Monte Carlo metoda

Metodu je osmislio Stanislaw Ulam, poljski matematiar, koji je radio u SAD-u s John von Neumannom na Manhattan projektu tokom II. svjetskog rata. Kako je doao do te metode najbolje opisuje sam: Prve misli i pokuaji ostvarivanja metode nastale su 1946. kad sam se oporavljao od prehlade i igrao pasianz. Postavio sam si pitanje kolika je vjerojatnost ja se igra zavri uspjeno? Nakon dugo vremena provedenog u pokuaju procjene jednostavnom kombinatorikom, pomislio sam nije li jednostavnije primjenit praktinu metodu od apstraktnog razmiljanja. Primjerice odigrat partiju stotinu puta i jednostavno zbrojiti uspjeno odigrane partije. Ta mogunost je postojala s poetkom nove ere brzih raunala. Odmah sam poeo razmiljati o primjeni metode na difuziju neutrona i ostala pitanja fizike, openito kako problem opisan diferencijalnom jednadbom prikazati nizom sluajnih operacija. Svoju ideju sam opisao Johnu von Neumannu i poeli smo raditi na problemu. Danas Monte Carlo metodu poznajemo kao metodu kojom rijeavamo matematike probleme upotrebom (pseudo)sluajnih brojeva. Drugim rijeima statinim uzorcima aproksimiramo rijeenje kvantitativnog prolema. Ulam nije prvi u tom podruju, ideju je prvi prikazo W. S. Gossett poznatiji pod pseudonimom Student. Ulamov doprinos bio je u primjeni metode na novonastala raunala. Zajedno s John von Neumannom i Nicholasom Metropolisom razvio je algoritam za raunalnu implementaciju, metoda je dobila ime po kasinima Monte Carla. Sam princim metode nastao je puno prije Studenta, tonije 1777. kad se Comte de Buffon zapitao kolika je vjerojatnost da drvce duine l baeno na reetku razmaka d (d>l) padne na jednu od linija reetke.

Rjeenje problema proizlazi iz zadanog integrala:

Kroz ovo rjenje matematiar Laplace je doao do jedinstvenog naina odreivanja vrijednosti broja . Pretpostavimo da je Buffonov eksperiment izveden bacanjem drvca n puta, neka M oznaava koliko puta je drvce palo na liniju:

Poto je ovoj i prethodnoj jednadbi jednaka lijeva strana nuno im je jednaka i desna tj:

ili:

Koristei taj princip Kapetan O.C.Fox je 1864 izveo eksperiment u tri serije i doao do sljedeih rezultata:

Prvi put je doao do nedovoljno dobrog rezultata, nezodovoljan injenicom da bi morao viestruko poveati broj bacanja zarotirao je reetku. Dalje nezadovoljan rezultatom a ne elei znatno poveati broj bacanja promjenio je dimenzijski odnos. Taj pokus je dokazao da nije potrebno izvesti 2000 bacanja ili vie ve je dovoljno promjeniti druge parametre u pokusu to danas ima implementaciju u odabiru (pseudo)sluajnih brojeva. Pseudo zato to su sve samo ne sluajni to nam govori da kvaliteta odabira (pseudo)sluajnih brojeva odreuje i tonost primjene Monte Carlo metde.

Primjer izraunavanja odreenog integrala Izraunavanje odreenih integrala se svodi na izraunavanje povrine ispod podintegralne funkcije. Povrina ovakvih likova se moe ocjeniti ako se uniformno razbacaju toke po nekoj veoj povrini poznate povrine koja je sadri (obino kvadratu ili pravokutniku),a zatim se prebroje toke koje su pale unutar lika. Kao konkretan primer razmotrit emo etvrtinu jedininog kruga. Ako po jedininom kvadratu u kojem se nalazi uniformno razbacamo 10 toaka, a zatim utvrdimo da je unutar kruga palo 8, dobit emo da je

Greka je izraunata pomou izraza iz statistike:

jer je rije o promjenjivoj varijabli x koja moe poprimiti vrijednosti: 1(pogodak u figuru) i 0(promaaj). Ova metoda se u praksi zovi Hit-or-mis Monte Carlo metoda.

Takoer, kako je i naznaeno preko slike osim povrine ispod integrala moemo izraunati i vrijednost poto funkcija u sebi sadri parametar .

Dva usporedna programa u Fortranu i C-u koji preko ovog integrala izraunavaju vrijednost

Prednosti i nedostaci algoritma: -prednosti a) Jednostavnost algoritma; b) Laka ocjena greke; c) Jednostavno tretiranje domena integracije kompleksnih oblika; d) Ocjena integrala moe po potrebi biti naknadno profinjena daljim ulaganjem kompjuterskog vremena. -mane a) Mogunost sistematskih greaka (pristrasnost ocjene); b) Potrebni su "dovoljno dobri" sluajni brojevi (potrebno je testiranje). Stoga je pri primjeni Monte Carlo metoda potrebna izvjesna doza opreznosti.

Razvoj simulacijskih metoda: Problem odabira pseudo brojeva otvorio je put razvoju drugim metodama, tako Vegas algoritam slui za smanjivanje pogreke Monte Carlo simulacije. U osnovi Vegas testira pravilnost distribucije toaka na povrinu (primjer odreivanja integrala pomou Monte Carlo metode), prolazei poljem radi histogram. Postoji niz algoritama koji se bave odabirom pseudo brojeva: Metropolis-Hastings, Gipsov uzorak, Markovov lanac... Sama Monte Carlo metoda zbog irokog spektra uporabe odjeljena je na metode: Direktna simulacija M.C., Dinamina M.C. metoda, Kvantna M.C. metoda te Kvazi M.C: metoda