Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Monte Carlo
Monte Carlo
Monte Carlo
Números aleatorios
Percolación en
Percolación en
El modelo de Ising en
El modelo de Ising en
Bibliografía
: módulo
! : multiplicador " ! #
$ : incremento " $ #
"
&% : semilla &% #
$
! ;
<
=
> ?
> ? >
* > /
, . 0 B 1 * >
)
+
3C
+
,/. 021 3C&D 3E8F
3GHI
Si $ la generación es más rápida y la secuencia
más corta
Elección del módulo
i) $ es primo relativo a
$
Th.: El máximo periodo cuando se obtiene si
Considerad una muestra de % núcleos radiactivos.
¿Cómo cambia con el tiempo el número de núcleos?.
* ,
Haced una gráfica de V .
Algoritmo:
Desde V hasta V , con U V
# W
Decidir si decae o no: si random# U V enton-
ces el número de núcleos decae en una unidad
W Y X <
R ) Z
% 3 3 U V
W X R[) Z
% 3 3 U V
* , 6* W ,
V %A\^] V
80
60
40
20
20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
.1e3
.5e2
.1e2
5.
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
4000
3000
2000
1000
0
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
x
.1e4
.1e3
.1e2
1.
20 40 60 80 100 120 140 160 180 200 220 240 260 280
x
Complicando la pregunta anterior: ¿cuál es la proba-
bilidad de observar 4 decaimientos en un intervalo de
tiempo _ ?. Suponiendo que el número de decays en
_ es mucho menor que . Dividimos _ en inter-
valos de duración U V , _ U V
∆t
` W ` a
Probabilidad 1 decay N U V U V b
Probabilidad 4 decays en _
c *d , b e
R
N N 4
f
En el límite , U V
c g
R hij 4lkm3 i ` _
Distribución de Poisson
Ejercicio Modicar el ejercicio anterior para simular un
experimento en el que contamos el número de decays
observados en un intervalo _ . Repetir el experimento
varias veces y hacer histograma de la distribución de
decays.
Datos
W > R T s R<)
%
W > R F < U V s _ s
% sR ) U V s _ s
#experimentos = 1000
TESTS
qwv x
t q 4 Nq ,
- Construimos u
qwv ) 4Nq
Si u y y tendremos fundadas sospechas sobre las
medidas efectuadas.
P: ¿Qué valores son razonables para u ?
La respuesta en la siguiente tabla ( z p , grados
de libertad)
~ } } } }} } } }} }} }
}} } }
{ | } }} } } } } } }
}
~ } } }
} } } } } } }
{ | } }} } } } } } } } }
~
}} } }
} }
{ | } } } }} } } } }
~ } } }}
}}
} } }
} } } } }}
{ | } } }} } }
}
~
} }
} } } }
{ | }} }} } }} }
~ } } } } } }} }
} } }
{ | } } } }
} } }
}
}
}
~ } }} }} }} }
{ | } }} }
} }
}
}
}
} }} } }
| | | | | | | | | | | | | | | |
Si la entrada en la fila z columna N es La cantidad
u sera menor o igual que con probabilidad N , para
4 suficientemente grande.
Criterio 4 grande: 4Nrq 5
-Repetir 4 veces
¬ * , *
,
k función gamma
* , ± g e
R ² ´V ³ R<) V función incompleta de gam-
° 3 %
ma
Test Espectral: el generador RANDU
100
80
60
40
20
2e+09
1.5e+09
1e+09
5e+08
0
0 5e+08 1e+09 1.5e+09 2e+09
Test 3: representemos la secuencia en 3D
2e+09
1.8e+09
1.6e+09
1.4e+09
1.2e+09
1e+09
8e+08
6e+08
4e+08
2e+08
0 0
0 2e+08
2e+08 4e+08
4e+08 6e+08
6e+08 8e+08
8e+08 1e+09
1e+09 1.2e+09
1.2e+09 1.4e+09
1.4e+09 1.6e+09
1.6e+09 1.8e+09
1.8e+09
2e+09 2e+09
Eligiendo apropiadamente el ángulo, los problemas
de RANDU aparecen
2e+09
1.8e+09
1.6e+09
1.4e+09
1.2e+09
1e+09
8e+08
6e+08
4e+08
2e+08
0
0
2e+08
4e+08
6e+08
8e+08
1e+09 0
1.2e+09 2e+08
1.4e+09 6e+08
1.6e+09 1e+09
1.8e+09 1.4e+09
2e+09 1.8e+09
Técnica de Rechazo
Algoritmo:
*
2. Decidir si se acepta o no: Si µ , y ¶ ¹µ ¸ se
*
acepta µ¸ 5 µ , para todo , b n 5 5 b · ³ .
Repetir hasta que se acepte.
Este algoritmo se puede ver como tirar dardos:
f
M
f(x)
x min x max
* ,
De esta manera se puede estimar la integral de µ
º ³§»2¼´½ µ * , Á 4 · * b · b n ,
4 ³
³ »¾À¿ * ,
Problemas: Funciona mal si µ se parece a una
“delta”. Casi nunca se aceptan las propuestas. Si la
función tiene un polo no se puede usar. Si el rango
f f
de va desde hasta no se puede usar.
Técnica de Inversión
Ejemplos
* ,
1) Generar entre 0 y 4 de acuerdo con µ
j * ,
:
± R<)¦ j
%³ V V
¶3 ¶
± F R[)G¦
% V V
generar de acuerdo con ¶ .
f * , g R
2) Generar entre 0 e de acuerdo con µ ³
± g Re²
%³ V g R
±ÅÄ g R² ¶3 ³ ¶
%
Æ 0Ç *¹ ,
generar de acuerdo con ¶ .
" É
Ejercicio: Generar ángulos È en el intervalo È
*
de acuerdo con la función de distribución: µ È ,
*CX^9IÊ( X
È + !ÌË0 È , R<) .
!
!
Generar 10000 valores usando y .
Dibujar los resultados y sobreponer la función de dis-
tribución.
Técnica de Importance Sampling (Muestreo Repre-
sentativo??)
* ,
Reemplazar la función de distribución µ por una
· * ,
forma aproximada µ a la que se pueda aplicar la
técnica de inversión.
· * ,
Generar de acuerdo distribuidos según µ me-
diante la técnica de inversión y aceptarlos de acuerdo
* · *
con una probabilidad proporcional a J µ ,j µ ,.
a
f (x)
f (x)
La técnica de rechazo es el caso especial en el que
· * ,
µ es constante ( µ¹¸ )
* *d
Ejemplo: Generar de acuerdo con µ , +
, j en el rango # # . Intentadlo con la
técnica de inversión.
* ,j · * ,
La idea es que J µ µ sea sencillo. Ele-
· * , j Zs͹Π* ,
gimos µ V con lo que J + .
j Z͹Π* ,
Aplicamos la técnica de inversión a V :
Generamos de prueba: ¶ )
*d
Decidimos si se acepta: si + , y ¶ J b · ³ se
b ·
acepta. En este caso J ³ , en otros casos
puede ser más complicado encontrarlo.