Savelova_Metod_Monte-Karlo_2011
.pdfотрицательно определенная симметричная матрица, αi , i 1, 2,3 ,
действительные числа.
Для НР dμ g f g dg справедливо разложение в ряд Фурье
(5.4) с коэффициентами Cmnl , которые определяются из уравнения
(5.5) для заданных параметров αij , αi , i, j 1,2,3.
Определение 5.2. НР называется каноническим нормальным распределением (КНР), если αij 0 , i j , αi 0 .
КНР вычисляется в виде ряда Фурье (5.4), коэффициенты Cmnl
определяются из уравнения (5.5), где
3
Bl αii Ai2 i 1
есть пятидиагональная квадратная матрица порядка (2l+1) с эле-
ментами:
bl |
bl |
|
|
|
1 |
|
2m |
m2 |
α α |
|
|
l m α |
|
, |
||||||
|
|
|
22 |
33 |
||||||||||||||||
m,m |
|
m, m |
|
2 |
|
1 |
|
11 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m 0,1,...,l , |
l 0,1,..., |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
bl |
|
bl |
bl |
|
|
bl |
|
|
|
|
|
(5.6) |
||||
|
|
|
|
m,m 2 |
|
|
m 2,m |
m, m 2 |
|
m 2,m |
|
|
|
|
||||||
|
1 |
|
|
|
|
|
|
|
||||||||||||
|
m 1 m 2 2l m 2l m 1 |
α11 α22 |
, |
|
|
|||||||||||||||
|
|
|
||||||||||||||||||
|
4 |
|
|
m 0,1,...,l 2 , l 0,1,.... |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Определение |
5.3. |
Центральным |
нормальным |
распределением |
||||||||||||||||
(ЦНР) называется КНР при α ε2 , |
i 1, 2,3 . |
|
|
|
|
|
|
|
|
ii
ЦНР может быть записано по характерам представлений
121
|
|
|
|
|
|
|
|
1 |
|
|
|
||||
|
|
|
|
|
sin l |
|
|
t |
|
|
|||||
|
|
|
|
|
|
|
|
||||||||
f t 2l 1 exp( l l 1 ε2 ) |
|
|
|
2 |
|
, |
(5.7) |
||||||||
|
|
t |
|
||||||||||||
l 0 |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
sin |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
||||
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cos |
t |
cos |
θ |
cos |
θ ψ |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
2 |
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 5.3
На рис. 5.3 изображено ЦНР при ε 0,1, lmax 31 (случай а) и ε 0,5 , lmax 7 (случай б). Инвариантная мера при переходе к ха-
рактерам представлений
|
|
|
|
dg |
|
1 |
sin |
2 |
t |
dt , |
π t π . |
|
|||||||||
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
π |
|
|
2 |
|
|
|
|
|
|
|
|
|||
Для ЦНР (5.7) при ε 0,5 |
справедливо аналитическое прибли- |
||||||||||||||||||||
жение [22]: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
ε |
t 2 |
|
|
|
|||
f t |
1 |
|
|
π |
|
ε |
|
|
|
|
exp t2 |
4ε2 |
|||||||||
|
|
|
exp |
|
|
erfc |
|
|
|
|
|
||||||||||
ε2 |
ε2 |
|
|
|
|
2 |
|||||||||||||||
|
|
|
|
||||||||||||||||||
|
|
|
4 |
|
|
|
|
2 |
sin t |
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
122 |
|
|
|
|
|
|
|
|
|
|
t 2 |
|
|
|
|
|
|
sin t |
2 |
|
|
|
|
t 2 |
|
|
||
|
|
|
|
|
exp t |
2 4ε2 |
|
|
|
|
|
|
|
|
|
|
|
|||
ε2 sin t |
|
|
|
|
|
sin t |
2 |
|||||||||||||
|
2 |
|
|
|
|
t 2 |
|
|
|
|
|
|
||||||||
|
|
1 |
exp t2 |
4ε2 |
|
sin t |
2 cos t |
2 t |
2 |
|
O ε . (5.8) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
2 t 2 3 |
|
|
|
|
|
|
|||||||||||
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5.2. Алгоритм статистического моделирования нор-
мальных распределений на SO(3)
Введем необходимые параметры группы SO(3).
Пусть g |
i |
t , i 1, 2,3 , однопараметрические подгруппы |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cost |
sin t |
0 |
|
|
|||
|
|
g |
|
t |
|
sin t |
cos t |
0 |
|
, |
|||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
0 |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
cos t |
0 |
sin t |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
g2 |
t |
|
0 |
1 |
|
0 |
|
, |
|||
|
|
|
|
|
|
|
|
|
0 |
cos t |
|
|
|
|
|
|
|
|
|
sin t |
|
|
|||||
|
|
|
|
|
|
1 |
0 |
|
|
0 |
|
|
|
|
|
g3 |
|
|
|
|
|
|
|
sin t |
|
|
|
|
|
t |
0 |
cos t |
. |
||||||||
|
|
|
|
|
|
|
0 |
sin t |
cos t |
|
|
||
|
|
|
|
|
|
|
|
|
Касательные матрицы определяются следующим образом:
|
|
|
|
|
|
|
e |
|
t |
lim |
gi t |
e |
. |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
i |
|
t |
0 |
|
t |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Обозначим |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
0 |
0 |
|
|
|
|
1 |
0 |
0 |
|
|
|
0 |
0 |
1 |
||||||
1 |
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
h |
|
0 |
1 |
0 |
|
, |
h |
|
|
0 |
0 |
1 |
|
, |
h |
|
|
0 |
1 |
0 |
. |
|
|
|
0 |
0 |
1 |
|
|
|
|
|
|
0 |
1 |
0 |
|
|
|
|
|
1 |
0 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
123 |
|
|
|
|
|
|
|
|
|
|
|
Алгоритм моделирования методом Монте-Карло нормальных
распределений общего вида на группе SO(3) имеет вид [7]:
1)задание параметров НР αij , αi , i, j 1,2,3;
2)задание показателя свертки n;
3)вычисление собственных значений и собственных векторов симметричной матрицы 3-го порядка:
Mαij ei ej , i, j 13
|
|
обозначим эту систему как λq , νq , |
q 1,2,3 ; |
4)вычисление величин αii , i 1, 2,3 :
|
|
λ3 λ2 λ1 |
|
|
λ2 λ3 λ1 |
|
|
λ1 λ2 |
λ3 |
; |
|
|
|||||||||
α11 |
2 |
, α22 |
2 |
, α33 |
2 |
|
||||
|
|
|
|
|
|
|
|
5)вычисление матрицы
|
|
|
|
|
|
g0 pq νq p , |
p, q 1,2,3 ; |
||||
6) вычисление матрицы |
|
|
|
|
|
|
|
1 |
|
3 |
|
gn0 |
exp |
|
αiei ; |
||
|
|
||||
|
|
n |
|
|
|
|
|
i 1 |
|
||
|
|
|
7)вычисление случайной величины, являющейся приближе-
нием нормальной случайной величины:
|
n |
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6αii |
|
|
|
|
1 |
|
|
|
|
|
|
||||||||
ξ |
|
g0 g |
|
|
hi g |
2 |
|
j |
|
|
|
i 1 |
|
g |
|
1 |
, (5.9) |
||||||
|
|
|
|
ξi |
|
|
h |
0 |
|||||||||||||||
|
|
n |
0 |
1 |
|
n |
|
2 |
|
|
|
|
|
|
|||||||||
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где ξij – независимые реализации случайной величины равномерно распределенной на интервале (0,1).
124
По сути своей, окончательная формула для моделирования НР в виде случайной ортогональной матрицы вращения (5.9) подобна формуле (2.6) для моделирования методом Монте-Карло одномер-
ной случайной величины, распределенной по нормальному закону в R1 . И в том и в другом случае используется центральная пре-
дельная теорема для получения приближения к НР.
Отметим, что углы Эйлера вращения в виде матрицы (5.3) за-
ключены в пределах π θ, ψ π , 0 θ π . На формирование од-
ной матрицы (5.3) используется 3n равномерно распределенных случайных чисел в (0,1). В численных расчетах используется ми-
нимальное количество сверток n=6. Таким образом, чтобы получить одну ориентацию g θ,θ,ψ SO(3) , распределенную при-
ближенно по нормальному закону требуется 18 равномерно рас-
пределенных на (0,1) случайных чисел.
В [7] проводилось некоторое тестирование численных реализа-
ций указанного алгоритма (теоретически справедливость метода строго доказана при n ) с помощью критерия χ 2 . Для рас-
смотренных примеров достаточно n 20 и N 104 2 104 испы-
таний для того, чтобы выполнялся уровень значимости 5% χ 2 кри-
терия.
125
На рис. 5.4 изображены результаты вычисления проекции на сферу S 2 КНР с параметрами α11 α22 0,1, α33 1 тремя спосо-
бами:
1)точное распределение (линия 1), полученное путем сумми-
рования ряда Фурье;
2)получаемое статистическим методом и изображенное в ви-
де гистораммы (линия 2);
3) средние значения точного метода, полученные усреднением результатов согласно разбиению отрезка на части по методу гисто-
грамм (линия 3).
Из рисунка видим, что визуально результаты близки между со-
бой.
В [23] сравниваются три метода вычислений НР на группе
SO(3):
метод рядов Фурье (МРФ);
метод аналитических приближений (МАП);
126
метод Монте-Карло (ММК).
МРФ дает непрерывную функцию (теоретически доказано, что эта функция бесконечное число раз дифференцируема), требует подбора подходящего количества членов ряда Фурье для вычисле-
ния с требуемой точностью, вычисления коэффициентов разложе-
ния в ряд Фурье из уравнения (5.5).
МАП разработан для КНР с параметрами αii 0,5 , i 1, 2,3 , да-
ет непрерывную и бесконечно дифференцируемую функцию, тре-
бует очень мало компьютерного времени для вычислений. Пример подобного приближения здесь дан только для ЦНР – формула (5.8)
для функции (5.7).
ММК дает дискретные значения для НР в виде набора ориента-
ций, требует выбора подходящих значений параметров для вычис-
лений – показателя свертки n и количества ориентаций N. Этот ме-
тод требует намного больше компьютерного времени для вычисле-
ний по сравнению с другими двумя методами.
Метод Монте-Карло используется для моделирования ориента-
ций зерен поликристаллического материала при исследовании точ-
ности вычисления функции распределения зерен по ориентациям
(ФРО) и других статистических характеристик для изучения физи-
ко-механических свойств материалов.
В последние годы возросли технические возможности элек-
тронной микроскопии, стало возможным измерение 104 107 ори-
ентировок зерен с целью изучения микротекстуры (форма и разме-
ры зерен, границы зерен и т.д.) и макротекстуры (ФРО, функцию
разориентаций (углов между зернами) и т.д.).
127
В приложении 2, написанного К.Н.Рогинским, приведены чис-
ленные примеры использования метода Монте-Карло для модели-
рования набора ориентаций с целью исследования различных ста-
тистических характеристик.
128
Статистические методы анализа явлений
основаны на теории вероятностей.
Ю.Д. Максимов
Заключение
Данное учебное пособие содержит начальные сведения по ма-
тематической статистике и методу Монте-Карло. Приведены при-
меры и задачи для самостоятельной работы с целью усвоения рас-
сматриваемого материала. Применение метода Монте-Карло в фи-
зике и экономике представлено простейшими моделями с указани-
ем путей их совершенствования.
Круг задач, решаемых методами Монте-Карло, быстро расширя-
ется в связи с всѐ возрастающими возможностями вычислительной техники. В частности, решаются задачи:
оптимизации работы фирмы с целью повышения прибыли путем математического и статистического моделирования функ-
ционирования всех звеньев;
изучения физических и механических свойств поликри-
сталлических материалов, включая наноматериалы, путем физико-
математического и статистического моделирования процессов формирования текстуры (кристаллизация, деформация, изменение фазы материала, рекристаллизация и т.д.).
129
Список рекомендуемой литературы
1.Айвазян С.А., Мхитарян В.С. Прикладная статистика. Теория вероятностей и математическая статистика. Т. 1. М.: ЮНИТИ, 2001, с. 656.
2.Айвазян С.А. Прикладная статистика. Основы эконометрики.
Т. 2, М.: ЮНИТИ, 2001, с. 432.
3.Айвазян С.А., Мхитарян В.С. Прикладная статистика в задачах и упражнениях. М.: ЮНИТИ, 2001, с. 271.
4.Бахвалов Н.С. Численные методы. Ч. 1. М.: Наука, 1973, с. 631.
5.Беляев Ю.К., Носко В.П. Основные понятия и задачи математи-
ческой статистики. М.: Изд. МГУ, ЧеРо, 1998, с. 192.
6. Боровков А.А. Математическая статистика. М.: Наука, 1984, с.
472.
7. Боровков М.В., Савелова Т.И. Нормальные распределения на
SO(3). М.: МИФИ, 2002, с. 94.
8. Бусленко Н.П., Голенко Д.И., Соболь И.М., Срагович В.Г., Шрей-
дер Ю.А. Метод статистических испытаний (метод Монте-Карло).
М.: ФМЛ, СМБ, 1962, с. 362.
9. Ватутин В.А., Ивченко Г.И., Медведев Ю.И., Чистяков В.П.
Теория вероятностей и математическая статистика в задачах. М.:
Агар, 2003, с. 326.
10. Вероятностные разделы математики / Под ред. Ю.Д. Максимо-
ва. СПб.: Иван Федоров, 2001, с. 589.
11. Виленкин Н.Я. Специальные функции и теория представлений групп. М.: Наука, 1965, с. 588.
130