Bu görselleştirmede Monte Carlo yöntemi
Monte Carlo yöntemi, sabit bir değeri rastgele örneklemeyle tahmin eder. Burada aranan değer bir alandır. Birim kareye düzgün dağılımla rastgele nokta atılır. Bunların tanesi bölgeye düşerse , bölgenin alanını tahmin eder. Çeyrek dairenin alanı olduğundan ile tahmin edilir. altında kalan bölge için aynı sayım, elemanter ilkel fonksiyonu olmayan bir integrali tahmin etmeyi sağlar. Alttaki grafik bir milyona çıkarken tahmini ve her nokta sayısında tahminlerin %95’inin düşmesinin beklendiği aralığı gösterir.
Oran alanı neden tahmin eder?
Alanı 1 olan bir karede düzgün dağılan bir noktanın belli bir bölgeye düşme olasılığı o bölgenin alanına eşittir. Her nokta bu olasılıkla yapılan bağımsız bir denemedir. Büyük sayılar yasasına göre isabet oranı değerine yaklaşır. Bir noktanın içeride olup olmadığını belirleyebildiğimiz sürece bölgenin şekli önemli değildir.
Tahmin ne kadar doğru?
İsabet sayısı binom dağılımına uyduğundan oranının standart sapması olur. Tipik hata ile orantılı olarak azalır. Nokta sayısını on katına çıkarmak hatayı yaklaşık kat küçültür. Hatayı on kat küçültmek içinse yaklaşık yüz kat fazla nokta gerekir. Bir milyon noktada bile π için belirsizlik yaklaşık ±0.003’tür. Bunu değerlendirmek için gerçek alanı bilmek gerekmez. yerine gözlenen oranını koymak aralığını, yani yaklaşık %95’lik bir güven aralığı verir. Burada aralık en az on isabet ve on ıskadan sonra gösterilir. Deney aynı ile birçok kez tekrarlansa yaklaşık her yirmi aralıktan biri gerçek değeri kaçırır. Alttaki mavi huni her için gerçek değerin çevresindeki aralığı ayrı ayrı gösterir. Bütün yörüngenin huninin içinde kalması gerekmez. Tek bir deneyde hata sürekli azalmaz: daha fazla nokta eklemek tahmini gerçek değerden biraz uzaklaştırabilir. Düzenli olarak daralan, aralığın kendisidir.
Ne zaman avantaj sağlar?
Tek değişkenli düzgün bir fonksiyon için Simpson kuralı gibi deterministik bir yöntem (bkz. sayısal integrasyon), aynı sayıda fonksiyon değerlendirmesiyle çok daha doğru sonuç verir. Monte Carlo yönteminin üstünlüğü, yakınsama hızındaki üssünün boyut sayısıyla değişmemesidir. Oysa her kenarında nokta bulunan bir ızgara, boyutta nokta gerektirir. Bu nedenle yüksek boyutlu problemlerde Monte Carlo daha iyi bir seçim olabilir. Küçük hedeflerde zayıf yanı ortaya çıkar: alana göre bağıl standart hata olduğundan karenin yüzde birini kaplayan bir bölge için aynı bağıl doğruluğa ulaşmak çok daha fazla nokta gerektirir.
Nelere dikkat etmeli?
- Rastgele noktalar eşit aralıklarla dizilmez. Birkaç yüz noktada kümeler ve boşluklar görülmesi olağandır.
- Noktalar, sayısal bir tohum kullanan sözde rastgele sayı üretecinden gelir. Bu nedenle paylaşılan bağlantı aynı noktaları yeniden gösterir. Bir milyon noktaya ulaşınca «Nokta at» bir sonraki tohumla baştan başlar.
İlgili konular
Ek okumalar: Vikipedi: Monte Carlo method (İngilizce).