Monte Carlo

El método de Monte Carlo: generalidades
Números aleatorios
Simulación de Distribuciones de Poisson
Simulación de Distribuciones Generales
El método de Monte Carlo en Mecánica Estadísti-

ca

Percolación en

Percolación en

El modelo de Ising en

El modelo de Ising en
Bibliografía
The Art of Computer Programming, D. E. Knuth,

Addison-Wesley, vol 2, 1997.
Numerical Recipes in C, W. H. Press, B. P. Flan-

nery, S. A. Teukolsky, W. T. Vetterling, Cambridge
University Press 1990.
Introduction to Percolation theory, A. Stauffer, A.

Aharony, Taylor & Francis, 1991.
Monte Carlo Simulation in Statistical Physics, K.

Binder, D.W. Heermann, Springer, 1997.
Quantum Fields on the computer, Ed. M. Creutz,

World Scientific, 1992.
Método de Monte Carlo:
Cualquier técnica que use números aleatorios.
P:¿Por qué Monte Carlo?
R: Por su casino (Karl Pearson, 1892)
P:¿Para qué pueden servir los números aleatorios?
R: Veamos unos ejemplos:
Simulación: La reproducción de fenómenos na-

turales necesita números aleatorios. En Física
los ejemplos clásicos: Física Estadística, Física
de Partículas
Muestreo: Muchas veces es poco práctico exa-

minar todos los casos posibles. Un muestreo alea-
torio puede revelar un comportamiento típico.
Análisis Numérico: Técnicas numéricas necesi-
tan números aleatorios
Programación de ordenadores: Tests de efec-

tividad de algoritmos
Toma de decisiones: Se rumorea que algunos

ejecutivos tiran monedas al aire para tomar deci-
siones. Algo parecido se dice de cómo califican
los exámenes algunos profesores
Estética: Un toque de aleatoriedad puede resul-

tar agradable
Juegos: De aquí proviene el propio método

P:¿Qué es un número aleatorio?, ¿es 2 un número
aleatorio?
R: Pregunta sin sentido. En su lugar hablaremos de

una secuencia de números aleatorios independientes
con una distribución específica.
Independientes: cada número es obtenido por casua-

lidad y no tiene ninguna relación con otros números
de la serie
Distribución específica: cada número tiene una pro-

babilidad específica de pertenecer a un rango de va-
lores determinado. La más común es la distribución
uniforme, todos los números son igualmente proba-
bles. Veremos otras.
Generación de Números Aleatorios
Utilizar máquinas específicas (resistencia gene-

radora de ruido) Ej.: ERNIE (loto inglesa) Incon-
venientes: averías difícilmente detectables, impo-
sibilidad de rehacer los cálculos con idénticas se-
cuencias
Utilizar tablas Inconvenientes: tablas cortas para

cálculos, ocupan memoria, tiempos de acceso
Utilizar operaciones aritméticas. Von Neumann

(1946)

extraer los dígitos centrales

Ej:

P:¿Cómo aleatorio (random) si está completamente

determinado por el anterior?
R : NO es random pero lo parece. Secuencias pseu-

doaleatorias que llamaremos simplemente aleatorias.
La secuencia de Von Neumann es un mal generador.
Ejercicio: Usar el algoritmo de Von Neumann para

generar una secuencia de números de 4 dígitos. Ana-
lizar el resultado usando diferentes semillas (número
inicial).
Peligro: los números aleatorios aceptados ciegamen-

te pueden llevarnos a cometer errores. Como hizo
IBM en los ’60 con su generador RANDU.
Generadores uniformes de números aleatorios
En la práctica se generan números enteros com-

prendidos entre 0 y (módulo. El método más ex-
tendido es el de las congruencias:
Método de las congruencias
Se basa en 4 números enteros mágicos
: módulo
! : multiplicador " ! #
$ : incremento " $ #
"
&% : semilla &% #
La secuencia se obtiene como

*!
(' ) + $-,/. 021 3 4 5
Por ejemplo en MapleV
) 687:9 . 0
$
! ;
<
=
> ?
> ? >

@ > > > A> > & >

%

* Siempre se produce un loop

! $
&%
* > /
, . 0 B 1 * >
)

+
3C
+

,/. 021 3C&D 3E8F
3GHI

Si $ la generación es más rápida y la secuencia
más corta
Elección del módulo
tiene que ser grande para tener secuencias largas.

D
Si J es el tamaño de la palabra (J en un

Pentium) se suele tomar J K . Otra alternativa
es el mayor primo menor que J .
Elección del multiplicador
Th: Una secuencia definida por 3 ! 3 $ y L% tiene pe-

riodo de longitud si y sólo si
i) $ es primo relativo a
! es múltiplo de N , para todo primo N

ii) M
divisor de
iii) M es múltiplo de 4 si es múltiplo de 4

Si $
se cumple que
$
Th.: El máximo periodo cuando se obtiene si
i) L% es primo relativo a
ii) ! es elemento primitivo módulo
Cuando ! es primo relativo a , el entero más peque-

*
ño para el que !PO=,Q. 0B1 se llama orden de
! módulo . El ! que tiene el máximo valor posible
de orden módulo se llama un elemento primitivo
módulo .
Otros métodos:Secuencia de Fibonacci

*
( ' ) + 8 R<) ,/. 021
*
SR F + 8 RTQT Q, . 0B1 3 5
Ejercicio: Utilizar los números aleatorios para simu-
lar el decaimiento radiactivo de una muestra de nú-
cleos. La probabilidad de que un núcleo decaiga en
W W # #
un tiempo U V es: N U V donde U V .

Considerad una muestra de % núcleos radiactivos.
¿Cómo cambia con el tiempo el número de núcleos?.
* ,
Haced una gráfica de V .
Algoritmo:

Desde V hasta V , con U V
Loop sobre los núcleos que hay en V
# W
Decidir si decae o no: si random# U V enton-
ces el número de núcleos decae en una unidad
Registrar el número de núcleos en V

Datos:
W Y X <
R ) Z
% 3 3 U V
W X R[) Z
% 3 3 U V
Comparar con el resultado teórico
* , 6* W ,
V %A\^] V
Mostrar el resultado en gráficas con escalas lineales y

logarítmicas
100
80
60
40
20
20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
.1e3
.5e2
.1e2
5.
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
4000
3000
2000
1000
0
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
x
.1e4
.1e3
.1e2
1.
20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
Complicando la pregunta anterior: ¿cuál es la proba-
bilidad de observar 4 decaimientos en un intervalo de
tiempo _ ?. Suponiendo que el número de decays en

_ es mucho menor que . Dividimos _ en inter-

valos de duración U V , _ U V
∆t
` W ` a
Probabilidad 1 decay N U V U V b
Probabilidad 4 decays en _
c *d , b e
R
N N 4
f
En el límite , U V
c g
R hij 4lkm3 i ` _
Distribución de Poisson
Ejercicio Modicar el ejercicio anterior para simular un
experimento en el que contamos el número de decays
observados en un intervalo _ . Repetir el experimento
varias veces y hacer histograma de la distribución de
decays.
Datos
W > R T s R<)
% W > R F < U V s _ s
% sR ) U V s _ s
#experimentos = 1000
TESTS
P: Dada una secuencia n , ¿cómo saber si es sufi-

cientemente aleatoria?

Test Chi-cuadrado o
Método básico en estadística que se usa en relación

con muchos otros temas
- Tenemos un experimento que puede producir valo-

res en p clases distintas, cada una de ellas tiene una
Z
probabilidad asociada Nrqs3 Ip
- Hacemos 4 observaciones independientes y conta-

Z
mos tq el número de observaciones en la clase .
qwv x
t q 4 Nq ,
- Construimos u
qwv ) 4Nq

Si u y y tendremos fundadas sospechas sobre las
medidas efectuadas.
P: ¿Qué valores son razonables para u ?

La respuesta en la siguiente tabla ( z p , grados
de libertad)
~ } } } }} } } }} }} }
}} } }
{ | } }} } } } } } }
}
~ } } }
} } } } } } }
{ | } }} } } } } } } } }

~ }} } }
} }
{ | } } } }} } } } }

~ } } }} }} } } }

} } } } }}
{ | } } }} } }
}
~ } }
} } } }
{ | }} }} } }} }

~ } } } } } }} }
} } }
{ | } } } }
} } } }
} }
~ } }} }} }} }

{ | } }} }
} }}}
} } }} } }
| | | | | | | | | | | | | | | |
Si la entrada en la fila z columna N es La cantidad
u sera menor o igual que con probabilidad N , para
4 suficientemente grande.

Criterio 4 grande: 4Nrq 5
Ejemplo: Tiramos 200 veces una moneda y medimos

118 caras y 82 cruces. u ,z en la tabla
< <
tenemos para N %y

para N % . Luego la probabilidad de medir un
valor de u menor o igual que el obtenido es casi del
orden del 99%. Demasiado grande. La moneda es
sospechosa, no sirve como generador de secuencias
binarias.
Si tiramos una moneda 20000 veces y encontramos

10001 caras y 9999 cruces entonces u
miramos en la tabla y vemos que u será menor que
el valor obtenido sólo en menos del 1% de los casos,
ano
˛ podemos considerar el resultado aleatorio en ab-
soluto!
El criterio que se adopta es:
Si u es menor del 1% o mayor del 99% se rechaza

el generador Si u está entre el 1% al 5% o del 95%
al 99% se sospecha del generador Si u está entre el
5% al 10% o del 90% al 95% puede sospecharse

Ejercicio: Realizar el o test para el generador
Y[ ! ) $ D T
L% 3 + 3 3
-Generar secuencia 20000 números

-Obtener o haciendo bines de 2000
-Repetir 4 veces
-Representar la secuencia en un histograma, como

puntos en 2D y en 3D.

Ejercicio: Realizar el o test para el generador de
Fibonacci. Realizar varios tests y hacer bloques de
tres con los numeros de la secuencia.
Apartado teórico
Las variables t q son entradas de un histograma, co-

mo vimos antes la distribución de probabilidad que
siguen es la de Poisson. La probabilidad de que tq
tomen los valores Yq es
g Rd * g e
x 4 Nq , j
R 4
qwv ) q k 4lk
* , j 4Nq
Haciendo el cambio de variable q
t q 4
N q
x
resulta u w
q v ) q . Las q no son independien-

tes N ) ) + H +
N .
x x
* , *
Sea el espacio p -dimensional de los ) 3HHI3 x , .
Para 4 grande los q tienen aproximadamente distri-
bución normal, luego puntos en un volumen diferen-
¡ ¡
cial IH x de tienen 6* probabilidad
*£ aproximada-
,j ,
mente proporcional a \¢] ) + HH + x
¤
La probabilidad de que x ) n , donde sólo p
son independientes es
g R ¥§¦ ¤¨E©« ª R[)

N B¨w©« ª ¬ * x R[) ,

" ¤
La probabilidad de que u
¥ g R j x R[)s®¯¦ [
R ) ° *§* p , j 3 ¤ j ,
% x ¦ ¬ *-* p , j ¬ *-* p , j ,
* ,
Esta es la distribución o con p grados de liber-
tad.
¬ * , *

,
k función gamma
* , ± g e
R ² ´V ³ R<) V función incompleta de gam-
° 3 %
ma
Test Espectral: el generador RANDU
Fue introducido en los 60 por IBM

* /
, . B
0 1 D )
(' )
Veamos que RANDU tiene serios problemas

Test 1 : generamos una secuencia de 1000 números
y hacemos un histograma
100
80
60
40
20
0 5e+08 1e+09 1.5e+09 2e+09

Test 2: representemos la secuencia en 2D
2e+09
1.5e+09
1e+09
5e+08
0
0 5e+08 1e+09 1.5e+09 2e+09
Test 3: representemos la secuencia en 3D
2e+09
1.8e+09
1.6e+09
1.4e+09
1.2e+09
1e+09
8e+08
6e+08
4e+08
2e+08
0 0
0 2e+08
2e+08 4e+08
4e+08 6e+08
6e+08 8e+08
8e+08 1e+09
1e+09 1.2e+09
1.2e+09 1.4e+09
1.4e+09 1.6e+09
1.6e+09 1.8e+09
1.8e+09
2e+09 2e+09
Eligiendo apropiadamente el ángulo, los problemas
de RANDU aparecen
2e+09
1.8e+09
1.6e+09
1.4e+09
1.2e+09
1e+09
8e+08
6e+08
4e+08
2e+08
0
0
2e+08
4e+08
6e+08
8e+08
1e+09 0
1.2e+09 2e+08
1.4e+09 6e+08
1.6e+09 1e+09
1.8e+09 1.4e+09
2e+09 1.8e+09
Este fenómeno se conoce como Efecto Marsaglia

Otros tests
Simulación de Distribuciones Generales
Técnicas para la generación de secuencias de núme-

ros aleatorios distribuidos de manera no uniforme, por
ejemplo de acuerdo con la distibución de Poisson.
Técnica de Rechazo
Generar una secuencia que sigue una función de dis-

*
tribución µ , .
Algoritmo:
1. Elegir un valor de prueba a partir de un número

aleatorio ¶ )
* b · b ,
b n + ³ n ¶ )
*
2. Decidir si se acepta o no: Si µ , y ¶ ¹µ ¸ se
*
acepta µ¸ 5 µ , para todo , b n 5 5 b · ³ .
Repetir hasta que se acepte.
Este algoritmo se puede ver como tirar dardos:
f
M
f(x)
x min x max
* ,
De esta manera se puede estimar la integral de µ
º ³§»2¼´½ µ * , Á 4 · * b · b n ,
4 ³
³ »¾À¿ * ,
Problemas: Funciona mal si µ se parece a una
“delta”. Casi nunca se aceptan las propuestas. Si la
función tiene un polo no se puede usar. Si el rango
f f
de va desde hasta no se puede usar.
Técnica de Inversión
1. Normalizar la función de distribución, de modo

que sea una función de distribución de probabilidad
(PDF).
2. Integrar analíticamente desde el mínimo n hasta

un arbitrario. Esto es la probabilidad de que ocurra
un valor menor o igual que .
3. Igualar el resultado a un número aleatorio uniforme

y resolver en .
Es decir, resolver la ecuación

± *
³ µ V, V
± ³Ã³ ¾Â * , ¶
³¾ µ V V
Ejemplos
* ,
1) Generar entre 0 y 4 de acuerdo con µ
j * ,
:
± R<)¦ j
%³ V V
¶3 ¶
± F R[)G¦
% V V

generar de acuerdo con ¶ .
f * , g R
2) Generar entre 0 e de acuerdo con µ ³
± g Re²
%³ V g R
±ÅÄ g R² ¶3 ³ ¶
%
Æ 0Ç *¹ ,
generar de acuerdo con ¶ .
" É
Ejercicio: Generar ángulos È en el intervalo È
*
de acuerdo con la función de distribución: µ È ,
*CX^9IÊ( X
È + !ÌË0 È , R<) .
! !
Generar 10000 valores usando y .
Dibujar los resultados y sobreponer la función de dis-
tribución.
Técnica de Importance Sampling (Muestreo Repre-
sentativo??)
* ,
Reemplazar la función de distribución µ por una
· * ,
forma aproximada µ a la que se pueda aplicar la
técnica de inversión.
· * ,
Generar de acuerdo distribuidos según µ me-
diante la técnica de inversión y aceptarlos de acuerdo
* · *
con una probabilidad proporcional a J µ ,j µ ,.
a
f (x)
f (x)
La técnica de rechazo es el caso especial en el que
· * ,
µ es constante ( µ¹¸ )
* *d
Ejemplo: Generar de acuerdo con µ , +

, j en el rango # # . Intentadlo con la
técnica de inversión.
* ,j · * ,
La idea es que J µ µ sea sencillo. Ele-
· * , j ZsÍ¹Î * ,
gimos µ V con lo que J + .
j ZÍ¹Î * ,
Aplicamos la técnica de inversión a V :

Generamos de prueba: ¶ )
*d
Decidimos si se acepta: si + , y ¶ J b · ³ se
b ·
acepta. En este caso J ³ , en otros casos
puede ser más complicado encontrarlo.

Monte Carlo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Monte Carlo

Uploaded by

Copyright:

Available Formats

El método de Monte Carlo: generalidades

Simulación de Distribuciones de Poisson

Simulación de Distribuciones Generales

El método de Monte Carlo en Mecánica Estadísti-

The Art of Computer Programming, D. E. Knuth,

Numerical Recipes in C, W. H. Press, B. P. Flan-

Introduction to Percolation theory, A. Stauffer, A.

Monte Carlo Simulation in Statistical Physics, K.

Quantum Fields on the computer, Ed. M. Creutz,

Cualquier técnica que use números aleatorios.

P:¿Por qué Monte Carlo?

R: Por su casino (Karl Pearson, 1892)

P:¿Para qué pueden servir los números aleatorios?

R: Veamos unos ejemplos:

Simulación: La reproducción de fenómenos na-

Muestreo: Muchas veces es poco práctico exa-

Programación de ordenadores: Tests de efec-

Toma de decisiones: Se rumorea que algunos

Estética: Un toque de aleatoriedad puede resul-

Juegos: De aquí proviene el propio método

R: Pregunta sin sentido. En su lugar hablaremos de

Independientes: cada número es obtenido por casua-

Distribución específica: cada número tiene una pro-

Utilizar máquinas específicas (resistencia gene-

Utilizar tablas Inconvenientes: tablas cortas para

Utilizar operaciones aritméticas. Von Neumann

P:¿Cómo aleatorio (random) si está completamente

R : NO es random pero lo parece. Secuencias pseu-

La secuencia de Von Neumann es un mal generador.

Ejercicio: Usar el algoritmo de Von Neumann para

Peligro: los números aleatorios aceptados ciegamen-

En la práctica se generan números enteros  com-

Método de las congruencias

Se basa en 4 números enteros mágicos

La secuencia se obtiene como

 @      > > > A>  > & >   

* Siempre se produce un loop

tiene que ser grande para tener secuencias largas.

Elección del multiplicador

Th: Una secuencia definida por 3 ! 3 $ y L% tiene pe-

!  es múltiplo de N , para todo primo N

iii) M es múltiplo de 4 si es múltiplo de 4

i) L% es primo relativo a

ii) ! es elemento primitivo módulo

Cuando ! es primo relativo a , el entero más peque-

Otros métodos:Secuencia de Fibonacci

Loop sobre los núcleos que hay en V

Registrar el número de núcleos en V

Comparar con el resultado teórico

Mostrar el resultado en gráficas con escalas lineales y

P: Dada una secuencia n , ¿cómo saber si es sufi-

Método básico en estadística que se usa en relación

- Tenemos un experimento que puede producir valo-

- Hacemos 4 observaciones independientes y conta-

Ejemplo: Tiramos 200 veces una moneda y medimos

Si tiramos una moneda 20000 veces y encontramos

Si u es menor del 1% o mayor del 99% se rechaza

-Generar secuencia 20000 números

-Representar la secuencia en un histograma, como

Las variables t q son entradas de un histograma, co-

Fue introducido en los 60 por IBM

Veamos que RANDU tiene serios problemas

0 5e+08 1e+09 1.5e+09 2e+09

Este fenómeno se conoce como Efecto Marsaglia

En la práctica se generan números enteros com-

@ > > > A> > & >

Th: Una secuencia definida por 3 ! 3 $ y L% tiene pe-

! es múltiplo de N , para todo primo N

i) L% es primo relativo a

P: Dada una secuencia n , ¿cómo saber si es sufi-

1. Elegir un valor de prueba a partir de un número

2. Integrar analíticamente desde el mínimo n hasta