Metodo Monte Carlo

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones
Mtodo de Monte Carlo e

Maikel Fuentes Rodr guez Gabriel J. Gil Prez e
8 de enero de 2010
Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e
Historia Problema general Problema del sampling Mtodos de montecarlo e
Breve Historia del Mtodo. e

El uso de los mtodos de Monte Carlo como herramienta de e investigacin, proviene del trabajo realizado en el desarrollo de la o bomba atmica durante la segunda guerra mundial en el o Laboratorio Nacional de Los Alamos en EE.UU. En 1930 Enrico Fermi y Stanislaw Ulam desarrollaron las ideas bsicas del mtodo. a e A principios de 1947 John von Neumann envi una carta a o Richtmyer a Los Alamos en la que expuso de modo exhaustivo tal vez el primer informe por escrito del mtodo de Monte Carlo. e Una de las primeras aplicaciones de este mtodo a un problema e determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares de la ecuacin de Schrdinger. o o
Planteamiento del problema general

1
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
Planteamiento del problema general

1
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) )
{x(n) }n=1,...,N
n
(x(n) )
{x(n) }n=1,...,N
n
(x(n) )
{x(n) }n=1,...,N
n
(x(n) )
{x(n) }n=1,...,N
n
(x(n) )
{x(n) }n=1,...,N
n
(x(n) )
Algoritmo de los Mtodos de Monte Carlo e

1 2
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
Mtodos de Monte Carlo: e

Importance Sampling Rejection Sampling Metropolis-Hasting Gibbs Sampling Slice Sampling
Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e Mtodo de Monte Carlo e

1 2


1 2

Importance Sampling Rejection sampling Metropolis-Hasting
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
y de la cual podamos generar directamente un muestreo .

Importance Sampling
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
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
Rejection sampling
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) )
Si 1, entonces x(t+1) = x . Si no, x(t+1) = x x(t+1) : x(t+1) = x(t)
p= p=1
p= p=1
p= p=1
Figura: Metropolis-Hasting en una dimensin. o
Clculo de Pi a Clculo de Integrales a Modelo de Ising
Algunas aplicaciones Clculo de . a Clculo de Integrales. a Muestreo de funciones. Modelo de Ising.
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
Clculo de a
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
mediante la expresin o V 1 N f (i ) = V < f ( ) > x x

i
donde i son puntos muestreados en el volumen. 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 .
Figura: Modelo de Ising lineal antiferromagntico. 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 =
1; ) = eE
m:(m,n) V
1; ) = eE
m:(m,n) V
1; ) = eE
Comportamiento Ferromagntico e
Comportamiento Antiferromagntico e
Muchas Gracias

Metodo Monte Carlo

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Metodo Monte Carlo

Încărcat de

Drepturi de autor:

Formate disponibile

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Mtodo de Monte Carlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Breve Historia del Mtodo. e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Planteamiento del problema general

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Planteamiento del problema general

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Maikel Fuentes Rodr guez, Gabriel J. Gil Prez e

Mtodo de Monte Carlo e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Algoritmo de los Mtodos de Monte Carlo e

Mtodos de Monte Carlo: e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Algoritmo de los Mtodos de Monte Carlo e

Mtodos de Monte Carlo: e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Historia Problema general Problema del sampling Mtodos de montecarlo e

Algoritmo de los Mtodos de Monte Carlo e

Mtodos de Monte Carlo: e

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Importance Sampling Rejection sampling Metropolis-Hasting

y de la cual podamos generar directamente un muestreo .

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Importance Sampling Rejection sampling Metropolis-Hasting

y de la cual podamos generar directamente un muestreo .

Introduccin o Mtodo de Metropolis-Hasting e Aplicaciones

Importance Sampling Rejection sampling Metropolis-Hasting

y de la cual podamos generar directamente un muestreo .