢· ]>h·cl1ml11_j0 vJvstliic {umm piipmlf Lczly véerabylsm.v sité popsén vckmormn ·1r(", pak pm rlncéuistamplatiz Markovovy řetězce rm. = Wm. ·W. _ 0.6 (1.4 — {1.3 0.7 ' Tidy nap?. jc-li nm = (1,0), pak Wm. = (046,0.4), a je-li nt.') = (0,1), pak Wm. I Následující stavy dostanou zaduh§ předchozích takto Jvstliic Lczly véerabylsm.v popsén vckmormn ·1r(", pak pm rlncéuistamplatiz (0.3,sité 0.7). Tactse mho pckraéovm, den mém rozloicni rm. = Wm. ·W. Ti!) Z .,,0) , W Z ,r(1)_vV2 4.2. BOLTS.-\NNO\'SKE` \`ZORK()\i-XXI 'T0m tv1·ze·ui ncni picsué. pr<1t<>21· ]n·uvdé]>or1<>l>xms!. n·:11izzu·0 1u:kz:mz¤?nrʼ ;n>>lmnpm>s1i Ixmlv u<·j<pil Tidy nap?. I jc-li nm = (1,0), pak Wm. = (046,0.4), a je-li nt.') = (0,1), pak Wm. Z toho např. plyne (0.3, 0.7). Tact mho pckraéovm, aduh§ den mém rozloicni uvula. Commie 11<·r·h|`si pi<··lx•m-i kmmrmm vyhnmuu p¤s1oup¤ms•,5 hm-m< ummlm-¢»u px;m1m¤»·l.»\»m»<¤i za Led Ti!) Z .,,0) W Z ,r(1)_vV2je~1g1r<1>=(1,0), 4.2. BOLTS.-\NNO\'SKE` \`ZORK()\i-XXI nu,, :{(0.48,0452), (0.39,0.61), _pc·l11r(‘) = (0,1) 'T0m tv1·ze·ui ncni picsué. pr<1t<>21· ]n·uvdé]>or1<>l>xms!. n·:11izzu·0 1u:kz:mz¤?nrʼ ;n>>lmnpm>s1i Ixmlv u<·j<pil uvula. Commie 11<·r·h|`si kmmrmm vyhnmuu p¤s1oup¤ms•,5 ummlm-¢»u px;m1m¤»·l.»\»m»<¤i za Led pi<··lx•m-izjistim, Pokraéuji-lidelc, ic r0zl0Zcui 1r(") hm-m< pm velkzi n nebudc ui vhbccZivsct un 1r(" n I Pokračujeme-li dále, žeje~1g1r<1>=(1,0), pro velká n dostaneme limitní dust LTV. Iimitni rozloicui nu, zjistíme, :{(0.48,0452), (0.39,0.61), _pc·l11r(‘) = (0,1) rozložení, které námJig·rr(") říká, že pravděpodobnost fungo: 1r průměrná é (0.42%,0.5714), (4.8) o Pokraéuji-lidelc, zjistim, ic r0zl0Zcui 1r(") pm velkzi n nebudc ui vhbccZivsct un 1r(" n vání je 43%. tedy pri'1111émé pravdépodulmost dust LTV. Iimitni rozloicui fungcvziin jc 43ApproverLou jc t.<um1 tak axleaverly<·ky'f Zkusme uécojiného. Byl jsem na dov<>l<»11éa11<*vImo Adavévm sit`f11ng0vz]z1 rawlm uv. Jvrlvn : 1r é iv (0.42%,0.5714), (4.8) kolcga oak. ic sit; uofuuguvalu. Jig·rr(") Durham Lvrrli. sum. mV<lF;><><Liz>h1msri pm :1 prat gins o Lcnly stejné a ]oxt.<·G11i stav prom vvzmorme vcr tvaxru tedy ansi pri'1111émé pravdépodulmost fungcvziin jc 43ApproverLou jc t.<um1 tak axleaverly<·ky'f Zkusme uécojiného. Byl jsem na dov<>l<»11éa11<*vImo TH') : (0,5.0.a),Adavévm sit`f11ng0vz]z1 rawlm uv. Jvrlvn kolcga oak. ic sit; uofuuguvalu. Durham Lvrrli. iv sum. mV<lF;><><Liz>h1msri pm :1 prat gins Jake ju te-dy p1·nv<l5p¤><luI>n<1>t. iw vvzmorme sit` bucle fuugovm, ni duns piijdu do précc`! Lcnly ansi stejné a ]oxt.<·G11i stav prom vcr tvaxru ww : M') · w: (0,5.0.a), Z (0.45,0.as) TH') a.Jake tedy jo 45%.Bud-li nyni pokraéovat vnduns vypoétu jupravdépudobnust te-dy p1·nv<l5p¤><luI>n<1>t. iw sit` bucle fuugovm, ni piijdupmvdépodolmostd do précc`! dél, zjistim, ie pn uékolikadducezh dostanupét rczloicni (4.8). Klimo počítačové fyzikypiiklzul - hodina 3. ww : M') · vcliéin. wMetody Z (0.45,0.as) Ve statistické viz.n misOndřej znjimzimeekui Zdc I]lG%(¥ jnko vcliéiny (pom Obsah Úvod Základní vlastnosti a principy Generování náhodných Lcnly ansi stejné a ]oxt.<·G11i stav prom vvzmorme vcrčísel tvaxruIntegrace pomocí metody Monte Carlo MC v TH') : (0,5.0.a), Markovovy řetězce Jake ju te-dy p1·nv<l5p¤><luI>n<1>t. iw sit` bucle fuugovm, ni duns piijdu do précc`! ww : M') · w Z (0.45,0.as) I Vea. tedy statistické fyzice nás zajímají měřené veličiny. Např. výdělek pravdépudobnust jo 45%.Bud-li nyni pokraéovat vn vypoétu pmvdépodolmostd dél, zjistim, ie pn uékolikadducezh dostanupét rczloicni (4.8). závisí na fungování sítě - síť funguje vyděláme 2000 Kč denně, Ve statistické viz.n mis znjimzimeekui vcliéin. Zdc I]lG%(¥ jnko piiklzul vcliéiny (pom síťrovatelué)sloet nefunguje vydélckz vyděláme jen 500 Kč. jcstliie sirunguja, vydélém X(,,f11ngujc") = 2000 KE za den, I Průměrný je pak dán střední hodnotou vfdfvlck jc din výdělek stivdni h<><lll0[Gull jostle rncfuugujan u<¤nmh11procuret Elbcdupoufc X(,,r1cf1111g11_jc") = SUOKG, Pr1'}r¤x5r1x§ (X) = vr(,,fuugu_jc").\`(,,f11ugujc") + 1r(.,ucf•111g11_jv").\`(..114-i'm1gn1_]v") i 1143 KP. Vatic piechodnx v xmivx _jud1m<l1u·l1ér11 piiklzulnn mai tu vlzxsmost,. is- >yst, 6xu xtmyi XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX z jackalm r<>zl<wi<·11i jsuw vyéli. .·\ juketvum piiklZulusvisi s p1ivm111[111 p1·ohl<$1m·m \')'l>l`2\I\l; p<>Slm1p110st,i. s ii hurIr·u1<· pr<><1 2ixvt kuufig11ra511i p1·ust<>1"Y CI·clu<1<lu§r\. XI6j1m· p0sl<111]>— oust stem·fʼ1 Gilienyui ku11H;.g111ʻzui {.-\(A`>}f;I vybrzmuu z XIa1ʻk<>v<>vn F<~L<ʻz<·<· {s<·>,s~> .... } s limimim mzloivuim N=’ cap(·-Ebb) _coxp(—/1U]) (4 9) E2; ¤x1>(#/wk) Q de ssmc oznzxiili U] = Z/(AJ). Pak stfcdui hideout villainy X podl whom Fvtézco. (4.10) z 1 N rm. .x : - Z}, , " k;1 do XW : X(A(*)), bud pm I'(lSN)ll<'i 71 kOIl\'(ʼl'{.§OVi\\, k souhomvé stivclni hoclumé <lem<* vztalwm A Ondřej Klimo x ; A l Metody počítačové fyziky - hodina 3. (4.11) Obsah Úvod Základní vlastnosti aviz.n principy Generování náhodných čísel I]lG%(¥ Integrace pomocí metody Monte Carlo MC v jostle u<¤nmh11procuret Elbcdupoufc X(,,r1cf1111g11_jc") = piiklzul SUOKG, Pr1'}r¤x5r1x§ vfdfvlck jc din stivdni h<><lll0[Gull Verncfuugujan statistické mis znjimzimeekui vcliéin. Zdc jnko vcliéiny (pom vfdfvlck jc din stivdni h<><lll0[Gull rovatelué)sloet vydélckz jcstliie sirunguja, vydélém X(,,f11ngujc") = 2000 KE za den, (X) = vr(,,fuugu_jc").\`(,,f11ugujc") + 1r(.,ucf•111g11_jv").\`(..114-i'm1gn1_]v") i 1143 KP. jostle rncfuugujan u<¤nmh11procuret Elbcdupoufc X(,,r1cf1111g11_jc") = SUOKG, Pr1'}r¤x5r1x§ Markovovy řetězce (X) = vr(,,fuugu_jc").\`(,,f11ugujc") + 1r(.,ucf•111g11_jv").\`(..114-i'm1gn1_]v") i 1143 KP. vfdfvlck din stivdnivh<><lll0[Gull Vaticjcpiechodnx xmivx _jud1m<l1u·l1ér11 piiklzulnn mai tu vlzxsmost,. is- >yst, 6xu xtmyi Vatic piechodnx v xmivx _jud1m<l1u·l1ér11 piiklzulnn mai tu vlzxsmost,. is- >yst, 6xu xtmyi XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX (X) = vr(,,fuugu_jc").\`(,,f11ugujc") + 1r(.,ucf•111g11_jv").\`(..114-i'm1gn1_]v") i 1143 KP. I zXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX jackalm r<>zl<wi<·11i jsuw vyéli. .·\ juketvum piiklZulusvisi s p1ivm111[111 p1·ohl<$1m·m \')'l>l`2\I\l; Mějme posloupnost stavů vybranou zsmai Markovova řetězce s liz jackalm r<>zl<wi<·11i jsuw pr<><1 vyéli. .·\2ixvt juketvum piiklZulusvisi p1ivm111[111 p1·ohl<$1m·m \')'l>l`2\I\l; Vatic piechodnx v xmivx _jud1m<l1u·l1ér11 piiklzulnn tuCI·clu<1<lu§r\. vlzxsmost,. is>yst,p0sl<111]>— 6xu xtmyi p<>Slm1p110st,i. s ii hurIr·u1<· kuufig11ra511i p1·ust<>1"Y XI6j1m· p<>Slm1p110st,i. s ii hurIr·u1<· pr<><1 2ixvt kuufig11ra511i p1·ust<>1"Y CI·clu<1<lu§r\. XI6j1m· p0sl<111]>— oust stem·fʼ1 Gilienyui ku11H;.g111ʻzui {.-\(A`>}f;I vybrzmuu z XIa1ʻk<>v<>vn F<~L<ʻz<·<· {s<·>,s~> .... } XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX mitním rozložením, kde Uj = U (Aj ) stem·fʼ1 Gilienyui ku11H;.g111ʻzui {.-\(A`>}f;IpiiklZulusvisi vybrzmuu z sXIa1ʻk<>v<>vn {s<·>,s~> .... } zsoust jackalm r<>zl<wi<·11i jsuw vyéli. .·\ juketvum p1ivm111[111F<~L<ʻz<·<· p1·ohl<$1m·m \')'l>l`2\I\l; limimim mzloivuim s limimim mzloivuim p<>Slm1p110st,i. s ii hurIr·u1<· pr<><1 2ixvt kuufig11ra511i p1·ust<>1"Y CI·clu<1<lu§r\. XI6j1m· p0sl<111]>— cap(·-Ebb) _coxp(—/1U]) oust stem·fʼ1 Gilienyui ku11H;.g111ʻzui {.-\(A`>}f;I vybrzmuu z XIa1ʻk<>v<>vn F<~L<ʻz<·<· {s<·>,s~>(4....9) } N=’ cap(·-Ebb) _coxp(—/1U]) N = ’ E2; ¤x1>(#/wk) Q (4 9) s limimim mzloivuim I ¤x1>(#/wk) Q X podl whom Fvtézco. de ssmc oznzxiili U] = Z/(AJ).E2; Pak stfcdui hideout villainy cap(·-Ebb) _coxp(—/1U]) Střední hodnota Xstfcdui podél tohoto řetězce je Fvtézco.(4 9) de ssmc oznzxiili U] =veličiny Z/(AJ). hideout villainy X podl whom N = ’ Pak E2; ¤x1>(#/wk) Q (4.10) z 1 N rm. .x : - Z}, , " hideout k;1 de ssmc oznzxiili U] = Z/(AJ). Pak stfcdui z 1 N rm. .x : - Z}, ,villainy X podl whom Fvtézco.(4.10) " k;1 do XW : X(A(*)), bud pm I'(lSN)ll<'i 71 kOIl\'(ʼl'{.§OVi\\, k souhomvé stivclni hoclumé <lem<* (4.10) do XW : X(A(*)), bud pm I'(lSN)ll<'i 71z kOIl\'(ʼl'{.§OVi\\, 1 N rm. .x : - Z}, , k souhomvé stivclni hoclumé <lem<* vztalwm A x " ;k;1n Ak souborové l I Ta bude konvergovat pro rostoucí střední hodnotě vztalwm A x ; A;X¤,.\·,, l (4.11) (.\‘>71:Z¤,x(.4J; do XWvztahem : X(A(*)), bud pm I'(lSN)ll<'i kOIl\'(ʼl'{.§OVi\\, k1 souhomvé stivclni hoclumé <lem<* dané , : 1 , : (4.11) (.\‘> :Z¤,x(.4J; ;X¤,.\·,, vztalwm ,A ww :x = 1 ww , A :I<<>1m·1·p,11_j¤· Zbfvsi ureat pm>cI111f11kv. An ktvrfrln ·VV* k limmanimumz)rwZr·r1i ; l1 Zbfvsi ureat pm>cI111f11kv. (.\‘> An ktvrfrln ww = ww ·VV* I<<>1m·1·p,11_j¤· k limmanimumz)rwZr·r1i (4.11) 1r. .I<·stli2<·r :Z¤,x(.4J; ;X¤,.\·,, 1r. .I<·stli2<·r , : 1 , : 1 Zbfvsi ureat pm>cI111f11kv. An ktvrfrln ww = ww ·VV* I<<>1m·1·p,11_j¤· k limmanimumz)rwZr·r1i 1r. .I<·stli2<·r Ondřej Klimo Metody počítačové fyziky - hodina 3. Obsah Úvod Základní vlastnosti a principy Generování náhodných čísel Integrace pomocí metody Monte Carlo MC v Markovovy řetězce I CAPITAL 4. ZA·XKL.-\DY METODY MONTE CARLO Zbývá určit podmínky konvergence k limitnímu rozložení: všechny stavy musí být v konečném čase dosažitelné z pravdépodobnosti a libovolného stavu s nenulovou pravděpodobností I 2.žádný ing?Sanveniperiodicf (stav .4, jcperiodicy,jostlec cxistuje pcriurla m tnkové, stav není periodický I 1. véechnyscabysou dosaiitclné z Iibuvcluéhoistavu v koneéum Easv s ncuulovou I ic j(».11 7rf"ʼ : 0, pak ¤§”*ʼ“ʼ = 0 a jms 7rf"ʼ ye 0, pak wf”*ʼ“ʼ ye 0), V XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX tomto případě je množina stavů ergodická a pro libovolné nest nm cxistujn Imitate 1r =existuje limbic.,¤, nmjediné [33, 34]. Ruzloicui 1r j<Mr.dy počáteční rozdělení limitní pmvclépnrlnlmcmsti rozdělení takové, že r es en1n1 m v nuc c vr · W = 1r (4.12) a \0t0 eoni jeJedé I Jinymi slavey. vektor stavni 1r je vlasmim Ievym vekzorem szochastickémantics W.Lizeukaseaz, ie v§wechna daléivaletsi éisla jsou v absolutni hodnoxé men§i nei 14 4.2.2 Urni matice pfechodu Potiebujemc LCD zkcnstrucvat posloupnost (Markovfiv ictfrzcc) konfiguraci mk, shy sc. pmvdépodobnust vgfskytu jeduotlivfch k0ufig11rz1<:i rcvnaln Boltzmaumové vzizc (4.9)ketchzi Lak buds: picdscavovat limimi mzl02ur1i_jisté,satim ucz11ai1né mat.i<·<· p?n·c·honlu. Tom jr priivé Opaén)? pmblém 1102 tcu, ktcrj sr uhvyklv véi v u~<u’1i \Ia\rl<<m>\·§’<‘}1 i<·L<*z<·f’1. tj. k dunéMercki picechodunullzt limimi r<>zdélvni. Pro ureaimusiccpitiedumeme colkcm Lii pm11l111i11ky Ondřej Klimo Metody počítačové fyziky - hodina 3.