Simularea cu tehnica Monte Carlo

O tehnica ce a avut un impact mare in diferite domenii ale stiintei computationale

este tehnica numita simularea Monte Carlo. Aceasta tehnica isi deriva numele de la
cazinourile din Monte Carlo o simulare Monte Carlo foloseste numere aleatoare pentru
a modela un fel de proces. Aceasta tehnica functioneaza bine in special cand procesul este
unul in care probabilitatile care stau la baza acestuia sunt cunoscute dar in care rezultatul
este mai greu de determinat. O mare parte din timpul procesoarelor ale unora dintre cele
mai rapide computere din lume este folosit pentru a executa simulari Monte Carlo
deoarece putem scrie unele din cele mai fundamentale legi ale fizicii dar nu putem
rezolva analitic pentru probleme de interes.
Un exemplu al modului de functionare a simularii Monte Carlo in viata de zi cu zi
este un proiect pe care un student l-a facut la un curs de FORTRAN acesta a vrut sa afle
cea mai buna strategie de a castiga bani la blackjack. Abordarea conventionala (folosind
doar statistici) ar fi aceea de a scrie probabilitatea de a avea o anumita combinatie
(exemplu ar fi sa ai un as si un cinciar si crupierul sa arate un Joker) si apoi calcularea
platii asteptate pentru fiecare scenariu posibil (inca sau nicio carte in plus, dar apoi va
trebui sa calculezi ce sa faci daca primesti un septar). Daca stai sa te gandesti la toate
variantele, in curand va deveni coplesitor. Aceasta problema, totusi, functioneaza foarte
bine ca o simulare Monte Carlo. Stim probabilitatile de baza (sa apara o anumita carte are
probabilitatea de 1/52 sau daca sunt 5 pachete de carti aceasta este de 1/5*52) asa ca tot
ce ne trebuie sunt regulile pe care sa le folosim. In acest caz, studentul a scris un
program care va genera aleator un joc cu 5 pachete de carti. Apoi va imparti cartile de
joc intre el si crupierul. Acesta din urma respecta regulile de baza (mai cere o carte la
16 si sta la 17) si studentul a programat strategia de pariu pe care vroia sa o testeze (pe ce
fel de combinatii va mai cere o carte sau va sta, va dubla, va imparti, etc.). Apoi va rula
programul si-l va pune sa genereze cateva sute de perechi de carti si sa urmareasca de
cate ori castiga (sau pierde) si sa afiseze rezultatul la sfarsit (asta ar dura aproape o ora pe
un PC). Se pot testa strategii variate si sa se observe cum vor actiona pe termen lung.
Sa luam un exemplu simplu a unei simulari Monte Carlo pentru a ilustra tehnica. Mai
intai, sa luam in considerare urmatoarea problema, vrem sa facem o simulare care ne va
permite sa aflam valoarea lui Pi. Vom face acest lucru astfel: se da un patrat care are un
colt in originea sistemului de coordonate si laturile au lungimea 1 evident va avea aria
1. Acum sa luam un sfert de cerc cu raza de 1 care sa fie inscris in patrat stim ca aria
este Pi/4. Putem folosi o simulare Monte Carlo pentru a afla aria relativa a cercului si a
patratului si sa inmultim aria cercului cu 4 pentru a-l afla pe Pi. In particular, modul in
care vom afla aria cercului este acesta: pentru ca un punct de coordonate (X, Y) sa fie
inauntrul unui cerc de raza 1, distanta acestuia fata de origine (X 2 + Y2) va fi mai mica
sau egala cu 1. Putem genera mii de perechi aleatoare de coordonate
(X, Y) si sa
determinam daca fiecare dintre ele sunt inauntrul cercului. De fiecare data cand se afla
inauntrul cercului, vom adauga 1 contorului.

Dupa ce am generat un numar mare de puncte, ratia numerelor de puncte care se afla
in cerc / numarul total de puncte generate se va apropia de ratia dintre aria cercului / aria
patratului. Astfel valoarea lui Pi va deveni simplu
Pi este aproximativ 4 * (Numarul de puncte din interiorul cercului) / (Numarul total
de puncte generate)
Astfel putem gasi o aproximare la pentru Pi folosind matematica elementara.
Programul urmator poate fi folosit pentru a gasi o aproximare pentru Pi
% Program Matlab de cautare a lui Pi folosind numere aleatoare
% Tom Huber, 15 Iunie, 1996
Nrand = input('Cate numere aleatoare ');
NInside = 0;
for nloops=1:Nrand
Xrand = rand; % Genereaza un punct XY aleator
Yrand = rand;
Rrand = Xrand^2 + Yrand^2; % Gaseste originea fata de distanta
if (Rrand <= 1)
NInside = NInside + 1;
end
end
disp(['Total Generate: ' num2str(Nrand) ' Puncte interioare: '
num2str(NInside)]);
piapprox = 4*NInside/Nrand;
disp([' Pi aproximativ = ' num2str(piapprox)]);
Sa se ruleze programul cu aproape 1000 de puncte aleatorii. Cat de buna este
aproximarea? Ne da acelasi rezultat de fiecare data cand rulezi programul? Rezultatul se
imbunatateste daca rulam programul cu 5000 de puncte? Cat timp in plus ii ia sa
calculeze?
Ne putem imbunatati semnificativ viteza programului optimizandu-l pentru Matlab.
In particular, Matlab este foarte rapid in lucrul cu vectori si cu matrici de numere. In
editia pentru studenti a Matlab-ului, cel mai mare vector care poate fi folosit poate avea
8192 de elemente, deci vom pune programul sa genereze 8192 de numere aleatoare cu un
singur apel al functiei rand. Apoi vom determina raza pentru toate acestea simultan,
folosind comanda
Rrand = Xrand.^2 + Yrand.^2;
A se observa utilizarea operatorului .^ - acesta ridica la patrat fiecare element al
vectorului separat in loc sa faca o inmultire in matrice. in final, putem verifica toate
elementele vectorului pentru a vedea daca raza este < 1 folosind o singura comanda
CheckValue = Rrand<=1.;
Aceasta va crea un vector CheckValue care va avea cate un 1 pentru fiecare element
care indeplineste conditia (Rrand<=1.) si 0 pentru fiecare element care nu indeplineste
conditia. La sfarsit, putem determina numarul din interior prin adunarea tutuor valorilor
din CheckValue.
NInside = NInside + sum(CheckValue);
Urmatorul program poate fi folosit pentru a aproxima valoarea lui Pi si va fi mult
mai rapid decat versiunea precedenta.
% Program Matlab optimizat pentru a-l gasi Pi folosind numere aleatoare

% Tom Huber, 15 Iunie, 1996

Nrand = 8192; % Cea mai mare marime a unui vector in versiunea Student
Nmax = input('Cate bucle (din 8192 de numere fiecare)');
NTrand = 0;
NInside = 0;
for nloops=1:Nmax
Xrand = rand(1,Nrand);
% Genereaza 8192 de puncte XY aleatoare
Yrand = rand(1,Nrand);
Rrand = Xrand.^2 + Yrand.^2; % Gaseste raza pentru fiecare din cele %8192
de puncte
CheckValue = Rrand<=1.; % Are 1 daca True & 0 daca False pentru %fiecare
element
NInside = NInside + sum(CheckValue); % Totalul numerelor interioare
NTrand = NTrand + Nrand;
% Totalul de perechi de numere %generate
end
disp(['Total Generate: ' num2str(NTrand) ' Pct interioare: '
num2str(NInside)]);
piapprox = 4*NInside/NTrand;
pierror = 4*sqrt(NInside)/NTrand;
disp([' Approximation to pi = ' num2str(piapprox)
' Cu eroarea ' num2str(pierror)]);
Rulati o data programul de deasupra si observati cat de rapid este decat sa rulam
programul anterior de 8192 de ori. Acum rulati programul de 10 sau de 100 de ori si
observati cum acuratetea aproximarii se imbunatateste.
Pentru simularile Monte Carlo, procesele sunt aleatoare, asa ca de fiecare data cand
este rulat va veni cu rezultate usor diferite. Poate fi aratat ca eroarea dintr-un numar
aleator de numarari generate de o simulare Monte Carlo este aproximativ radicalul
numarului insusi.
Astfel, in acest caz incertitudinea din valoarea noastra a lui Pi este
pierror = 4*sqrt(NInside)/NTrand;
Aceasta arata o problema la o metoda Monte Carlo pentru a imbunatati acuratetea
rezultatelor cu un factor de 10 trebuie sa rulam intr-un timp de aproximativ 100 de ori
mai mare. Concluzia este ca desi aceasta metoda de a-l gasi pe Pi este conceptual foarte
usoara, nu ar fi o metoda eficienta de a-l gasi pe Pi pentru un numar mare de cifre (sunt
programe care au calculat valoarea lui Pi pentru peste un milion de cifre, dar nu folosind
o abordare de tip Monte Carlo deoarece i-ar fi trebuit mult prea mult timp de procesare).