INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky.
Výpočet nejistot metodou Monte carlo
Mgr. Martin Šíra, Ph.D. (ČMI, Brno)
červen 2012
– p. 1
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Výpočty nejistot
V metrologii jsou převážně používány dvě metody:
� GUM Uncertainty Framework (GUF)dokument Guide to the Expression of Uncertainty inMeasurement (GUM), 1995
� Metoda Monte Carlodokument Evaluation of measurement dat – Suplement 1 tothe "Guide to the expression of uncertainty inmeasurement"– Propagation of distributions using a MonteCarlo method , 2008
dokumenty online
http://www.bipm.org/en/publications/guides/gum.html
– p. 2
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
schéma metody GUF
– p. 3
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
� korelované vstupní veličiny: 2∑
i
∑
j∂f∂xi∂f∂xju(xi , xj)
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
� korelované vstupní veličiny: 2∑
i
∑
j∂f∂xi∂f∂xju(xi , xj)
� efektivní stupeň volnosti: νeff =u4c (y)
∑i
u4i(y)
νi
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
� korelované vstupní veličiny: 2∑
i
∑
j∂f∂xi∂f∂xju(xi , xj)
� efektivní stupeň volnosti: νeff =u4c (y)
∑i
u4i(y)
νi
� koeficient pokrytí: 1− α =∫ t1−α− inf f (t, νeff)dt, k = tp,
p = 1− 2α
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
� korelované vstupní veličiny: 2∑
i
∑
j∂f∂xi∂f∂xju(xi , xj)
� efektivní stupeň volnosti: νeff =u4c (y)
∑i
u4i(y)
νi
� koeficient pokrytí: 1− α =∫ t1−α− inf f (t, νeff)dt, k = tp,
p = 1− 2α
� rozšířená nejistota: U = kuc(y), Y − U ≤ Y′ ≥ Y + U
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
vzorce v metodě GUF
� standardní nejistoty: u2(xi) =1
n(n−1)
∑
i(qi − q)2,
u2(xi) = a2/3, u2(xi) = a
2/6, . . .
� citlivostní koeficienty: ci =∂f∂xi. u2(y) =
∑
i c2i u2(xi).
∑
j
∑
i
(
12
(
∂2f∂xi∂xj
)2
+ ∂f∂xi∂3f∂xi∂x2j
)
u2(xi)u2(xj)
� korelované vstupní veličiny: 2∑
i
∑
j∂f∂xi∂f∂xju(xi , xj)
� efektivní stupeň volnosti: νeff =u4c (y)
∑i
u4i(y)
νi
� koeficient pokrytí: 1− α =∫ t1−α− inf f (t, νeff)dt, k = tp,
p = 1− 2α
� rozšířená nejistota: U = kuc(y), Y − U ≤ Y′ ≥ Y + U�
�������
�����
�����
������
��
��
������
�����
�����
������
��
��
������
�����
�����
������
��
ZZ
ZZZZZZ
ZZZZZ
ZZZZZ
ZZZZZZ
ZZ
ZZ
ZZZZZZ
ZZZZZ
ZZZZZ
ZZZZZZ
ZZ
ZZ
ZZZZZZ
ZZZZZ
ZZZZZ
ZZZZZZ
ZZ
KOMPLIKOVANÉ(?)
– p. 4
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
◮ simulace experimentů, převážně:
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
◮ simulace experimentů, převážně:� štěpné reakce
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
◮ simulace experimentů, převážně:� štěpné reakce� difuze plynů
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
◮ simulace experimentů, převážně:� štěpné reakce� difuze plynů� proudění tekutin
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Metoda Monte Carlo
� třída algorimtů pro simulaci systémů
� opakované náhodné vzorkování pro simulaci náhodnýchdějů
� využití:
◮ řešení diferenciálních rovnic
◮ počítání určitých integrálů
◮ simulace experimentů, převážně:� štěpné reakce� difuze plynů� proudění tekutin
◮ výpo čet nejistot
– p. 5
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
historie MMC
� vyvinuli John von Neumann, Stanislaw Ulam a NicholasMetropolis 1940 v Los Alamos během vývoje atomovébomby
– p. 6
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
historie MMC
� vyvinuli John von Neumann, Stanislaw Ulam a NicholasMetropolis 1940 v Los Alamos během vývoje atomovébomby
� Ulam měl myšlenku používání náhodných čísel
– p. 6
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
historie MMC
� vyvinuli John von Neumann, Stanislaw Ulam a NicholasMetropolis 1940 v Los Alamos během vývoje atomovébomby
� Ulam měl myšlenku používání náhodných čísel
� von Neumann použil generování náhodných čísel místoseznamu náhodných čísel
– p. 6
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
historie MMC
� vyvinuli John von Neumann, Stanislaw Ulam a NicholasMetropolis 1940 v Los Alamos během vývoje atomovébomby
� Ulam měl myšlenku používání náhodných čísel
� von Neumann použil generování náhodných čísel místoseznamu náhodných čísel
� Metropolis vypracoval algorithmy
– p. 6
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
historie MMC
� vyvinuli John von Neumann, Stanislaw Ulam a NicholasMetropolis 1940 v Los Alamos během vývoje atomovébomby
� Ulam měl myšlenku používání náhodných čísel
� von Neumann použil generování náhodných čísel místoseznamu náhodných čísel
� Metropolis vypracoval algorithmy
� pojmenováno po městě Monte Carlo, kde Ulamův strýcčasto prohrálval v kasinu
– p. 6
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Monte Carlo, Monako
Autor fotografie: Joseph Plotz
– p. 7
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Příklad použití MMC
Výpočet Ludolfova čísla: π = 3, 14159 . . .
10.50-0.5-1
1
0.5
0
-0.5
-1
Obsah kruhu: S1 = πr2
Obsah čtverce: S2 = r2
Počet bodů: NPočet bodů v kruhu: M
S1S2=πr2
r2=M
N⇒ π =
M
N
– p. 8
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Průběh výpočtu π
10:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
– p. 9
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Průběh výpočtu π
10:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
100:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
– p. 9
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Průběh výpočtu π
10:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
100:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
1000:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
– p. 9
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Průběh výpočtu π
10:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
100:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
1000:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
10000:
10.80.60.40.20
1
0.8
0.6
0.4
0.2
0
– p. 9
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Výsledek výpočtu π MMC
1e+0610000010000100010010
3.2
3.1
3
2.9
2.8
2.7
2.6
2.5
2.4
2.3
Zvýšením řádu opakování získáme obvykle jednu cifru π.
(Moderní iterační metody přidají 5 cifer π každýmvýpočetním krokem.)
– p. 10
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Čísla musí být náhodná
10.50-0.5-1
1
0.5
0
-0.5
-1
π 6=100
100= 1
– p. 11
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Proč ne pravidelné rozložení čísel?
Hra lodě:
hrací pole: hrací pole:
– p. 12
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Proč ne pravidelné rozložení čísel?
Hra lodě:
pravidená střelba: náhodná střelba:
– p. 12
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Proč ne pravidelné rozložení čísel?
Hra lodě:
žádný zásah čtyři zásahy!
– p. 12
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup:
� vytvoření matematického modelu děje
– p. 13
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup:
� vytvoření matematického modelu děje
� určení hustot pravděpodobnosti vstupních veličin
– p. 13
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup:
� vytvoření matematického modelu děje
� určení hustot pravděpodobnosti vstupních veličin
� provedení dostatečného počtu simulací
– p. 13
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup:
� vytvoření matematického modelu děje
� určení hustot pravděpodobnosti vstupních veličin
� provedení dostatečného počtu simulací
� zpracování výpočetních hodnot stochastickými metodami
– p. 13
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup:
� vytvoření matematického modelu děje
� určení hustot pravděpodobnosti vstupních veličin
� provedení dostatečného počtu simulací
� zpracování výpočetních hodnot stochastickými metodami
� určení nejpravděpodobnější hodnoty a nejistoty
– p. 13
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad
matematický model: Y = A+ B
– p. 14
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad
matematický model: Y = A+ B
hodnoty: A = B = 0.5
– p. 14
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad
matematický model: Y = A+ B
hodnoty: A = B = 0.5
nejistoty: u(A) = u(B) = 0.5, normální rozdělení
– p. 14
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad
matematický model: Y = A+ B
hodnoty: A = B = 0.5
nejistoty: u(A) = u(B) = 0.5, normální rozdělení
Y = 1
0,50
+1
0,50
– p. 14
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad – výpočet
1,A1 = 0, 8
B1 = 0, 5⇒ Y = 1, 3
Histogram:
10
– p. 15
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad – výpočet
1,A1 = 0, 8
B1 = 0, 5⇒ Y = 1, 3
2,A2 = 0, 34
B2 = 0, 1⇒ Y = 0, 54
Histogram:
10
– p. 16
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad – výpočet
1,A1 = 0, 8
B1 = 0, 5⇒ Y = 1, 3
2,A2 = 0, 34
B2 = 0, 1⇒ Y = 0, 54
3,A3 = 0, 07
B3 = 1, 23⇒ Y = 1, 3
Histogram:
10
– p. 17
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad – výpočet
1,A1 = 0, 8
B1 = 0, 5⇒ Y = 1, 3
2,A2 = 0, 34
B2 = 0, 1⇒ Y = 0, 54
3,A3 = 0, 07
B3 = 1, 23⇒ Y = 1, 3
. . .
106,A106 = 0, 11
B106 = 0, 42⇒ Y106 = 0, 52
Histogram:
10
– p. 18
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Jednoduchý příklad – výpočet
1,A1 = 0, 8
B1 = 0, 5⇒ Y = 1, 3
2,A2 = 0, 34
B2 = 0, 1⇒ Y = 0, 54
3,A3 = 0, 07
B3 = 1, 23⇒ Y = 1, 3
. . .
106,A106 = 0, 11
B106 = 0, 42⇒ Y106 = 0, 52
Histogram:
10
– p. 19
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Určení nejistoty
Nejistota: pravá hodnota Y se nachází v daném intervalu snejistotou p.Určení nejistoty odpovídá nalezení plochy pod křivkouodpovídající p z celkové plochy křivky.
– p. 20
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Určení nejistoty
Nejistota: pravá hodnota Y se nachází v daném intervalu snejistotou p.Určení nejistoty odpovídá nalezení plochy pod křivkouodpovídající p z celkové plochy křivky.
-u +u
15,87%
plochy
68,27%
plochy
15,87%
plochy
– p. 20
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Určení nejistoty
Nejistota: pravá hodnota Y se nachází v daném intervalu snejistotou p.Určení nejistoty odpovídá nalezení plochy pod křivkouodpovídající p z celkové plochy křivky.
-U +U
2,28%
plochy
95,45%
plochy
2,28%
plochy
– p. 20
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
schéma metody Monte Carlo
– p. 21
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
GUF vs MMC
gX 3 (ξ3)
gX 2 (ξ2)
gX 1 (ξ1)
Y = f(X )
gY (η)
x1, u(x1)
x2, u(x2)
x3, u(x3)
Y = f(X ) y, u(y)
GUF
MMC
– p. 22
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozdělenímia komplexními čísly.
– p. 23
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozdělenímia komplexními čísly.
Je třeba mít generátor náhodných čísel avhodný software.
– p. 23
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozdělenímia komplexními čísly.
Je třeba mít generátor náhodných čísel avhodný software.
Není třeba derivovat.
– p. 23
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozdělenímia komplexními čísly.
Je třeba mít generátor náhodných čísel avhodný software.
Není třeba derivovat.
Nelze počítat na papíře.
– p. 23
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozdělenímia komplexními čísly.
Je třeba mít generátor náhodných čísel avhodný software.
Není třeba derivovat.
Nelze počítat na papíře.
Není třeba odhadovat a počítat stupněvolnosti.
– p. 23
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
složitý příklad – ukázka chyby GUF
Guide to the Expression of Uncertainty in Measurements,Annex H, příklad koncových měrek:
– p. 24
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
složitý příklad – ukázka chyby GUF
Guide to the Expression of Uncertainty in Measurements,Annex Hpříklad koncových měrek
GUF:δL = (838± 62) nm, k = 2, t-rozdělení, p = 95, 45%
– p. 25
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
složitý příklad – ukázka chyby GUF
Guide to the Expression of Uncertainty in Measurements,Annex Hpříklad koncových měrek
GUF:δL = (838± 62) nm, k = 2, t-rozdělení, p = 95, 45%
MMC:δL = (838± 67) nm, p = 95, 45%, 53× 104 opakování
– p. 25
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
kdy použít MMC?
� když vstupní veličiy mají "divoká rozdělení"
– p. 26
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
kdy použít MMC?
� když vstupní veličiy mají "divoká rozdělení"
� když citlivostní koeficienty jsou nulové
– p. 26
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
kdy použít MMC?
� když vstupní veličiy mají "divoká rozdělení"
� když citlivostní koeficienty jsou nulové
� když zvítězí lenost derivovat
– p. 26
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Centrální limitní věta
Velké množství libovolných vstupních rozdělení dá výslednénormální rozdělení.
– p. 27
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
software pro MMC
Obecné programy:Matlab ($), Octave, R, . . .
– p. 28
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
software pro MMC
Obecné programy:Matlab ($), Octave, R, . . .
Specializované programy:Gum Workbench Pro, Qualisyst QMSys GUM Professinal,OpenBugs.
– p. 28
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
software pro MMC
Obecné programy:Matlab ($), Octave, R, . . .
Specializované programy:Gum Workbench Pro, Qualisyst QMSys GUM Professinal,OpenBugs.
Nevhodné programy:Excel 2000, 2003, skriptovací jazyk VBA v Excelu 2007,(Excel 2010?)
– p. 28
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Děkuji
za pozornost
– p. 29
VýpoÄ“ty nejistotschéma metody GUFvzorce v metodÄł GUFvzorce v metodÄł GUFvzorce v metodÄł GUFvzorce v metodÄł GUFvzorce v metodÄł GUFvzorce v metodÄł GUFvzorce v metodÄł GUF
Metoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte CarloMetoda Monte Carlo
historie MMChistorie MMChistorie MMChistorie MMChistorie MMC
Monte Carlo, MonakoPÅŽÃ�klad použitÃ� MMCPrůbÄłh výpoÄ“tu $pi $PrůbÄłh výpoÄ“tu $pi $PrůbÄłh výpoÄ“tu $pi $PrůbÄłh výpoÄ“tu $pi $
Výsledek výpoētu $pi $ MMCĄ�sla mus� být náhodnáProē ne pravidelné rozložen� ē�sel?Proē ne pravidelné rozložen� ē�sel?Proē ne pravidelné rozložen� ē�sel?
Nejistoty metodou Monte CarloNejistoty metodou Monte CarloNejistoty metodou Monte CarloNejistoty metodou Monte CarloNejistoty metodou Monte Carlo
Jednoduchý pŎ�kladJednoduchý pŎ�kladJednoduchý pŎ�kladJednoduchý pŎ�klad
Jednoduchý pŎ�klad -- výpoēetJednoduchý pŎ�klad -- výpoēetJednoduchý pŎ�klad -- výpoēetJednoduchý pŎ�klad -- výpoēetJednoduchý pŎ�klad -- výpoēetUrēen� nejistotyUrēen� nejistotyUrēen� nejistoty
schéma metody Monte CarloGUF vs MMCvýhody a nevýhody MMCvýhody a nevýhody MMCvýhody a nevýhody MMCvýhody a nevýhody MMCvýhody a nevýhody MMC
složitý pŎ�klad -- ukázka chyby GUFsložitý pŎ�klad -- ukázka chyby GUFsložitý pŎ�klad -- ukázka chyby GUF
kdy použ�t MMC?kdy použ�t MMC?kdy použ�t MMC?
CentrálnÃ� limitnÃ� vÄłtasoftware pro MMCsoftware pro MMCsoftware pro MMC