Integracin por el mtodo de Montecarlo

Estudiante: Diego Orellana V.

Descripcin Breve del Mtodo

En esencia son algoritmos que permiten encontrar una evaluacin aproximada de una integral definida,
mediante la simulacin de variables aleatorias, normalmente tienen mayor eficiencia en integrales de
mltiples dimensiones. A diferencia de los algoritmos utilizados comnmente en mtodos numricos
donde la integral se evala en punto distribuidos uniformemente en las superficies de integracin, en los
algoritmos de Montecarlo los puntos donde se evaluara la funcin son generados de forma aleatoria o
pseudoaleatoria.

Explicacin Grfica

El rea a integrar est rodeada por un cuadro delimitador, dado a que el cuadro delimitador es un
rectngulo se conoce su rea (b-a)(d-c).

Los pares (x,y)de nmeros aleatorios entre a y b y entre c y d, se generan utilizando un generador de
nmeros aleatorios de alta calidad (existen muchas tcnicas para su generacin). Los puntos que se
distribuyen al azar dentro del rectngulo, algunos caern debajo de la curva y otros caern por encima de
ella. Es fcil saber cules cayeron debajo, simplemente se compara la componente y generada de
manera aleatoria con la y calculada, esta ltima se obtiene reemplazando la x aleatoria en la funcin.

La probabilidad de que los puntos caigan debajo de la curva (Pts debajo/Pts total), es proporcional a la
relacin (rea bajo la curva)/(rea del cuadro delimitador)

En resumen el rea bajo la curva se aproxima generando miles o millones de puntos de manera aleatoria,
y luego se multiplica la relacin (Pts debajo/Pts total) por el rea del cuadro delimitador

Puntos Area
100 10.830.83
1000 10.720.26
100000 10.700.23

Fig 1.- Integracin de Montecarlo

Fuente: http://www.drcruzan.com

Mientras mayor sea el nmero de puntos mayor ser la precisin del clculo, es posible estimar el nmero
de puntos necesarios suponiendo una distribucin normal y estableciendo el intervalo de confianza
requerido.
Fundamento Matemtico
1 1
= ()() () 0, () = 1
0 0

Sorteando N variables aleatorias X1, . . . , XN segn f(X) y haciendo la media aritmtica

1
= ( )

La cantidad es un estimador insesgado de G y el teorema de Montecarlo establece que

[ ] =
La ley de los grandes nmeros dice que:

( lim ) = 1

Y el teorema del lmite central nos especifica el margen de error con cierto nivel de confianza
correspondiente a = .
1 2
1 1
2
lim ( < < ) =
2
Tomando una desviacin estndar tenemos que el error en la estimacin es:
1
| | =

En la prctica no se conoce la desviacin estndar por tanto se puede utilizar el estimador:

1
= [( ) ]2
2

=1

Estas expresiones se pueden extender facilmente sobre d variables y el error sigue escalado para 1
independientemente del nmero de dimensiones d lo cual supone una ventaja cobre mtodos como la
regla del trapecio donde el error aproximado es 2/ y con la regla de Simpson con error 4/

Dado que el tiempo de clculo es proporcional al nmero de veces q se evala la funcin resulta claro que
en este sentido el Mtodo de Montecarlo resulta ms eficiente.

Existe algunos mtodos de muestreo que permiten mejorar la convergencia del mtodo, entre los ms
utilizados estn:

o Muestreo por Importancia

o Uso de valores esperados
o Mtodos de Correlacin.
Ejemplo En Matlab una variable

% generamos un conjunto de 1000 pares aleatorios de x(0, pi) y y(0, 1)

x = pi*rand(1, 1e3);

% encontramos todos los valores de y < sin(x)

z = y(y<=sin(x));

% estimamos de la integral abs(sin(x)) para x(0, 2pi) como una razn de

probabilidad
% el valor real de la integral es 2
intest = pi*length(z)/length(x);

Obtenemos 635 puntos debajo de la curva al multiplicar por el rea del rectngulo tenemos un valor
aproximado de 1.9949
Ejemplo En Matlab dos variables

g=0;
x= rand(1, 1e3);
y= rand(1, 1e3);
s=2*rand(1000);
[xx,yy]=meshgrid(x,y);
zz=xx.^2+yy.^2;
%surf(xx,yy,zz)
for i=1:1000
for j=1:1000
if s(i,j)<=zz(i,j)
g=g+1;
end
end
end
g=2*(g/1000000)

Se obtiene 324450 puntos bajo la curva, al multiplicar por el volumen del cubo tenemos q el volumen bajo
la superficie es igual 0.6518, el valor real es 0.66