Documente Academic
Documente Profesional
Documente Cultură
8 de enero de 2010
Generar muestreos de una variable aleatoria X ({x(n) }) dada su densidad de probabilidad P (x). Estimar el valor esperado de una funcin (x) bajo una densidad de o probabilidad P (x): < (x) >= (x)P (x)dx
Generar muestreos de una variable aleatoria X ({x(n) }) dada su densidad de probabilidad P (x). Estimar el valor esperado de una funcin (x) bajo una densidad de o probabilidad P (x): < (x) >= (x)P (x)dx
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Por qu es dif muestrar directamente de P (x)? e cil Generalmente se desconoce Z = P (x)dN x Se debe evaluar la funcin P (x) en todos o casi todos los o estados. Alto costo computacional en problemas de muchas dimensiones.
{x(n) }n=1,...,N
n
(x(n) )
Denir el dominio de valores de la variable aleatoria. Generar muestreos de la variable aleatoria segn cierta densidad de u probabilidad especicada. Realizar clculos deterministas usando los valores de variable a aleatoria resultantes del muestreo. Agregar los resultados de los clculos individuales al resultado nal. a
Denir el dominio de valores de la variable aleatoria. Generar muestreos de la variable aleatoria segn cierta densidad de u probabilidad especicada. Realizar clculos deterministas usando los valores de variable a aleatoria resultantes del muestreo. Agregar los resultados de los clculos individuales al resultado nal. a
Denir el dominio de valores de la variable aleatoria. Generar muestreos de la variable aleatoria segn cierta densidad de u probabilidad especicada. Realizar clculos deterministas usando los valores de variable a aleatoria resultantes del muestreo. Agregar los resultados de los clculos individuales al resultado nal. a
Importance Sampling
Supongamos que la funcin de distribucin de la variable aleatoria X es o o P (x) y que podemos evaluarla en todos los puntos salvo por una constante de normalizacin; de manera que: o P (x) = P (x) Z
Pero P (x) es una funcin muy complicada para generar directamente un o muestreo de la variable X. Asumimos que se tiene una funcin Q(x) ms o a simple que podamos evaluar para todos los puntos salvo en una constante multiplicativa, Q(x) = Q (x) ZQ
Importance Sampling
Supongamos que la funcin de distribucin de la variable aleatoria X es o o P (x) y que podemos evaluarla en todos los puntos salvo por una constante de normalizacin; de manera que: o P (x) = P (x) Z
Pero P (x) es una funcin muy complicada para generar directamente un o o a muestreo de la variable X. Asumimos que se tiene una funcin Q(x) ms simple que podamos evaluar para todos los puntos salvo en una constante multiplicativa, Q(x) = Q (x) ZQ
Importance Sampling
Supongamos que la funcin de distribucin de la variable aleatoria X es o o P (x) y que podemos evaluarla en todos los puntos salvo por una constante de normalizacin; de manera que: o P (x) = P (x) Z
Pero P (x) es una funcin muy complicada para generar directamente un o o a muestreo de la variable X. Asumimos que se tiene una funcin Q(x) ms simple que podamos evaluar para todos los puntos salvo en una constante multiplicativa, Q(x) = Q (x) ZQ
Continuacin o
Para tener en cuenta que estamos muestreando de la funcin errnea se o o introducen pesos de la forma: r P (x(r) ) Q (x(r) )
Estos pesos ajustan la importancia de cada punto en el clculo del a estimador. r (x(r) ) r r r
Rejection sampling
1
Se genera un muestreo ({x(n) }) de la densidad de probabilidad propuesta Q (x). Se evala Q (x(n) ) y se genera un muestreo a partir de la variable u aleatoria U que distribuye uniforme en [0, Q (x(n) )]. Se evala x(n) en P (x) y se compara con u(n) , si u(n) > P (xn ) u se rechaza x(n) , si no el valor es aceptado.
Rejection sampling
1
Se genera un muestreo ({x(n) }) de la densidad de probabilidad propuesta Q (x). Se evala Q (x(n) ) y se genera un muestreo a partir de la variable u aleatoria U que distribuye uniforme en [0, Q (x(n) )]. Se evala x(n) en P (x) y se compara con u(n) , si u(n) > P (xn ) u se rechaza x(n) , si no el valor es aceptado.
Rejection sampling
1
Se genera un muestreo ({x(n) }) de la densidad de probabilidad propuesta Q (x). Se evala Q (x(n) ) y se genera un muestreo a partir de la variable u aleatoria U que distribuye uniforme en [0, Q (x(n) )]. Se evala x(n) en P (x) y se compara con u(n) , si u(n) > P (xn ) u se rechaza x(n) , si no el valor es aceptado.
Algoritmo Metropolis-Hasting
Al igual que en los mtodos anteriores se utiliza una distribucin de e o probabilidades Q(x ; x(t) ) que sea facil de muestrear, donde x(t) es un parametro de la distribucin que llamaremos estado. o Supongamos que el estado en el muestreo ms reciente es x(t) , se genera a un valor aleatorio x segn Q(x ; x(t) ) y se calcula la magnitud: u = P (x )Q(x(t) ; x ) P (x(t) )Q(x ; x(t) )
p= p=1
Algoritmo Metropolis-Hasting
Al igual que en los mtodos anteriores se utiliza una distribucin de e o probabilidades Q(x ; x(t) ) que sea facil de muestrear, donde x(t) es un parametro de la distribucin que llamaremos estado. o Supongamos que el estado en el muestreo ms reciente es x(t) , se genera a un valor aleatorio x segn Q(x ; x(t) ) y se calcula la magnitud: u = P (x )Q(x(t) ; x ) P (x(t) )Q(x ; x(t) )
p= p=1
Algoritmo Metropolis-Hasting
Al igual que en los mtodos anteriores se utiliza una distribucin de e o probabilidades Q(x ; x(t) ) que sea facil de muestrear, donde x(t) es un parametro de la distribucin que llamaremos estado. o Supongamos que el estado en el muestreo ms reciente es x(t) , se genera a un valor aleatorio x segn Q(x ; x(t) ) y se calcula la magnitud: u = P (x )Q(x(t) ; x ) P (x(t) )Q(x ; x(t) )
p= p=1
Clculo de a
Por el mtodo de Monte Carlo es posible estimar el rea que tiene una e a l nea cerrada haciendo muestreos uniformes de puntos en un cuadrado que la contenga. Si se divide la cantidad de puntos que caen en el rea a sobre la cantidad de puntos muestreados en total est fraccin es igual, a o aproximadamente, al rea de que subtiende la l a nea cerrada entre el rea a del cuadrado en el que est inscrita dicha l a nea.
Clculo de a
Por el mtodo de Monte Carlo es posible estimar el rea que tiene una e a l nea cerrada haciendo muestreos uniformes de puntos en un cuadrado que la contenga. Si se divide la cantidad de puntos que caen en el rea a sobre la cantidad de puntos muestreados en total est fraccin es igual, a o aproximadamente, al rea de que subtiende la l a nea cerrada entre el rea a del cuadrado en el que est inscrita dicha l a nea.
Clculo de a
Por el mtodo de Monte Carlo es posible estimar el rea que tiene una e a l nea cerrada haciendo muestreos uniformes de puntos en un cuadrado que la contenga. Si se divide la cantidad de puntos que caen en el rea a sobre la cantidad de puntos muestreados en total est fraccin es igual, a o aproximadamente, al rea de que subtiende la l a nea cerrada entre el rea a del cuadrado en el que est inscrita dicha l a nea.
Clculo de Integrales a
El algoritmo puede estimar integrales denidas multidimensionales de la forma:
b1 b2 bn
dx1
a1 a2
dx2 . . .
an
f (x1 , x2 , . . . , xn )dxn =
V
f ( )dN x x
Modelo de Ising
Un modelo de Ising consiste en un sistema de N puntos jos que forman una red peridica D dimensional. Asociada a cada punto de la red hay o una variable de esp x que puede tomar unicamente dos valores n numricos: +1 y 1. La conguracin microscpica del sistema viene e o o dada por el conjunto de los valores de los espines {xj }j=1..N .
Simulacin de modelos de Ising por el mtodo de Monte Carlo o e Se dene el campo del sistema aplicado sobre el spin n-simo e como: bn = Jxm + H
m:(m,n) V
Luego, se escoge uno de los spins del arreglo al azar y se calcula la variacin energtica del sistema producida por un cambio de o e estado: E = 2xn bn Si esta variacin es menor que cero el elemento del arreglo o considerado cambia de estado, si no, la probabilidad de que cambie de estado est dada por la expresin: a o P (xn = 1 xn =
Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e
1; ) = eE
Mtodo de Monte Carlo e
Simulacin de modelos de Ising por el mtodo de Monte Carlo o e Se dene el campo del sistema aplicado sobre el spin n-simo e como: bn = Jxm + H
m:(m,n) V
Luego, se escoge uno de los spins del arreglo al azar y se calcula la variacin energtica del sistema producida por un cambio de o e estado: E = 2xn bn Si esta variacin es menor que cero el elemento del arreglo o considerado cambia de estado, si no, la probabilidad de que cambie de estado est dada por la expresin: a o P (xn = 1 xn =
Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e
1; ) = eE
Mtodo de Monte Carlo e
Simulacin de modelos de Ising por el mtodo de Monte Carlo o e Se dene el campo del sistema aplicado sobre el spin n-simo e como: bn = Jxm + H
m:(m,n) V
Luego, se escoge uno de los spins del arreglo al azar y se calcula la variacin energtica del sistema producida por un cambio de o e estado: E = 2xn bn Si esta variacin es menor que cero el elemento del arreglo o considerado cambia de estado, si no, la probabilidad de que cambie de estado est dada por la expresin: a o P (xn = 1 xn =
Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e
1; ) = eE
Mtodo de Monte Carlo e
Comportamiento Ferromagntico e
Comportamiento Antiferromagntico e
Muchas Gracias