Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA:
INTEGRANTES:
MAXIMO DOS
El método de Monte Carlo es un procedimiento que se aplica a sistemas de simulación en los que
existen variables de tipo estocástico, lo que implica el uso de probabilidades y su necesaria
aplicación para tratar de reducir la incertidumbre probabilística del modelo pudiendo así saber
cómo aproximarlo a la realidad luego de haberlo trabajado un número determinado de veces. Este
método pretende ser un generador de distribuciones de probabilidad y pretende también reducir la
incertidumbre probabilística por medio de la generación aleatoria de puntos y su relación con el
número de simulaciones.
Dentro del cálculo integral, específicamente, es muy frecuente encontrar integrales que resultan
difíciles de calcular debido a su gran extensión o por la poca exactitud de los resultados obtenidos,
causando retrasos y pérdidas de todo tipo.
La regla del trapecio es uno de los métodos más utilizados para calcular aproximaciones
numéricas de integrales definidas. Es la primera de las fórmulas cerradas de integración de
Newton – Cotes, para el caso cuando el polinomio interpolante es de grado uno.
b
f ( a ) −f ( b)
A=∫ f ( x ) dx ≈( b−a)[ ¿]¿
a 2
El nombre regla del trapecio se debe a la interpretación geométrica que se hace de la fórmula.
Cuando el polinomio interpolante es de grado uno, su gráfica representa una línea recta en el
intervalo [a, b] que es el área del trapecio que se forma, como se muestra en la figura.
Fuente:
http://repositorio.uned.ac.cr/multimedias/metodos_numericos_ensenanza/modulo4/descripcion.ht
ml
Es de apreciar que el error que se llega a cometer con la regla del trapecio puede ser significativo.
Una mejor aproximación se obtiene dividiendo el intervalo de integración en sub intervalos y
Fuente: http://ing.unne.edu.ar/computacion/pub/informatica/IN.pdf
Esta es la regla del trapecio para n sub intervalos. Cuantos más sub intervalos se usen, mejor
será la aproximación a la integral, hasta que la importancia de los errores por redondeo comience
a tomar relevancia.
b
A=∫ f ( x ) dx ≈( b−a) ¿ ¿
a
Además de la regla del trapecio, otra manera de obtener una estimación más exacta de una
integral es utilizar polinomios de orden superior para conectar los puntos. Por ejemplo, se pueden
conectar con un polinomio de tercer orden los puntos f(a), f(b) y el punto medio entre ellos. A las
fórmulas que resultan de calcular la integral bajo estos polinomios se les llama reglas de Simpson.
Fuente: http://ing.unne.edu.ar/computacion/pub/informatica/IN.pdf
Este método consiste en la aproximación del cálculo del área plana bajo una curva utilizando
trapecios curvilíneos a partir una interpolación con una función cuadrática:
b
( b−a ) a+b
A=∫ f ( x ) dx ≈ [f ( a ) +4 f ( ¿ )+ f (b)]¿
a 6 2
Esta aproximación es denominada “simple” debido a que utiliza tan solo un polinomio. Requiere el
conocimiento de tres puntos equiespaciados: los extremos y un punto central. Aplicando esta
expresión utilizando mayor cantidad de puntos intermedios (es decir, realizando más de un
Simpson 1/3 dentro del intervalo) puede definirse la variante “compuesta” del método para el cual
se utilizan N puntos que corresponden a n = N − 1 sub intervalos. Este caso requiere que la
cantidad de sub intervalos sean pares (el caso simple utiliza dos, por lo tanto este debe ser un
múltiplo). Por lo tanto, se define un valor h que corresponde al ancho del sub intervalo o el paso
b−a
que hay entre puntos. Se calcula como h= . Finalmente, la aproximación del área se puede
n
calcular como:
MÉTODO DE MONTECARLO
b
ne
A=∫ f ( x ) dx ≈ ( b−a )∗M
a N
main.m
% Datos para las aproximacione
clear; clc;
a = -1;% limite inferior
b = 3;% limite superior
n = 2500;% numero de puntos aleatorios a generar para simulacion de montecarlo
sim = 100;% numero de simulaciones de montecarlo
result1 = trapecio(a,b,m,f);
result2 = simpson(a,b,m,f);
result3 = 0;
function T = trapecio(a,b,m,fs)
f = inline(fs);
h = (b-a);
h = h/m;
T = 0;
g = 0;
p = 0;
for k = 1:(m-1)
g = k*h;
x = a + g;
punto_a = a;
punto_b = b;
T = h*(feval(f,punto_a) + feval(f,punto_b))/2+h*T;
end
function s = simpson(a,b,m,fs)
f = inline(fs);
h = (b-a)/(2*m);
s1 = 0;
s2 = 0;
s3 = 0;
s1 = (h/3)*(feval(f,a) + feval(f,b));
for k = 1:(m-1)
x = a + 2*k*h;
s2 = s2 + feval(f,x);
end
s2 = ((2*h)/3)*s2;
for k = 1:m
x = a + h*(2*k-1);
s3 = s3 + feval(f,x);
end
s3 = ((4*h)/3)*s3;
s = s1 + s2 + s3;
end
counter = 0;
for i = 1:n
%Se generan los puntos aleatorios que cumplen las comdiciones la funcion
rand genera un numero seudoaleatorio entre 0 y 1
xi(i) = (b-a)*rand + a;
yi(i) = rand*m;
%Se generan los puntos aleatorios los puntos que estan baja la funcion y la
funcion respectivamente.
graficar(xi,yi,trueX,trueY,A,B,a,b,m,fs);
end
function g = graficar(xi,yi,trueX,trueY,A,B,a,b,m,fs)
Para calcular el área bajo la curva de cualquier función se debe manipular el archivo (main.m) ya
que es el archivo principal.
f: es la función a evaluar.
a y b: son los intervalos en x donde vamos a evaluar f.
n: número de puntos aleatorios a graficar
sim: número de simulaciones
m: número de modos para trapecio y simpson
3
3
Calcular el área bajo la curva de ∫ 0.5 x dx =¿ , con los siguientes parámetros.
−1
PROBLEMA 1:
m = 10;
f = '(0.5).*x.^3';
PROBLEMA 2
a = -1;
b = 3;
n = 20;
sim = 5;
m = 10;
f = '(0.5).*x.^3';
PROBLEMA 3
% Datos para las aproximacione
clear; clc;close
a = -1;
b = 3;
n = 200;
sim = 10;
m = 10;
f = '(0.5).*x.^3';
PROBLEMA 4
% Datos para las aproximacione
clear; clc;close
a = -1;
b = 3;
n = 20000;
sim = 10;
m = 10;
f = '(0.5).*x.^3';
Se concluye que el Método de Monte Carlo permite calcular el área bajo la curva de una integral
definida mediante una aproximación de simulaciones numéricas, donde dicha aproximación
depende del número puntos n y las simulaciones a realizar. Donde la relación entre el número de
simulaciones y los puntos a evaluar es directamente proporcional a la aproximación del área
calculada.