Documentos de Académico
Documentos de Profesional
Documentos de Cultura
406-4
RESUMEN SUMMARY
El propósito del presente trabajo es exponer una nueva The aim of this work, is to show a new aproxímate resolution
técnica de resolución aproximada de problemas estocásticos technique for stochastic problems and among them, those
y, dentro de ellos, los relacionados especialmente con las related to stochastic differential equations.
ecuaciones diferenciales estocásticas.
The application of the proposed method to severa! cases has
La aplicación del método propuesto a varios casos ha allowed to emphasize its possibilities in relation to other
permitido destacar las posibilidades del mismo en relación classical methods such as Taylor and Monte Cario methods.
con métodos clásicos tales como los de Taylor y Monte
Cario.
Por otra parte el estudio es más complicado cuando Por otro lado y en cuanto a la técnica de discretización
los problemas contienen no sólo variables aleatorias, se refiere, podemos señalar que la conexión de nues-
sino procesos estocásticos entre sus parámetros; en tro planteamiento con la teoría de polinomios ortogo-
estos casos el objetivo suele limitarse a la obtención nales nos ha permitido generalizar los resultados ex-
aproximada de los primeros momentos de Y, especial- puestos por Rosenblueth en [14].
mente media y vahanza siendo esto suficiente para la
mayoría de las aplicaciones técnicas. Finalmente destacar que en este trabajo no se preten-
de exponer con todo detalle los desarrollos teóricos
necesarios, sino que el objetivo es más bien dar una
Asimismo puede indicarse que se han desarrollado
visión global del método indicando, con varios ejem-
muy diversos métodos, en cuanto a técnicas emplea-
plos, las posibilidades que ofrece y el alcance del
das se refiere, debido por otro lado a la gran variedad
mismo.
de tipos de ecuaciones que suelen plantearse en di-
chos modelos estocásticos. En relación con esto, pue-
den destacarse las publicaciones: Bharucha-Reid [4],
2. Generación de distribuciones discretas de variables
[5], [6] Boyce [7] y Sheidt y Purkert [15].
aleatorias basada en la teoría de la cuadratura de
Gauss.
Por nuestra parte en el presente trabajo, y con una lí-
nea diferente a las de las publicaciones anteriormen- Los métodos de Taylor y de Monte Cario (v. Benjamín
te citadas, aportamos un método original basado en la y Cornell [3] y Ang y Tang [1], [2]) son los que habitual-
discretización de las variables aleatorias, datos que in- mente se emplean en la resolución aproximada de pro-
tervienen en el problema. Esta idea de discretización blemas estocásticos a pesar de que tienen ciertas li-
permite tratar desde el punto de vista numérico y de mitaciones: En primer lugar el método de Taylor exige
manera sistemática un conjunto muy amplio de proble- para su aplicación la existencia y continuidad de cier-
mas, entre los cuales se encuentran los de contorno to número de derivadas de la función g para poder apro-
y los de autovalores estocásticos. ximar los momentos de la variable aleatoria
Y=g(Xi,X2,...Xq)
En concreto el procedimiento consiste en asociar a ca-
da una de las variables aleatorias datos, una sucesión
de variables aleatorias discretas y finitas cuyos momen- en función de los momentos de las variables X-|,
tos convergen a los de las primeras. Para ello se elige X2,...,Xq. En segundo lugar la aplicación de este méto-
un tipo especial de discretización, que ofrece la posi- do a problemas estocásticos para los que g no se co-
bilidad de aproximar además en condiciones bastante noce ni explícita ni implícitamente (problemas de con-
generales los momentos de variables aleatorias que torno, autovalores, etc.) exige de recursos adicionales
son función de las variables aleatorias datos, e inclu- como las técnicas de perturbación (v. Boyce [7] y Hai-
so aproximar sus funciones de distribución exactas nes [10]), dando lugar en estos casos a una aplicación
mediante otras construidas a partir de las funciones muy laboriosa del método.
de distribución de las variables discretizadas. Por otro lado, la aplicación del método de Monte Cario
evita algunos de los inconvenientes del método de Tay-
Los fundamentos teóricos del método que proponemos lor (cálculo de derivadas, técnica de perturbación, etc.),
podemos enmarcarlos dentro de la teoría de polinomios pero la limitación que tiene este método, respecto de
ortogonales y particularmente en la cuadratura de sus conocidas ventajas, es necesitar el empleo de
Gauss. muestras de gran tamaño para que sus resultados pue-
dan considerarse aceptables.
El método, por otra parte, guarda una cierta analogía Frente a los inconvenientes de los métodos anteriores
con el de Monte Cario al basar la resolución del pro- destacamos el método de discretización, el cual per-
blema estocástico en la resolución de una familia de mite dar un tratamiento computacional sencillo a es-
problemas deterministas los cuales resultan, en este tos problemas, al basarse en la discretización de las
caso, de considerar las distintas combinaciones de va- variables aleatorias que intervienen como datos o pa-
lores de las variables discretizadas. rámetros. Esta idea de discretización se expone segui-
damente aplicada a un problema particular de pandeo
Es interesante indicar también, que para la aplicación estocástico.
del método no es necesario conocer la distribución
exacta de las variables datos sino simplemente los pri- Sea una pieza recta de longitud L y rigidez variable El(x)
meros momentos, los cuales pueden ser estimados a empotrada rígidamente en x = O y elásticamente en
partir de datos obtenidos experimentalmente (histogra- X = L, siendo la constante de empotramiento elástico
mas). la variable aleatoria k(aj). (Fig. 2.1).
EKx) Kioj)
(i;
x=0
• ^ • ( ' : ; : : . . ' : )
(El(x)y')"+Py"=0
y(0) = 0 Obsérvese que el esquema es análogo al de Monte Gar-
[PK(CO)] <^ y'(0) = o (2.1) lo, considerando que la realización de una muestra de
y(L) = o tamaño n para la variable aleatoria X podría interpre-
EI(L)y"(L) + K(ü))y'(L) = 0 tarse como el conjunto de valores que toma la varia-
\ ble discreta Xp donde cada valor lleva asociada la pro-
babilidad 1/n.
no siendo posible una expresión explícita de la mis-
ma ni aún en el caso más simple en que El(x) = C^e.
Sin embargo, nuestro propósito es elegir una sucesión
de variables aleatorias discretas {XnJneIN de modo que
El procedimiento que proponemos para aproximar las
para cada n fijo las variables X y Xn tengan en común
características estocásticas de Per consiste en asociar
el mayor número posible de momentos, con objeto de
a K la variable aleatoria discreta finita Kp:
que Xn "almacene" la mayor cantidad de información
estadística posible (en el sentido de los momentos) de
K = (PnlPn2-Pnn )
la variable X.
*n1 *n2 - ^ n n
Sea fx(x) la función de densidad de la variable X y sea Véase que de esta forma para cada n e IN queda defini-
Sop (fx) = [a,b] (intervalo acotado o no) el soporte de da Xn y que por tanto puede construirse una sucesión
dicha función, entonces en el espacio fXnln>1 asociada a X. Debe observarse por otro lado
que (Xn}n>1 se basa sólo en los momentos «j^; k =
D = 0,1,... y no en la distribución dada por fx, es decir
<oo X puede no quedar unívocamente determinada por sus
momentos como le sucede a las variables Logarítmico-
L'(a.b.yx))={g(x) / f lg(x)|'f^x) dx Normales (v. [13]). Sin embargo, cuando X queda unívo-
camente determinada por sus momentos (por ejemplo
cuando X es acotada), la convergencia de momentos
se puede definir el producto escalar de Xn a X esto es para cada k, a\(n) - a^ garantiza la
b convergencia en distribución de (Xnln > i a X (v. [11]
<g,h>=fg(x)h(x)fp^x)dx. y [12]) teniéndose:
v.a. X
\'n) 'nn/
i i fw = Íp„i6(x-t„i)
Pni
y^^^^^"'
<^^V Pne f p
VÁ
a '
'//'Zv7y///yA\
b
-x
^
.t 1 . J
a tni tní tni tnn b
rb
fx(x) dx=l .^Pni=l , Pn¡>0 •,i = l, n
^ 1=1
Q
rb
«k = E[x'*] = x*^yx)dx «r(n)=E[xi;]=Et|;, p„i
Q
[ Fx(x) \ Fx(x)
1- 1 }
p
•nn
¡ Pni
P '
i
X Pmr 1 X
0 si x<t„i
rX
k
Fx(x) = fx(x)dx Fx (x)= J.^ Pni Si t n k ^ X <tnk+i
1=1
-00
'.1 si t„„^x
F\g. 2.3
(q)
prob{x;;^^ = f , .-.X'^^C }= (t^'^ , C C )Ixq / 2x(n^xn2X.j(nq)
\^-\
= E [<^l<^]
X, X , ...X^
n, n j . . . Rq
Un resultado inmediato que se obtiene como conse- donde {yi, y2v,ym} ©s el conjunto (ordenado en senti-
cuencia de la independencia es: do creciente) de las imágenes obtenidas mediante g
del conjunto de puntos
"Sean
\u,...^ y «\k2...K,("i'"2'-'^)
Iimp\(n^.n2.n ) = pj^
x\-{Xn\'\xnf Xn^^^)
n -•oo
asociada a la variable vectorial q-dimensional
y {Y„ „ I converge en distribución a Y".
x = ( x , . X 2 x^)
CKi ¡ = 1 "r
dades asociadas) para estos polinomios puede llevar- una función de distribución aproximada para la varia-
se a cabo con gran exactitud. En este sentido, uno de ble aleatoria Y tomando como referencia la función de
los manuales que contiene varios programas de cálculo distribución de Yni n2...nq. En este sentido puede to-
y tablas que dan los ceros y números de Chhstoffel pa- marse a la propia distribución de la variable discreta
ra una amplia gama de funciones peso incluidas las de Yni n2...nq como función de distribución aproximada
los polinomios clásicos, es el de Stroud y Secrest [17]. en virtud de la convergencia en distribución de la su-
cesión {Yn-| n2...nq) a Y. No obstante puede interesar
En [13] exponemos la relación entre los valores tpi, Pnil en ciertos casos ajustar una distribución clásica a partir
i = 1,...,n de la variable aleatoria Xn asociada a la varia- de la información contenida en la distribución aproxi-
ble X en los casos de variable Uniforme, Normal, Ex- mada (por ejemplo a partir de los momentos).
ponencial, Gamma y Beta y los ceros y números Chhs-
toffel de los respectivos polinomios ortogonales clá- También se ha de indicar que en aquellos casos de con-
sicos. También en dicha referencia se indica la forma vergencia (por ejemplo g continua con X¡; 1,..., q aco-
de proceder en la construcción de las vahables discre- tadas) el método expuesto permite aproximar tanto co-
tas cuando las variables de partida poseen distribucio- mo se desea las caracteristicas estocásticas de Y a par-
nes no clásicas. tir de las de Yn-| n2...nq aumentando el número de pun-
tos de discretización.
(2) Obtener la variable aleatoria discreta Yp o con no-
tación más explícita Yni...nq asociada a
4. Aplicaciones
Y = g(Xi,X2,...,Xq)
La aplicación del método de discretización propuesto
donde Yn^ n^ ... n =g (Xn/^^. Xn^^.,•xn'"' ) = a diferentes supuestos prácticos, en los que son co-
nocidas las distribuciones de probabilidad de las va-
J1): J2) : riables aleatorias independientes que intervienen en el
f^l 'i P^ «2-P^q 'q
problema y la existencia de sus momentos de cualquier
.H): J2); . W: orden, pone de manifiesto que es superior en muchas
g(1n^ «1 . frfe «2' •• ^q 'q)^^ / 2x(n^xn2X...xnq)
situaciones a otros métodos existentes, en aspectos
tales como la sencillez de los cálculos analiticos ne-
con ¡1 = 1,...,ni ; ¡2= 1,....n2; iq= 1 nq.
cesarios o la bondad de las aproximaciones para un es-
fuerzo de cálculo similar.
Tal y como se indicó, dicha variable discreta, una vez
ordenadas las imágenes y sumadas las probabilidades Seguidamente se exponen dos ejemplos, en el prime-
respectivas, se pondrá en la forma: ro la función g está dada explícitamente. En el segun-
do dicha función viene definida mediante un problema
de autovalores estocásticos.
Yn^n^.-.n^
Vi ^2 "-yn Ejemplo 1
Por otro lado, en el caso de que g esté dada explícita- Se desarrolla aquí una aplicación del método propuesto
mente, el cálculo de Yni n2....nq se reducirá a la sim- a un problema particular de Mecánica de Suelos.
ple evaluación de g en ni x n2 x...x nq puntos.
Concretamente nos proponemos estimar los primeros
Asimismo, cuando la relación entre Y y Xj ; i = 1,...,q momentos de la resistencia al esfuerzo cortante r de
sea implícita, la determinación de la variable discreta un suelo mediante la fórmula de Coulomb:
asociada Yn-| n2...nq implicará la resolución de ni x n2
X nq ecuaciones algebraicas o trascendentes de tipo T = C + atg0
determinista.
suponiendo que la cohesión C, la tensión normal a y
Análogamente, cuando g esté definida mediante un pro- el ángulo de rozamiento 0 son variables aleatorias in-
blema estocástico (de valor inicial, de contorno, etc) la dependientes, con unas distribuciones de probabilidad
determinación de la citada variable discreta requerirá conocidas.
la resolución numérica de ni x n2 x...x nq problemas
deterministas. Para este caso se ha supuesto que las variables de par-
tida C, a y </) tienen distribución uniforme en los inter-
(3) Estimar los momentos de Y a partir de los corres- valos siguientes: C(kg/cm.2) en [4,24] a (kg/cm.2) en
pondientes de Yni n2...nq. Asimismo construir también [9,21] y 0 (grados) en [11,26].
donde Cn-|, an2 y 0n3 son variables aleatorias discre- < (3). A -io
Varianza =
n Media = ^*^{n) ^3*(n) ^4(n)
= /32*(nWi*2(n)
Tabla 4.1
0.5
0.5
0.5+
A continuación se realiza una estimación de los mo- media como cifra segura.
mentos de r, mediante la simulación de Monte Cario,
con objeto de comparar dichos resultados con los ob-
tenidos por el método propuesto. En la Tabla 4.2 se in- Asimismo, en las Figuras 4.7 a 4.10 pueden observarse
dican los valores obtenidos en cuatro realizaciones dis- las gráficas de distribuciones empíricas de r. F1257.(y)
tintas para muestras de tamaño N = 100,1000 y 10000 y FIOOO7- (y) construidas para dos realizaciones mués-
respectivamente. Los momentos muéstrales son desig- trales de tamaño N = 125 y 1000 respectivamente. Com-
nados por i3*k. parando estas funciones de distribución aproximadas
de T con sus homologas (en lo relativo al número de
A destacar la lenta convergencia de los valores obte- puntos) FT5,5,5(T) y FTIO,IO,10 (y) Puede ponerse de ma-
nidos hacia los valores límites; en este sentido véase nifiesto la gran influencia de la realización muestral,
incluso que con muestras de tamaño N = 10000 no en la forma de las mismas, lo cual permite destacar una
puede ni siquiera darse el primer dígito decimal de la vez más las posibilidades del método propuesto.
Realización Varianza =
f\/ledia = /^t* ^3* ^4*
muestral
Tabla 4.2
1.0f-T-
0.51 0.54
(Monte Corlo)
0.1
..^L-y
Fig. 4.7 Fig. 4.9
I.Of I.Of
0.54 0.54
yT F,„^(y)
j ^ (Monte Corlo)
1 '^ 00
0.1 11 ^"* ó
I» 35 )
I I 1 1 1 1 1
y"(x)-i-Xy(x) = 0
Llamando y(0) = o
(4.4)
Y = T, Xi = C. X2 = a y Xg = 0 (rad.) y'(1) + e(a))y(1) = 0
e^O. x€[0.1]
Se obtiene:
donde €(co)=k(co)/T siendo T la tensión del hilo.
áx;=^'ax¡-^^ 3. 5X3-^^32^^ .y
2^2^ E[X2l
D'[T]=D'[Y]«D''[XJ+(tgE[X3l) 01X2] + 12) [0,0.5], 22) [O, 1], :^)[0,2]. 42) [0, 4],
•DX
COS'EDCJ"'''
52) [0,8], 62) [0,16], 72) [0,32].
= 36.2657282
La relación entre las variables X y e puede obtenerse
Véase que los valores estimados de la media y la va- en forma implícita, siendo ésta:
rianza de T son peores que los obtenidos mediante
7"2,2,2 (v- Tabla 4.1 para n = 2). 77 =-etg VX (4.5)
Además, la determinación por el método de Taylor de La gráfica de Xi = g(e) correspondiente a la rama que
expresiones que aproximen momentos de orden supe- da el autovalor positivo más pequeño, es (ver Fig. 4.12),
rior a dos e incluso que mejoren los resultados dados donde g establece una correspondencia biunívoca en-
por (4.2) y (4.3) para los dos primeros momentos, llega tre el intervalo (O, -i- 00) de e y (TT^M, TT^) de Xi.
a ser prácticamente inviable, debido a la complejidad
de las fórmulas que resultan.
Los momentos i^k = E [Xi^]; k = 0,1,2,... pueden esti-
marse a partir de jSk * (n) = E [(Xi)nk] = E [gk (ep)] don-
Esta limitación del método anterior, contrasta en gran de en es la variable aleatoria discreta asociada a e que
medida con la sencillez de aplicación de la técnica posee los mismos momentos que dicha variable has-
propuesta. ta el de orden 2n-1.
y análogamente
Fig. 4.12
K* = Q2*(^) = ao + ai (e - EQ) + 32 (e - e^y.
Sea
De esta forma en el primer caso, la esperanza es:
Pnn
E[X^] = E [ g ( e ) ] - E [ x ; ] = a^
tnn
y la varianza
la determinación de
D'[Xj=D'[g(e)l-D'[x;]=a'D'[e]
' Pn1 Pn2 Pnn
( \ ) n = g(^n) = análogamente en el segundo:
g(tn1) g(tn2) g(tnn),
E[Xj^E[xn = a +a DMe]
1 1 o 2
equivale a resolver (4.4) para cada e = t n i ; i = 1,...n,
2 ,^2 ,
o lo que es lo mismo en este caso, resolver la ecua- D^[XJ -D''[x;]=a'D''[e]-a2(D'[eir
ción (4.5) y a asociar a cada solución la probabilidad
Pni ; i = 1,..., n. + 2a^a2E[(e-e/l+a'E[(e-e/]
Pni = Ani/2
e^ = E[e] = b/2 . D^[e] = b^/12, E[(e - ef 1=O y
e„ = tn¡=-(Zn¡-Hl)
E[(£-£/]=b'/80
1=1,2. ...n
Casos:
n
1.°) [0,05] 2.«) [0,1] 3.«) [0,2] 4.*») [0,4] 5.») [0,8] 6.°) [0,16] 7.°) [0,32]
Tabla 4.3
Casos:
Realización
IVIuestral 1.^) [0,5] 2.«) [0,1] 3.*») [0,2] 4.*») [0,4] 5.°) [0,8] 6.°) [0,16] 7.°) [0,32]
il
M* = 2.9375459500 3.337940120 4.038976490 5.04322843 6.16367922 7.23765458 8.13232718
Z 3
V* = 0.0683700530 0.238839040 0.642732068 1.33364961 2.08247058 2.32533484 2.09853337
Tabla 4.4
Casos:
I.*') [0,05] 2.«) [0,1] 3.^) [0,2] 4.'') [0,4] 5.*») [0,8] 6.«) [0,16] 7.«) [0,32]
Tabla 4.5
asociadas a cada variable X ¡ ; i = 1, ...q. De esta mane- tamente, aproximando las integrales mediante fórmu-
ra, una muestra de tamaño N está formada por las de cuadratura producto tipo Gauss, llegándose evi-
N q -uplas dentemente a los mismos resultados. Sin embargo el
enfoque dado aquí interpretando los ceros y números
de Christoffel en términos de una variable aleatoria dis-
(tní'!¡i(Í),tnf,¡2(j) tnJ!i^(j)):j = 1....N
creta, ha permitido la utilización del lenguaje estadís-
tico desde el principio lo cual nos ha llevado a slj vez
donde cada y de forma natural al concepto de variable aleatoria dis-
creta asociada a la variable aleatoria incógnita, siendo
asimismo inmediata la construcción de su función de
tn':'¡ (j)
distribución, hecho que no resulta evidente desde el
planteamiento anterior.
representa para cada j = 1,...N un valor al azar de entre
Por otro lado hay que indicar que el método aportado
, (a) (a) ^ (a) , puede ser también utilizado como "patrón" y como al-
{tn„1.tn^a tn,. n„} ternativo al de Monte Cario, ya que en caso de conver-
gencia, la discretización de cada variable aleatoria en
obtenido mediante la distribución un número creciente de puntos permite aproximar tanto
como se desee la función de distribución y los momen-
Fx(«) a=1,...,q. tos de la variable aleatoria incógnita, sin los inconve-
nientes de depender de la realización muestral.
De esta forma, las características estocásticas de la También se ha de indicar que el citado método puede
variable Y = g(X-|,X2,...,Xq) pueden ser estimadas a par- aplicarse en combinación con otros, discretizando só-
tir de los valores de la muestra: lo algunas de las variables aleatorias inmersas en el
problema, e incluso todas si hubiese procesos esto-
{Vi -g(^l\(i) ,tn^'\iJ)):i = i,...N} cásticos interviniendo también como coeficientes o pa-
rámetros. De esta forma al problema estocástico resul-
tante de considerar cada combinación de valores de
Un esquema probabilístico análogo a éste ha sido pro-
las variables discretizadas, se le puede aplicar otro mé-
puesto por Hammersley (v. Davis y Rabinowitz [8]) pa-
todo de resolución, asociando a su resultado la corres-
ra reducir el problema de la dimensionalidad en la eva-
pondiente probabilidad.
luación de integrales múltiples utilizando una fórmula
de cuadratura producto tipo Gauss.
De todo lo anterior es posible concluir finalmente que
En cuanto a las conclusiones, podemos destacar que el método de discretización propuesto representa un
se ha concretado un nuevo método que permite la re- cierto avance en el campo de la Estadística Aplicada
solución aproximada de problemas estocásticos de al poder resolver mediante el mismo y con una meto-
muy diferente tipo (en [13] se desarrolla también una dología diferente a la de los procedimientos actuales,
aplicación del mismo a problemas de Pandeo Estocás- muchos de los problemas estocásticos que se presen-
tio, la cual se expondrá en un próximo artículo de In- tan en la Técnica, y particularnrrente en la Ingeniería
formes de la Construcción). Civil.
6 BHARUCHA-REID, A.T. (1979) "Approximate Solution of 12 RAMDAS BHAT, B. (1981) "Modern Probability Theory".
Random Equations". North Holland, New York-Oxford. Wiley Eastern Limited, New Delhi.
7 BOYCE, W.E. (1968) "Random eigenvalue problems". Pro- 13 ROMERO, J.L. (1989) "Tratamiento numérico de algunos
babilistic Methods in Applied Mathematics, Vol. 1. problemas estocásticos. Contribución al estudio del pan-
Bharucha-Reid, A.T. (ed) Academic Press. New York, pp deo estocástico". Tesis Doctoral, Universidad Politécni-
1-73. ca de Madrid.
8 DAVIS, P.J. and RABINOWITZ, P. (1984) "Method of Nu- 14 ROSENBLUETH, E. (1975) "Point estimates for probability
merical Integration". 2 nd edition, Academic Press, New moments" Proc. Nat. Acad, Sci. USA, Vol. 72, N.° 10, pp
York. 3812-3814.
9 GOLUB, G.H. and WELSCH, J.H. (1969) "Calculation of 15 SCHEIDT, J. and PURKERT, W (1983) "Random Eigenva-
Gauss quadrature rules" Math. Comp. 23, pp. 221-230. lue Problems". North Holland, New York • Amsterdam
10 HAINES, C.W. (1965) "An analysis of stochastic eigenva- Oxford.
lue problems". Ph. D. Thesis, Rensselaer Polytechnic 16 STOER, J. and BULIRSCH, R. (1980) "Introduction to Nu-
Institute, Troy, New York. merical Análisis". Springer-Verlag, New York.
11 LOEVE, M. (1976) "Teoría de la Probabilidad". 3.^ edición, 17 STROUD, A.H. and SECRET, D. (1966) "Gaussuan Quadra-
Tecnos, S. A. Madrid. ture Formulas". Prentice-Hall, Englewood Cliffs, New
Jersey.