CAPITOLUL 5
5.1.
Descrierea metodei
Folosirea
metodei Monte - Carlo presupune asocierea unui model stochastic, procesului
(fenomenului) ce urmează a fi analizat. Metodologia folosită este următoarea:
a) se stabilește numărul variabilelor
aleatoare ce se iau în considerare, X1, ... , Xn
b)
pentru fiecare variabilă 13 se
face un număr de observații. Se fac apoi studii statistice pentru a le estima
cu abatere cât mai mică în probabilitate în raport cu cele considerate reale.
În final pentru fiecare variabilă se va specifica distribuția statistică;
c) pe baza unor procedee de generare a
numerelor aleatoare sau pseudoaleatoare se generează șiruri de numere aleatoare
sau pseudoaleatoare cu distribuții corespunzătoare distribuțiilor estimate
anterior;
d) ținând seama de modelul elaborat și de
obiectivul ales, se aplică metode matematice adecvate pentru a pune în
evidență, cu ajutorul acestor șiruri, diferite variante posibile și/sau soluții
rentabile. Se face apoi studiul statistic al valorilor funcției scop sau al
valorilor ce trebuie estimate;
e) dacă abaterea medie pătratică este mai
mare decât cea impusă, se mărește numărul termenilor șirului în scopul
obținerii unui grad de precizie dorit.
Metoda Monte - Carlo este strâns legată
de problemele teoriei probabilităților, statisticii matematice și analizei
numerice. Ea se distinge prin simplitatea și generalitatea ei. Neajunsul
metodei îl constituie convergența lentă, este vorba de convergența în
probabilitate, specifică problemelor ce admit o descriere probabilistică.
Acest neajuns se înlătură uneori prin modificarea procedurii de calcul
permițând obținerea unui ordin de înaltă convergență.
Majoritatea schemelor metodei Monte Carlo
se bazează pe legea numerelor mari (Bernoulli) pentru variabilele aleatoare
independente.
Fie ξ1, ..., ξn
variabile aleatoare independente și identic repartizate. Presupunem că media
M(ξk) = a <
¥ și
dispersia D(ξk) = σ2 <
¥
(k=1,...,n). Notăm cu . În acest caz, pentru (")
ε > 0 este verificată inegalitatea lui Cebîșev
(5.1)
ceea
ce este echivalent cu inegalitatea
(5.2)
În ipotezele date avem:
oricare
ar fi 17 și
α > 0 arbitrare, pentru n suficient de mare, media aritmetică se va abate de la a cu o mărime cel mult 1 - α.
Legea numerelor mari este însă valabilă
și în ipoteze mult mai slabe. Astfel, în forma dată de Hincin
când n
®
¥
în condițiile existenței unei valori medii finite pentru variabila aleatoare
ξ. În acest fel, are loc convergența în probabilitate a mediei aritmetice 20 către
valoarea medie M(ξ) în cadrul unor ipoteze mai puțin restrictive. Dacă
dispersia D(ξk) este infinită atunci inegalitățile (5.1) și
(5.2) sunt lipsite de sens, fiind însă valabilă inegalitatea
unde
ξk sunt variabile aleatoare independente, nu neapărat identic
repartizate, dar având aceeași valoare medie, a.
În
simularea Monte Carlo prezintă interes nu numai convergența variabilei către valoarea medie M(ξ) ci și repartiția ei. Dacă
σ2 < +¥ și
există momentul centrat de ordinul al treilea , atunci teorema limită centrală afirma că repartiția lui este asimptotic
normală, cu dispersia și media a, adică
se verifica inegalitatea:
unde
C0 este o constantă absolută, despre care se știe că 0,9051 > C0
³
.
Tehnica Monte-Carlo presupune așa cum am
arătat un experiment statistic efectuat pe un model artificial al fenomenului
real.
Să considerăm că variabila aleatoare X a
modelului real are dispersia σ2 finită și media μ de
asemenea finită.
Să presupunem că modelul artificial este
supus experimentului statistic în N cicluri de simulare. În cadrul fiecărui
ciclu de simulare având nevoie de n valori ale variabilei aleatoare X.
Deci X = {X1, X2,
..., XN}
unde
Xj = {xj1, xj2, ..., xjn} (")
j=1, ..., N.
Fie .
Construim variabila aleatoare cu valorile posibile 1,
..., N
numită media de selecție. Atunci reprezintă estimația absolut corectă pentru media teoretică
μ.
Mărimea 30 se
numește eroare. Cu ajutorul ei se poate defini eroarea relativă .
Conform legii numerelor mari, variabila
aleatoare M() tinde
spre μ iar din inegalitatea lui Cebîsev vom avea că
În
aplicații (de obicei k = 2
sau k = 3) ceea ce înseamnă că .
Mărimea poartă numele de nivel de semnificație.
Cu
aceste notații avem că .
Conform teoremei limită centrală vom avea
ca variabilă aleatoare M() are o
repartiție normală , rezultă că: .
Dacă se fixează un α suficient de
mic și se pune ,
atunci
se obține:
, adică, cu probabilitatea de cel puțin 1 - α, media
aritmetică a realizărilor independente ale lui j
diferă de μ cu cel mult . Pentru α și σ fixați, eroarea descrește cu N-1/2.
Dacă dorim să determinăm numărul N al
ciclurilor de simulare necesare pentru ca probabilitatea: să fie de 0,95 atunci din
avem
ca:
Variabila urmează o lege normală de medie 0 și dispersie 1. Din tabela funcției Laplace vom determina valoarea lui astfel încât 47. Găsim astfel că . Aceasta înseamnă că N » 10 000.