1

Диференціальні рівняння
Ітераційні методи, методи наближеного пошуку розв’язків ДР.

o Метод Ейлера
o Вдосконалений Метод Ейлера
o Метод четвертого порядку – Рунге –Кутта

Вступне слово :
Перечислені методи слугують для приблизних обчислювань коренів-
розв’язків ДР, систем ДР.
Розглянемо ДР першого порядку для якого потрібно знайти
приватний розв’язок , який відповідає заданій умові . Отже, таким
чином потрібно знайти функцію яка буде задовільняти даному ДР
і графік якої проходить через точку
Основна ідея для метода РК щоб замінити фрагмент графіка
ламаною лінією. Від теорії перейдемо безпосередньо до
ров'язування завдань на практиці.

Метод Ейлера :

Завдання № 1
Знайти приватний розв’язок ДР , задана умова КОШІ ,
відрізок : та крок : . Побудувати таблицю ітерацій та графік
наближенего розв'язку.

Дане рівняння – лінійне , яке можна обчислити стандартним способом.

Нагадаю лише що такі рівняння можна розв'язати двома способами :

методом варіації постійної або за допомогою підстановки , метод Бернулі ,
дані методи розглядалися на курсі Диференційні рівнняння в 1 семестрі ,
для тих хто підзабув залишу посилання : Метод Бернулі ДР.
Відповідно виникає запитання коли ми можемо застосовувати дані
методи приближеного обчислення , відповідь проста – коли змінні

Daniel Dubrov
 2

розділити неможливо , тобто отримаємо ітеграл який не

можливо взяти , проте приватний розв'язок інує.

Приватним розв'язком нашого рівння буде : ,

віповідно з виконаною умовою.
Оскільки відрізок від 0 до 1 включно а крок становить 0,1 то наша
ламана буде містити 10 відрізків
Одна точка відома : і вона відповідає початковій
умові :
Також відомі і коридинати іксів у точках це випливає з короку

Тепер потрібно знайти ігрики .

Кожні наступні значення ігрика отримаємо з попередньої ітерації за

рахунок рекуртної формули :

Пердставимо наше ДР у вигляді :

Таким чином отримаємо :

Тепер починаємо наш безкінечний шлях пошуку точних значень :

Все відбувається від початкової умови : :

Нульва ітерація :

Перша ітерація :

Daniel Dubrov
 3

Друга ітерація :

І так далі …

На основі ітерацій складемо таблицю :

За результатами 2 – го та 3 – го стовбця зобразимо на графіку 11

точок і 10 відрізків з'єднуючи ці точки.
Намалюємо графік , в якому зобразимо приватний розв'язок
рівняння та ламану побудовану за рахунок методу Ейлера :

Daniel Dubrov
 4

Висновок : Суттєвим нодоліком даного методу є дуже велика

похибка , з часом ця похибка має здатність накопичуватися чим дальше ми
відходимо від точки , тим більше стає розходження між приблизним та
істинним графіком.
Відповідно можна покращити результати і зменшити похибку
взявши менший крок наприклад розпити відрізок на 20 частин і крок
відповідно буде 0,05.

Daniel Dubrov
 5

Вдосконалений метод Ейлера :

Розглянемо метод на попердньому прикладі : , , ,

- приватний розв'язок ДР
Відповідно всі розрахунки будуть відбуватися за формулою :

де
Починаємо шукати ітерації з початкової умови :
Перша ітерація :

Перший аргумент зовіншньої функції

Другий аргумент :

Друга ітерація :

- зовнішній аргумент першох функції

- другий аргумент

Daniel Dubrov
 6

Третя ітерація :

Таблиця ітерацій :

Числа округляємо до 4-6 знаків після коми

За результатами 2 – го та 3 – го стовбця зліва побудуємо ламану :

Побудуємо графік , графік містить приватний розв'язок та вдосканалений

метод - Ейдлера

Daniel Dubrov
7

Daniel Dubrov
 8

Класичний метод Рунге – Кутти 4 – го порядку :

Суть цього метода що на кожному кроці нам прийдеться обчислити

значення функції 4 рази .

Запишемо формули :

Нульва ітерація :

Таким чином отримаємо :

Таблиця результатів :

Daniel Dubrov
 9

Проведемо порівняння всіх трьох методів на точність обчислень :

В таблицю запишемо абсолютні похибки : приблизних обчислень :

Як вижно метод РК дає 4-5 вірних знаки після коми в порівнянні з іншими.

Похибка «звичайного» методу Ейлера не перевищує кроку розбиття. І

справді - погляньте на самий лівий стовпець похибок - там після
ком тільки один нуль, що і говорить нам про точність 0,1.

- Вдосконалений метод Ейлера гарантує точність: (дивимося

на 2 нуля після коми в середній колонці похибок).

- І, нарешті, класичний метод Рунге-Кутта забезпечує точність

Спрямити вдається далеко не все стаття про фрактали, в яких зменшення«

ділянки дослідження »не тягне за собою спрощення об'єкта дослідження.

Daniel Dubrov
 10

Переклав і доповнив : Дубров Даніель Степонович 2020р

Використані Джерела :

Mathprofi
Wikipedia

Додатковий матеріал по темі :

SGU - методи приблизного обчислення ДР

Метод Рунге-Кутта різних порядків

Daniel Dubrov
Метод прогнозу та корекції :

Цей клас методів дозволяє отримати значення шуканої функції в наступній

точці, але при цьому використовує її значення в декількох попередніх
точках. Ці точки називаються розгінними.

Знаючи значення функції в декількох точках, можна провести

екстраполяцію (прогноз) і отримати значення в новій точці. Потім,
застосувавши інтерполяцію (корекцію), значення уточнюють.

Перевагою такого підходу є те, що обчислювати праві частини рівняння

необхідно менше число разів. Крім того, в якості локальної помилки
можна прийняти різницю між значеннями прогнозу і корекції, отже,
ніяких додаткових зусиль для оцінки помилки не потрібно.

До недоліків таких методів слід необхідність обчислення розгінних точок.

Зміна кроку інтегрування також вимагає перерахунку розгінних точок.

Метод Ейлера з корекцією. Спочатку робиться один крок, як в простому

методі Ейлера, а потім рішення уточнюється. Обчислювальна схема така:

Геометрично це означає, що в якості кута нахилу інтегральної кривої в

новій точці береться середнє арифметичне між кутом у вихідній точці і
кутом, який був би отриманий за допомогою методу Ейлера.

У цьому випадку локальна помилка має порядок O (hr).

Метод Ейлера з перерахунком (метод 2-го порядку);

Daniel Dubrov
Приклад :

Використовуючи алгоритм прогнозу та корекції другого порядку

обчислити ДР в точці x1 = 0,2 при h = 0,1 з такими початковими
значеннями :

Розв’язок при h = 0,1 отримуємо :

Обчислення виконаємо за таким алгоритмом :
Розглянемо двокроковий метод корекції та передбачення. Нехай дано ДР
для якого відомоо значення функції в двох вузлах сітки :

Спочатку будується прогноз в (i+1) вузлі ітегрування по будь – якій грубій

формулі ( при k = 2 це мотод Ейлера ) згідно поперднього вузла.

В якості розв’язку у вузлі 𝑥𝑖+1 береться

Де 𝐸𝑐 - помилка корекції :

Daniel Dubrov
Для того щоби почати підрахунок методом прогнозу та корекції необхідно
знати значення функції в двох перших вузлах сітки - x0 і x1 -
.
Зазвичай значення в вузлі x1 визначається якимось однокроковим методом
( Рунге – Кутти або Гюнна )

На кожному кроці побудови розв'язку методом прогнозу та корекції

потрібно обчислити всього одне значення функції , а інше береться з
попереднього вузла сітки. Тому він економічний згідно витрат і часу
обчислення при доволі великій точності.

Аналогічні методи можуть бути отримані поєднанням явних ( прогноз ) і

неявних ( корекція ) формул Адамса для різних значень k . Так для
прикладу широко застосовується чотири кроковий метод прогнозу –
корекції , в якому в якості прогнозу використовується 4 крокова формула
Адамса – Башфорта ,а для корекції 4 крокова формула Адамса –
Моултона.

Daniel Dubrov
Додатковий приклад : КЛІК

Коротко : КЛІК

Daniel Dubrov
Переклав і доповнив : Дубров Даніель Степонович 2020р

Використані Джерела та додаткові матеріали :

https://studopedia.ru/21_129493_metod-prognoza-i-korrektsii.html
https://studopedia.su/6_32221_metod-prognoza-i-korrektsii.html

https://studbooks.net/2301385/matematika_himiya_fizika/opredelenie_mnogosh
agovyh_metodov
https://studopedia.su/6_32221_metod-prognoza-i-korrektsii.html
https://studopedia.ru/21_129493_metod-prognoza-i-korrektsii.html
https://studfile.net/preview/340112/page:7/
http://www.physchem.chimfak.sfedu.ru/Source/NumMethods/ODE.html

Daniel Dubrov
Системи диференціальних рівнянь , умова Коші.

Розрізняють два типи диференційних рівнянь :

 Лінійні однорідні СДР ( Системи диференціальних рівнянь),
(ЛОСДР)
 Лінійні неоднорідні СДР (ЛНСДР)
Основні способи розв’язування СДР :
 Метод виключення (В ході розв’язку СДР зводиться до одного ДР),
використовується переважно всюди
 За допомогою характеристичного рівняння ( Метод Ейлера ) ,
використовується рідко
Розглянемо ЛОСДР :
Найпростіша однорідна СДР має такий вид :

- числа ( коефіцієнти ), переважно не рівні нулю.

і - невідомі функції , в якості незалежної змінної виступає зміння t

– це як х в звичайному ДР.

та - перші похідні невідомих функцій і відповідно.

Відповідь записують в вигляді загального розв’язку СДР :

Для системи можна розв’язати задачу Коші , тобто найти приватний

розв’язок системи, який задовільняє початкову умову.
Приватний розв’язок системи також записують в фігурних дужках :

Daniel Dubrov
Також частіше записують в диференціалах :

і - похідні першого порядку

і - похідні другого порядку

Приклад № 1 :

Розв'язати задачу Коші СДР з початковими умовами : ,

Розв'язання :

Використаємо метод виключення

Алгоритм :

1) Беремо друге рівняння системи і виражаємо з нього х :

Нам воно знадобиться в кінці

2) Диференціюємо по дві частини отриманого рівняння :

Або іншим способом :

Daniel Dubrov
 3) Підставимо і в перше рівняння системи

Відповідно виконаємо спрощення виразу :

Отримане рівняння – звичайне однорідне рівняння другого порядку з

постійними коефіцієнтами.
Інший запис :

Складемо і розв'яжемо характеристичне рівняння :

- отримані розв'язки дійсні корені тому :

4) Йдемо за функцією . Для цього беремо вже знайдену функцію

і знаходимо її похідну. Диференціюємо по t :

Підставимо і в рівння (*):

Daniel Dubrov
Або в кінцевому :

5) Обидві функції знайдені , запишемо загальний розв’язок системи :

6) Знайдемо приватний розв’язок відповідно до початкових умов

та :

Відповідь :

Розглянемо НСДР :

НСДР має такий вигляд :

В порівнянні з однорідною системою в кожному рівнянні додатково

добавиться деяка функція , яка залежить від t. Функції
можуть бути константами ( одна з них рівна нулю ) , експонентами ,
синусами , косинусами і т д.

Приклад № 2
Знайти приватний розв'зок системи лінійних ДР , який відповідає
початковим умовам :

Розв'язок :

Дана лінійна неоднорідна система ДР , в якості додатків -

виступають константи , використаємо метод виключення, почнемо з
першого рівняння :

Daniel Dubrov
1) З першого рівнянні виражаємо :

Через перше рівння виражається тільки ігрик – через два ікса та

константу.

2) Диференціємо по «те» дві частини :

3) Підставимо і в друге

рівняння системи :

Відразу після підстановки потрібно позбавитися від дробів ,

домножимо на 5 :

Виконаємо спрощення :

В результаті отримали лінійне неоднорідне рівняння другого

порядку з постійними коефіцієнтами.
Інколи в неоднорідній системі інколи може утворитися
однорідне рівняння.

Найдемо загальний розв'язок однорідного рівняння :

Daniel Dubrov
 Складемо характерестичне рівняння :

- комплексні корені

Приватний розв'язок неоднорідного рівнянні шукаємо в виді :

Знайдемо першу та другу похідну :

Підставимо в ліву частину неоднорідного рівняння :

Таким чином :
В результаті :
4) Шукаємо функцію , знаходимо похідну від знайденої функції
:

Підставимо та
в рівняння (*) :

Daniel Dubrov
5) Загальний розв’язок системи відповідає початковим значенням :

Кінцевий розв’язок :

Відповідь :

Метод Ейлера див :

http://mathprofi.ru/sistemy_differencialnyh_uravnenij.html - приклад №
4

Daniel Dubrov
Переклав і доповнив : Дубров Даніель Степонович 2020р

Використані Джерела та додаткові матеріали :

http://mathprofi.ru/sistemy_differencialnyh_uravnenij.html
http://mathprofi.ru/kak_reshit_neodnorodnoe_uravnenie_vtorogo_poryadka.htm
l
http://mathprofi.ru/kak_reshit_sistemu_uravnenii.html
http://mathprofi.ru/differencialnye_uravnenija_vtorogo_poryadka.html

Daniel Dubrov
Нормальна форма системи диференціальних рівнянь.

Частіше кажуть нормальна система диференціальних рівнянь, це система

першого порядку , виражена відносно похідної :

Де : х – незалежна змінна , - невідомі функції

Відповідно, розв’язок даної системи повинен відповідати початковим
умовам :
Де : - задані постійні числа.

Коротка і стисла інформація про всі види СДР і способи розв'язування :

КЛІК , КЛІК

Приклад :
Розв'язати СДР :

Використаємо знайомий нам метод :

Продиференціюємо перше рівняння по змінній х, отримаємо :

Замінимо : його значенням з системи ( 2 рівняння) :

Підставимо замість нього вираз з першого рівняння , отримаємо лінійне

неоднорідне ДР другого порядку :

Daniel Dubrov
Розв'язуємо це рівняння :

З відношення випливає :

Отримаємо :

Множина розв'язків даної системи :

Більше прикладів КЛІК

Daniel Dubrov
Переклав і доповнив : Дубров Даніель Степонович 2020р
Використані Джерела та додатковий матеріал :

КЛІК
КЛІК
КЛІК

Daniel Dubrov
Жорсткі системи :

Жорсткі системи ОДР виникли у разі розхитаності розв’язків , це

з’ясувалося у 20 столітті коли для хімічної кінетики з одночасним дуже
швидких і повільних хімічних реакцій застосували метод Рунге – Кутта
який не дав бажаних результатів у наслідок цього були створені жорсткі
системи.
Точно , загальнопринятого визначення не існує. Але можна
інтерпритувати як рівняння , розв’язок яких отримати легше за допомогою
визначених неявних методів , чим за допомогою явних .
Розглянемо приклад, розв’язок не жорстокого рівняння на рисунку . На
тому ж графіку зображено розв’язок подібного ОДР з іншим коефіцієнтом
при правій частині який рівний не – 10 ,а -30. Відповідно тут
використовувався метод Рунге – Кутта , у багатьох випадках саме цей і
метод Ейлера використовують найчастіше.

Рисунок 1

На рисунку 2 зображено розв’язок того же ДДР з коефіцієнтом – 50 ,

відповідно нас здивує результат який видав метод Рунге – Кутта.
Характерна розхитаність розв’язку говорить про нестійкість алгоритму.
Перше, що можна зробити, - збільшити кількість кроків в методі Рунге –

Daniel Dubrov
Кутта. Якщо кількість кроків більше 20 то розхитаність зникає , і розв’язок
який продемонстрований на рисунку 1 стає таким же схожим.

Рисунок 2 ( Неправильний розв’язок більш жорсткого ОДР методом РГ)

Як висновок можна сказати що одні і ті ж рівняння з різними параметрами

можуть бути як жорсткими так і ні. Чим жорсткіше рівняння , тим більше
кроків в звичайних чисельних методах потрібно для стійкого розв’язку.
Для розв’язку звичайними методами більш жорстких рівнянь потрібно
мільйони ,мільярди і навіть більше кроків.

Застосування жорстких системи на прикладі моделі Робертсона або

взаємодії трьох елементів :
https://keldysh.ru/pages/comma/html/ode/stiff.html

Daniel Dubrov
Переклав і доповнив : Дубров Даніель Степонович 2020р

Використані Джерела та додаткові матеріали :

http://www.polybook.ru/comma/3.10.pdf
https://keldysh.ru/pages/comma/html/ode/stiff.html
https://www.johndcook.com/blog/2020/02/02/stiff-differential-equations/
https://www.mathworks.com/help/matlab/ref/gmres.html
https://ece.uwaterloo.ca/~dwharder/NumericalAnalysis/14IVPs/stiff/complete.ht
ml
https://globaljournals.org/GJSFR_Volume13/2-Numerical-Approach-for-
Solving-Stiff.pdf
https://diffeq.sciml.ai/stable/tutorials/advanced_ode_example/

Daniel Dubrov
Метод Монте – Карло

Метод Монте-Карло має безліч різних додатків. Він застосовується в

наступних областях: в промисловості для моделювання мінливості
виробничих процесів; у фізиці, хімії та біології для моделювання
різноманітних явищ; в області ігор для моделювання штучного інтелекту,
наприклад, в китайській грі го; в області фінансів для оцінки похідних
фінансових інструментів і опціонів. По суті, метод Монте-Карло
використовується скрізь.

Сучасний варіант методу сформувався в рамках Манхеттенського проекту,

де він застосовувався для моделювання відстаней, які можуть пройти
нейтрони в різних матеріалах. Ідея моделювання на основі генерації
набору випадкових значень існувала вже протягом деякого часу, але
особливий розвиток отримала при створенні атомної бомби, поширившись
потім у багатьох інших областях знань.

Великою перевагою методу Монте-Карло є те, що він дозволяє врахувати

в моделі елемент випадковості і складність реального світу. Крім того,
метод є робастним по відношенню до зміни різних параметрів, таких як
розподіл випадкової величини. В його основі лежить закон великих чисел.
Одним з типових прикладів використання методу Монте-Карло є завдання,
в яких необхідно знайти математичне очікування деякої випадкової
величини. Для цього потрібно згенерувати набір випадкових значень даної
величини і знайти середнє. Випадкова величина зазвичай характеризується
певним розподілом ймовірностей.

Обчислення числа Пі
Вписавши коло в квадрат (діаметр кола дорівнює стороні квадрата), можна
скласти відношення площі кола до площі квадрата таким чином:

Якщо ми зможемо обчислити це відношення, то, ми зможемо отримати

значення числа Пі.

Daniel Dubrov
Заповнимо квадрат точками з випадковими координатами. Розрахуємо
відношення кількості точок, що потрапили в коло, до загальної кількості
точок. Помножимо результат на 4, щоб отримати значення числа Пі.

Daniel Dubrov
Чим більше кількість точок, тим ближче отримане значення до істинного
значення числа Пі.

Цей простий приклад демонструє метод Монте-Карло в дії.

Моделювання транспортних потоків

Розглянемо більш корисний приклад. Ми можемо змоделювати

транспортний потік за допомогою моделі Нагеля-Шрекенберга (Nagel-
Schreckenberg model). В рамках цієї моделі траса складається з осередків,
задана максимально допустима швидкість і певна кількість
автотранспортних засобів (АТС). На кожному кроці стан всіх АТС
оновлюється відповідно до наступних правил:

1. Швидкість даного АТС V збільшується на одиницю, якщо вона

менше максимально допустимої швидкості.

2. Знайдемо відстань d між даними АТС і попереду йде АТС. Якщо

швидкість даного АТС більше або дорівнює відстані d, вона зменшується
до величини d-1.

3. За допомогою методу Монте-Карло додамо елемент випадковості. З

імовірністю p швидкість даного АТС зменшується на одиницю.

4. Дане АТС переміщається вперед на v одиниць.

Daniel Dubrov
Ця модель досить проста, але при цьому дуже ефективна. У даній моделі
не враховуються ДТП або погане водіння. Її призначенням є моделювання
спонтанних змін в характері транспортних потоків. Існують і більш
складні моделі, але багато з них засновані на моделі Нагеля-Шрекенберга.

Малюнок дивитися окремо – gif

Проблеми в рамках методу Монте-Карло

Основною проблемою є генерація незалежних випадкових величин. Це не таке

просте завдання, як може здатися на перший погляд. У прикладах коду ми просто
викликали вбудовані функції R або Python для генерації випадкових чисел, але
цей процес може бути набагато складнішим.

Як в R здійснюється Генерація випадкових чисел з рівномірним розподілом

(uniform distribution).
Інша проблема полягає в тому, як забезпечити збіжність помилки. Зверніть увагу
на те, що в прикладі обчислення числа Пі помилка перестала зменшуватися. У
більшості додатків методу Монте-Карло для вирішення цієї проблеми
використовуються дуже великі вибірки.
Метод Монте-Карло-дуже цікава тема для вивчення. Сподіваюся, дана стаття
зробить цей метод ще більш популярним за межами сфери фізики і фінансів.

Посилання на приклади програм :

Знаходження числа ПІ : КЛІК
Транспортні потоки : Моделювання : КЛІК Візуалізація : КЛІК
Генерація рандомних чисел : Клік

Daniel Dubrov
Математична теорія :

Зазвичай під цим методом розуміють при якому область інтегрування [a,b]
ділиться випадковим чином на частинки шириною (a — b)/N , де N – кількість
випадкових точок , і тоді сума отриманих стовбців сумується, формула для
обчислення інтегралу цим методом :

Також інснує геометричний зміст цього метода.

Потрібно взяти область ітегрування : [a,b] , обмежити її прямокутником з площою
Spar і накидати в цей прямокутник випадковим чином точок. В результаті
потрібно підрахувати кількість точок К попавших в цю область під графіком
функції і обчислити інтеграл ( площа під кривою S) по формулі :

Для прикладу спробуємо обчислити цим методом інтеграл функції f(x) = sin(x) / 2
на відрізку [0,2]. При цьому значення інтегралу повинне вийти приблизо рівним
0.708074

Обмежемо область інтегрування прямокутником розміром 2 х 1.5 :

Daniel Dubrov
Вкидуємо 100 точок з випадковими координатами. Повторюємо цей
експеримент 20 разів. Результат 20 – ти разів :

Збільшуємо кількість точок в 100 разів до 10000 :

Daniel Dubrov
Розкид значень тепер стає набагато менше : між 0.6849, з середнім
0.705825 та медіаною 0.7077

Збільшуємо кількість точок ще у 100 разів до 1000000 :

Daniel Dubrov
Всі ці точки тепер заливають всю фігуру. Розкид значень між 0.705135 та
0.709499 , з середнім 0.70764705 та медіаною 0.7075275.

Тепер розглянемо 100000000 точок :

Точність результатів збільшується , діапазон значень 0.70788846 і

0.70843821. Среднє значення 0.708100675 та медіана 0.70808943.

Як видно з результатів цього простого експерименту, цей метод можна

використовувати для обчислення інтеграла. Більш-менш прийнятна
точність для шуканих шести знаків після коми з'являється тільки в
експерименті зі ста мільйонами точок. При цьому виявилося, що в моєму
випадку найбільш близько до шуканого значення виявилося значення
медіани двадцяти експериментів.
Для того, щоб підвищити точність, потрібно збільшувати кількість точок.
Однак це стає обчислювально затратно. Вже для ста мільйонів точок
кожен експеримент на ноутбуці середини 2015 року з процесором core i7
вважається близько трьох хвилин. Для порівняння за допомогою
scipy.integrate цей же Інтеграл обчислюється за кілька сотень наносекунд.
Ще точність можна підвищити зменшенням обмежує площі, максимально
наблизивши її до самої функції.
Звичайно, ніхто в здоровому глузді для таких простих інтегралів цей
алгоритм використовувати не буде, проте існують такі ситуації, при яких

Daniel Dubrov
звичайні детерменірованние методи стає складно або неможливо
використовувати. Тоді на допомогу приходить Монте-Карло. Приклад з
Вікіпедії: « Коли функція задана неявно, а необхідно визначити область,
задану у вигляді складних нерівностей, стохастичний метод може
виявитися більш кращим. »

Daniel Dubrov
Переклав і доповнив : Дубров Даніель Степонович 2020р
Використані Джерела :

http://datareview.info/article/znakomstvo-s-metodom-monte-karlo/

https://medium.com/@congyuzhou/%D0%B3%D0%B5%D0%BE%D0%BC%
D0%B5%D1%82%D1%80%D0%B8%D1%87%D0%B5%D1%81%D0%BA%
D0%B8%D0%B9-
%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%B
C-%D0%BC%D0%BE%D0%BD%D1%82%D0%B5-
%D0%BA%D0%B0%D1%80%D0%BB%D0%BE-
%D0%B8%D0%BD%D1%82%D0%B5%D0%B3%D1%80%D0%B8%D1%80
%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F-3158adcfec3a

Додатковий матеріал по темі :

http://nano.ivanovo.ac.ru/pdfs/2010_7_01_12_56_38_monte-carlo.pdf
https://habr.com/ru/post/274975/

Daniel Dubrov