Savelova_Metod_Monte-Karlo_2011
.pdf12.Гренандер И. Вероятности на алгебраических структурах. М.: Мир, 1965, с. 275.
13.Деврой Л., Дьѐрфи Л. Непараметрическое оценивание плотности. М.: Мир, 1988, с. 407.
14.Ермаков С.М. Метод Монте-Карло и смежные вопросы. М.:
Наука, 1975, с. 471.
15.Крамер Г. Математические методы статистики. М.: Мир, 1976, с. 648.
16.Крянев А.В., Лукин В.Г. Математические методы обработки неопределенных данных. М.: ФМЛ, 2003, с. 214.
17.Левитан Ю.Л., Соболь И.М. О датчике псевдослучайных чисел для персональных компьютеров // Математическое моделирование,1990, Т. 2, № 8, с. 119–126.
18.Мардиа К. Статистический анализ угловых наблюдений. М.:
Наука, 1978, с. 240.
19.Натан А.А., Гобачев О.Г., Гуз С.А. Математическая статистика. М.: М3 Пресс, 2004, с. 157.
20.Панин В.П. Моделирование переноса излучения. М.: Тровант, 2008, с. 212.
21.Пугачев В.С. Теория вероятностей и математическая статистика. М.: Наука, 1979, с. 496.
22.Савелова Т.И., Бухарова Т.И. Представления группы SU(2) и их применение. М.: МИФИ, 1996, с. 114.
23.Савелова Т.И., Иванова Т.М., Сыпченко М.В. Применение нормальных распределений на SO(3) в текстурном анализе. М.: НИЯУ МИФИ, 2010, с. 104.
131
24. Соболь И.М. Численные методы Монте-Карло. М.: Наука,
1973, с. 378.
25) Соболь И.М. Метод Монте-Карло. М.: Наука, 1985, с. 78.
26.Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Наука, 1981, с. 110.
27.Сборник задач по теории вероятностей, математической статистике и теории случайных функций / Под ред. А.А. Свешникова, М.: Наука, 1970, с. 656.
28.Хампель Ф., Рончетти Э., Рауссеу П., Штаэль В. Робастность в статистике: подход на основе функции влияния. М.: Мир, 1989, с.
512.
29.Худсон Д. Статистика для физиков. М.: Мир, 1970, с. 296.
30.Чистяков В.П. Курс теории вероятностей. М.: Наука, 1987,
с. 240.
31.Хьюбер П. Робастность в статистике. М.: Мир, 1984, с. 303.
32.Hoy M., Livernois J., McKenna Ch., Rees R., Stengos Th. Mathematics for economics. Department for Economics University of Guelph, Addison – Wesley Publishers Limited, 1996, p. 821.
33.Metropolis N., Ulam S. The Monte Carlo method. J. Amer. Assoc., 1949, v. 44, № 247, p. 335–341.
34.Parthasarathy K.P. The central limit theorem for the rotation group.
Теория вероятностей и ее применения, 1964, v. 9, No. 9, с. 273–282. 35. Rand Corporation. A million random digits with 1 000 000 normal deviats – Glencoe: The Free Press, 1955.
132
Приложение 1
О датчике псевдослучайных чисел для персональных компьютеров
В работе [17] исследуется датчик псевдослучайных чисел, пред-
ложенный в [Вичмэн Б.A., Хилл И.Д. An efficient and portable pseudo - random number generator. Appl. Statistics, 1982, v. 31, №2, р. 188
– 190].
Здесь предлагается считать одновременно три последовательно-
сти
mi 171mi 1 mod30269 , m0 – задано,
m 172m |
|
mod30307 |
, m |
– |
задано, |
|
i |
i 1 |
|
0 |
|
|
|
m 170m |
|
, m |
– |
задано, |
||
i |
i 1 |
|
mod30323 |
0 |
|
|
а в качестве псевдослучайных чисел использовать дробные доли:
|
mi |
|
mi |
|
m |
|
|
γi |
|
|
|
|
|
. |
|
30269 |
30307 |
30323 |
|||||
|
|
|
|
Так как все три модуля – простые числа, то длина периода по-
следовательности γ1, γ2 ,... равна произведению
30269 30307 30323 2,78 1013 .
Основные достоинства предложенного датчика очевидны – краткость программы, простота реализации, огромный период.
Однако авторам [17] некоторые утверждения Вичмэна и Хилла показались недостаточно обоснованными.
Для проверки качества исходного датчика использовалась сле-
дующая система тестов.
133
Предполагается, что k-мерные случайные точки с независимыми декартовыми координатами
γ1,...,γk , γk 1,..., γ2k , γ2k 1,..., γ3k ,...
равномерно распределены в k-мерном единичном кубе при каждом k .
Это свойство необходимо и достаточно для успешной реализа-
ции алгоритмов Монте-Карло с конструкторной размерностью k .
С помощью критерия χ 2 проверялось распределение соответст-
вующих псеводослучайных точек, ограничиваясь размерностями k 1,..., 4 . Проверялось также распределение серий.
Так как для моделирования различных задач могут потребовать-
ся группы чисел γ1,..., γN различной длины, то проверялись группы при N 600 2s , s 0,1,...,11. Для некоторых вариантов начальных значений проверка была продолжена при s =12,13, а для отобран-
ного наилучшего варианта – при s 14. В качестве критерия выби-
ралось худшее (наибольшее) значений χ 2 при всех рассматривае-
мых N.
Предельные функции распределения
t
lim P χ2 t kr 1 x dx
N N
0
зависят от количества r областей разбиения каждого куба (здесь
k |
m |
x |
– плотность распределения |
χ 2 |
с m степенями свободы). |
|
|
|
|
|
134
В статистических таблицах приведены корни уравнения
χ2 χ2 m, P :
km x dx P ,
χ2
называемые обычно квантилями. Слишком малые P означают, что данные эксперимента не подтверждают гипотезы.
Система тестов
|
Тест 1. Проверяется расположение одномерных точек γ1,...,γN |
|||||||||||||||||||||
в интервале |
0 x 1. Интервал разбит на 16 равных интервалов. |
|||||||||||||||||||||
Вычисляется величина |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
2 |
|
16 |
16 |
|
|
|
|
|
N |
2 |
|
|
|
||||
|
|
|
|
|
χ N |
|
|
|
|
νi |
|
|
|
|
|
, |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
N i 1 |
|
|
|
16 |
|
|
|
|
||||||
где |
|
|
νi |
– количество |
|
|
точек, |
|
|
попавших |
|
в |
интервал |
|||||||||
|
|
/16 x i /16 . Критерий max χ2 |
, где N 600 2s . |
|||||||||||||||||||
|
i 1 |
|
|
|
|
|
|
|
1 |
|
s |
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Тест 2. Проверяется расположение двумерных точек |
γ1,γ2 , |
||||||||||||||||||||
γ3 ,γ4 , …, |
γ2N 1, γ2N в квадрате |
0 x, y 1 . Квадрат разбит на |
||||||||||||||||||||
82 64 равных квадратов. Вычисляется величина |
|
|
|
|||||||||||||||||||
|
|
|
|
|
2 |
64 |
|
8 |
|
|
|
|
|
|
N 2 |
|
|
|
||||
|
|
|
|
|
χ N |
|
|
|
|
|
|
νij |
|
|
|
, |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
N i, j 1 |
|
|
|
|
|
64 |
|
|
|
||||||
где |
ν |
ij |
– количество точек, попавших в квадрат |
i |
/8 x i /8 , |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
j 1 /8 y j /8 . Критерий 2 |
max χ2N , где N 300 2s . |
|
s |
135
|
|
Тест |
3. |
Проверяется |
расположение |
|
|
трехмерных |
точек |
||||||||||||||||||||||
γ1,γ2 ,γ3 , |
γ4 ,γ5 ,γ6 , …, |
|
γ3N 2 , γ3N 1, γ3N |
|
в кубе |
0 x, y, z 1 . |
|||||||||||||||||||||||||
Куб разбит на 53 125 равных кубов. Вычисляется величина |
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
|
|
125 |
5 |
|
|
|
|
|
|
N |
2 |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
χ N |
|
|
|
|
|
|
νijk |
|
|
|
|
|
, |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
N |
i, j,k 1 |
|
|
|
125 |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
ijk |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
||
где |
ν |
|
– |
количество точек, |
попавших в куб |
|
|
/ 5 |
x i / 5 , |
||||||||||||||||||||||
j 1 / 5 y j / 5 |
, |
|
/ 5 z k / 5 . Критерий |
|
3 |
max χ2 |
, где |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
k 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s |
N |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
N 200 2s . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
Тест |
4. |
|
Проверяется |
|
расположение четырехмерных |
точек |
|||||||||||||||||||||||
γ1,γ2 ,γ3 ,γ4 , |
γ5 ,γ6 ,γ7 ,γ8 , …, γ4N 3, γ4N 2 , γ4N 1, γ4N |
в гипер- |
|||||||||||||||||||||||||||||
кубе 0 x, y, z,u 1. Гиперкуб разбит на |
44 256 равных гиперку- |
||||||||||||||||||||||||||||||
бов. Вычисляется величина |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
|
256 |
|
5 |
|
|
|
|
|
|
N |
|
|
2 |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
χ N |
|
|
|
|
|
|
νijkl |
|
|
|
|
|
, |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
N i, j,k ,l 1 |
|
|
|
|
256 |
|
|
|
|
|
|
|||||||
|
|
|
|
ijkl |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
||
где |
ν |
|
– |
количество точек, |
попавших в куб |
|
|
/ 4 |
x i / 4 , |
||||||||||||||||||||||
|
j 1 |
/ 4 y j / 4 |
, |
|
/ 4 z k / 4 , |
l |
|
|
|
/ 4 u l / 4 . Критерий |
|||||||||||||||||||||
|
|
|
|
|
|
|
k 1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|||||||
|
4 |
max χ2 , где |
N 150 2s . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
s |
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Тест 5. Проверяется количество серий, образованных первыми |
|||||||||||||||||||||||||||||
десятичными цифрами чисел γ1,γ2 ,...,γN . Вычисляется величина |
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
ni npi |
2 |
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
χ2N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
ns nps , |
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
np |
|
|
|
|
np |
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
s |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
136 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где n |
– количество серий длины i , n – количество серий длины |
||||||||
i |
|
|
|
|
s |
|
|
|
|
5 , а |
n n n |
n |
n |
n |
– общее количество серий. Вероят- |
||||
|
1 2 |
3 |
4 |
s |
|
|
|
|
|
ности |
p 9 10 i , (1 i 4 ), p 10 4 . Критерий |
|
s |
max χ2 , где |
|||||
|
i |
|
|
|
s |
|
s |
N |
|
|
|
|
|
|
|
|
|
|
N 600 2s .
Рассмотрим вопрос выбора начальных значений датчика. В ра-
боте Вичмэна и Хилла рекомендуется выбирать начальные значе-
ния m , m , m случайно. Было проверено 36 вариантов началь-
0 0 0
ных троек, каждая из которых состояла из натуральных чисел
(3, 1, 2), (5, 11, 17), (1, 2, 3),… .
Среди них оказалось 17 таких, для которых хотя бы один крите-
рий превышает 1%-ный уровень значимости. Среди этих 17–4
«очень плохих» варианта: в двух более одного критерия, превы-
шающего 1%-ный уровень, в двух других – один из критериев пре-
вышает 0,1%-ный уровень (кроме того, в каждом из этих вариантов еще два критерия превышают 10%-ные уровни). Интересно отме-
тить, что среди наихудших троек оказалась тройка (11, 5, 17), в то время как тройки (5, 11, 17) и (5, 17, 11) признаны в [17] наилуч-
шими.
137
Приложение 2
Численные эксперименты использования метода Монте-Карло для моделирования ориентаций зерен поликристаллов в текстурном анализе
Многие материалы естественного и искусственного происхож-
дения (минералы, металлы, сплавы, керамики и т. д.) являются по-
ликристаллами. Поликристалл состоит из кристаллов какого-либо вещества, называемых из-за неправильной формы кристаллитами или кристаллическими зернами. В зависимости от того, как распо-
ложены атомы в кристаллите, можно выделить различные виды кристаллических структур. Металлы преимущественно кристалли-
зуются в одном из трѐх типов структур: объемно-центрированной кубической (ОЦК), гранецентрированной кубической (ГЦК) или гексагональной (ГПУ), которые в природе представлены практиче-
ски равномерно [Готтштайн Г. Физико-химические основы мате-
риаловедения. М.: Бином, 2009, с. 400]. Гексагональная решетка состоит из плотноупакованных гексагональных слоев и полностью содержит два атома. Ось c по величине отличается от оси a
(рис. П.2.1).
Рис. П.2.1. Утроенная элементарная ячейка при гексагональной структуре
138
Кристаллит обладает шестью степенями свободы, три из кото-
рых отвечают за пространственное положение зерна, остальные три
определяют его ориентацию (рис.П.2.2)
Рис. П.2.2. Схематическое изображение образца и кристаллита
С математической точки зрения, под ориентацией понимается вращение g ( g SO(3) ), которое совмещает систему координат,
связанную с зерном, с системой координат, связанной с поликри-
сталлом.
Физические свойства (магнитные, оптические, электрические и т.д.) поликристаллов во многом зависят от свойств зѐрен, в частно-
сти объясняются наличием кристаллографической текстуры. Если зѐрна ориентированы хаотически (рис. П. 2.3, а), то в поликристал-
ле не проявляется анизотропия физических свойств, характерная для монокристаллов (рис. П.2.3, б). Если в поликристалле возмож-
139
но выделить преимущественную кристаллографическую ориента-
цию зѐрен (рис. П.2.3, в), то поликристалл является текстурирован-
ным и, в этом случае, обладает анизотропией свойств[23].
Рис. П.2.3. Модели кристаллографических текстур: а – хаотически расположенные кристаллиты;
б – идеально ориентированные кристаллиты (монокристалл); в – многокомпонентная кристаллографическая текстура
Для математического описания текстуры используется трехмер-
ная функция распределения зерен (ФРО) по ориентациям [23].
Данная функция зависит от трех углов Эйлера и определяет веро-
ятность обнаружить в образце зерно с заданной ориентацией g (g SO(3)). В случае если текстура описывается ЦНР, то ФРО мо-
жет быть представлено в виде (5.7).
ФРО даѐт полное представление о кристаллографической ори-
ентации зерен во всем объеме поликристалла, однако из-за много-
мерности является тяжелой для понимания и представления. Для многих прикладных задач достаточно иметь информацию о проек-
циях ФРО на некоторые выделенные направления в образце. Дан-
ные проекции называются полюсными фигурами (ПФ).
140