Differences
This shows you the differences between two versions of the page.
Next revision | Previous revision | ||
전산물리학:몬테_카를로_적분법 [2017/10/02 16:09] – created minjae | 전산물리학:몬테_카를로_적분법 [2023/09/05 15:46] (current) – external edit 127.0.0.1 | ||
---|---|---|---|
Line 1: | Line 1: | ||
======개요====== | ======개요====== | ||
- | 난수를 이용한 함수의 적분법. | + | 난수를 이용한 함수의 적분법이다. |
======몬테 카를로 적분법====== | ======몬테 카를로 적분법====== | ||
Line 6: | Line 6: | ||
$$ I = \int_0^2\sin^2\left[\frac{1}{x(2-x)}\right]dx $$ | $$ I = \int_0^2\sin^2\left[\frac{1}{x(2-x)}\right]dx $$ | ||
+ | |||
+ | {{ :: | ||
적분할 함수의 개형을 보면 양 끝 점으로 갈수록 무한히 가파르게 변하는 모습을 볼 수 있다. 반면, 함수의 그래프가 2$\times$1인 사각형 안에 알맞게 들어오기 때문에 적분값이 유한하고 그 값이 2보다 작다는 것을 알 수 있다. 수치적분을 할 때 사다리꼴 적분법이나 가우스 구적법을 많이 사용하지만 이러한 방법들은 위와 같이 가파르게 변하는 함수의 적분값을 적절하게 구해주지 못한다. 이러한 경우에 다른 여러 방법들 중에서 많이 사용하는 방법 중 하나가 몬테 카를로 적분법이다. | 적분할 함수의 개형을 보면 양 끝 점으로 갈수록 무한히 가파르게 변하는 모습을 볼 수 있다. 반면, 함수의 그래프가 2$\times$1인 사각형 안에 알맞게 들어오기 때문에 적분값이 유한하고 그 값이 2보다 작다는 것을 알 수 있다. 수치적분을 할 때 사다리꼴 적분법이나 가우스 구적법을 많이 사용하지만 이러한 방법들은 위와 같이 가파르게 변하는 함수의 적분값을 적절하게 구해주지 못한다. 이러한 경우에 다른 여러 방법들 중에서 많이 사용하는 방법 중 하나가 몬테 카를로 적분법이다. | ||
Line 16: | Line 18: | ||
$$ I \sim \frac{kA}{N} $$ | $$ I \sim \frac{kA}{N} $$ | ||
+ | |||
+ | ====== 오차 ====== | ||
+ | 무작위로 뽑은 점 하나가 함수값 보다 작을 확률이 $ p = I/A $이므로 함수값 보다 크거나 같은 값을 가질 확률은 $ 1-p $이다. 만약 무작위 수를 뽑는 횟수가 $N$ 번이고 이 중 함수값보다 작은 값을 가지는 수가 $k$개가 뽑일 확률은 | ||
+ | |||
+ | $$ P(k) = \binom{N}{k}p^k(1-p)^{N-k} $$ | ||
+ | |||
+ | 이 되어 이항분포를 가진다. 이항분포의 분산 식을 이용하면 | ||
+ | |||
+ | $$\text{var}~k = Np(1-p) = N\frac{I}{A}\left(1-\frac{I}{A}\right) $$ | ||
+ | |||
+ | 임을 알 수 있다. 그러므로 표준편차를 아래와 같이 얻을 수 있다. | ||
+ | |||
+ | $$ \sigma_N = \sqrt{\text{var}~k}\frac{A}{N} = \frac{\sqrt{I(A-I)}}{\sqrt{N}} $$ | ||
+ | |||
+ | 따라서 무작위 수를 $N$ 번 얻어 몬테 카를로 적분법을 사용하면 난수를 이용하여 구한 적분의 기댓값과 비교하여 $1/ | ||
+ | |||
+ | $$ \sigma_N \sim \frac{1}{\sqrt{N}} $$ | ||
+ | |||
+ | ======함께 보기====== | ||
+ | [[: | ||
+ | |||
+ | ======참고문헌====== | ||
+ | - M. E. J. Newman, // |