Redalyc

Sistema de Informacin Cientfica

Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

BARRERA R., MAURICIO;TREJOS CARPINTERO, ALVARO;CARVAJAL OLAYA, PATRICIA INTEGRACIN MONTECARLO Scientia Et Technica, Vol. XII, Nm. 32, diciembre-sin mes, 2006, pp. 331-334 Universidad Tecnolgica de Pereira Colombia
Disponible en: http://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=84911652058

Scientia Et Technica ISSN (Versin impresa): 0122-1701 scientia@utp.edu.co Universidad Tecnolgica de Pereira Colombia

Cmo citar?

Nmero completo

Ms informacin del artculo

Pgina de la revista

www.redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

Scientia et Technica Ao XII, No 32, Diciembre de 2006. UTP. ISSN 0122-1701

331

INTEGRACIN MONTECARLO
RESUMEN Este documento presenta un mtodo para evaluar integrales definidas utilizando nmeros aleatorios, mtodo que es muy poderoso sobre todo cuando se trata de resolver integrales en mltiples dimensiones. PALABRAS CLAVES: Integral, Simulacin, Monte Carlo. ABSTRACT This paper presents a method to evaluate integrals using random numbers, method that is very powerful especially when it is a question of solving integrals in multiple dimensions. KEYWORDS: Integral, Simulation, Monte Carlo. ALVARO TREJOS CARPINTERO Estadstico Profesor Asistente Master en Investigacin de Operaciones y Estadstica Universidad Tecnolgica de Pereira alvarot@utp.edu.co PATRICIA CARVAJAL OLAYA Estadstica Profesor Asistente Master en Investigacin de Operaciones y Estadstica Universidad Tecnolgica de Pereira pacarva@utp.edu.co Grupo de investigacin: Estudio y aplicacin de herramientas estadsticas modernas en la solucin de problemas del entorno Multivariado MAURICIO BARRERA R. Ingeniero Industrial Profesional Universitario Universidad Tecnolgica de Pereira mauriciobarrera@utp.edu.co

1. INTRODUCCION

Los modelos de simulacin son tiles para describir algunos fenmenos de la realidad. As la simulacin trata fundamentalmente de construir modelos abstractos en una computadora de tal forma que describan la parte esencial del comportamiento de un sistema de inters, pudindose entonces disear y realizar experimentos con el modelo y posteriormente extraer conclusiones de sus resultados. Los modelos de simulacin tienen su origen en los trabajos de John Von Neumann, pero solo es apreciable su poder cuando se introduce el computador moderno. Para la implementacin de un modelo de simulacin se hace necesario entonces, tener en primera instancia una fuente de nmeros aleatorios que representen las observaciones del fenmeno, unas transformaciones de estas observaciones para alimentar el modelo, un procesamiento de las salidas del modelo y un anlisis de las respectivas estadsticas resultantes.
Fecha de Recepcin: 31 Agosto de 2006 Fecha de Aceptacin: Dejar en blanco

En este documento se va a mostrar como los nmeros aleatorios, adems de ser la base fundamental de cualquier modelo de simulacin, tambin permite, entre otras, hacer evaluaciones de integrales definidas, herramienta til en las ciencias y en la ingeniera. 2. INTEGRACIN Sea f ( x) una funcin, deseamos resolver entonces el problema de calcular la siguiente integral:

= f ( x)dx
0

(1)

Para calcular el valor de la integral observemos que si U es una variable aleatoria distribuida uniformemente en el intervalo (0,1), entonces es posible expresar a como:

332 (2) Si Ui,...,Up son Variables aleatorias independientes y uniformes, entonces g(Ui), .,g(Up) son variables aleatorias independientes e idnticamente distribuidas con valor esperado . Utilizando la ley fuerte de los grandes nmeros que enuncia que con probabilidad 1.

Scientia et Technica Ao XII, No 32, Diciembre de 2006. UTP

= E ( f (u ))

Si se reemplaza

por

en (5) se tiene

i =1

2 P x = 2 n
Si

(6)

f (u i ) E ( f (u )) = P

(3)

infinito en (6), se convierte en (7)

Por consiguiente, es posible aproximar el valor de la integral, generando una gran cantidad de nmeros aleatorios Ui, evaluar f ( x ) en cada Ui, sumar estas cantidades y dividir entre el numero de nmeros aleatorios.; obteniendo entonces una aproximacin al verdadero valor de la integral cuando la cantidad de nmeros aleatorios tiende al infinito. 3. LEY DE LOS GRANDES NUMEROS Aunque el tema central de este documento es la integracin a travs del uso de nmeros aleatorios, es conveniente hacer algunas claridades y justificaciones sobre el teorema que sustenta todo el mtodo. Primero que todo se debe mostrar un teorema de Concentracin de distribuciones llamado Desigualdad de Chebyshev que va a ser la base de todo nuestro anlisis. Si X es una variable aleatoria con media

P x = 0
De este modo, la probabilidad de que

, con epsilon pequeo, tiende a media en mas de ser igual a cero a medida que aumente el tamao de la muestra. Este teorema llamado Ley Dbil de los Grandes Nmeros seria suficiente para nosotros si lo que interesara fuera la convergencia en probabilidad de

difiera de la

f (Ui)
n

E ( f (u ))

(8)

En realidad, el inters radica en la convergencia casi segura del promedio de variables aleatorias

f (Ui)
n

E ( f (u ))

(9)

y varianza

, entonces para cualquier valor de k > 0 se tiene que

P [ X k ]

1 k2

O en otras palabras el problema radica en garantizar la convergencia

(4)

lim
n

f (Ui) = E ( f (U ))
n

(10)

Esta desigualdad muestra que la cantidad de rea de la distribucin, situada fuera del intervalo

k x + k

1 es a lo sumo igual a 2 , k

dando as una idea de la concentracin de una variable aleatoria sin importar como se distribuya. Ahora si se tiene una sucesin de variables aleatorias X 1, X 2,..., Xn , Independientes con media y desviacin estndar se tiene para cada aplicando la desigualdad de Chebyshev [4]
2

Afortunadamente el problema fue solucionado ya por los matemticos a travs de un teorema llamado Ley Fuerte de los Grandes Nmeros, que enuncia que bajo algunas consideraciones muy generales el promedio de variables aleatorias de una muestra convergen con probabilidad 1 a la esperanza matemtica de la variable en cuestin. As es la Ley Fuerte de los Grandes Nmeros el teorema que justifica el mtodo de integracin Monte Carlo como llaman algunos autores [4]. Aunque la demostracin del teorema no es el objetivo del presente trabajo se recomienda la consulta de textos avanzados de probabilidad como el indicado en la referencia [5] en el cual se explica con detalle la validez y las condiciones bajo las cuales funciona.

> 0,

xi k 1 P 2 n n k

(5)

Scientia et Technica Ao XII, No 32, Diciembre de 2006. UTP

333

4. METODOLOGIA Habiendo abordado ya las cuestiones tcnicas referentes a la justificacin de los teoremas de convergencia se procede a ilustrar con un ejemplo el proceso de clculo de integrales a travs de nmeros aleatorios. Supongamos que se requiere calcular el valor de

f ( x ) dx

(12)

Si se hace la sustitucin:

x dx
3 0

z=
Se tiene que

xa ba

dz =

dx ba

Es evidente que esta integral da como resultado pero sirve como ejemplo. El proceso entonces es el siguiente: Generar una gran cantidad de nmeros aleatorios entre 0 y 1 (para nuestro ejemplo n =1000). Evaluar f (Ui ) ( en el ejemplo Ui )
3

0
1

f ( a + (b a )z )( b a ) dz (13)

O en otros trminos

= g ( z )dz
0

(14)

Sumar y dividir entre n ,

1000

f (Ui)
n

Ui 3
i =1

Con

g ( z) = (b a) f (a + (b a) z)

1000

Y queda solucionando el problema de la integral con lmites [a, b] de integracin. As sustituciones anlogas integrales impropias tipo (11) permiten resolver las

Aproximar la integral al resultado

f (Ui) f ( x)dx
n
0
3

En el ejemplo de integrar x entre 0 y 1 se utiliz una serie de nmeros aleatorios uniformes generados en Excel con una aproximacin de 0.254 con un error del 1.6% con respecto al verdadero valor de la Integral. La cuestin radica ahora en encontrar alguna transformacin apropiada para calcular cualquier integral definida. Con dz = Y obteniendo

= f ( x)dx
0

(15)

Haciendo simplemente la sustitucin

z=

1 x +1

1 dx = z 2 dx 2 ( x + 1)
1

1 f ( 1 1)dz z z2

5. CONCLUSIONES (16)

Este mtodo de evaluar integrales puede ser mejorado con algunas tcnicas de reduccin de varianza, como lo son el uso de las variables antitticas, variables de control, entre otros.

Aunque es cierto que un mtodo numrico tradicional como la regla de Simpson es mas eficiente para resolver integrales unidimensionales, resulta ineficaz para una integral multidimensional y es aqu donde es poderoso el uso de nmeros aleatorios, as para evaluar integrales de

334 orden mayor o igual a cinco 5 es superior el mtodo de nmeros aleatorios que la regla del trapecio y para dimensiones superiores a ocho 8 los nmeros aleatorios se vuelven superiores a cualquier mtodo numrico de integracin. [4] En trabajos adicionales se mostraran mtodos para resolver ecuaciones integrales y sistemas de ecuaciones lineales con nmeros aleatorios y ms exactamente con simulacin Monte Carlo.

Scientia et Technica Ao XII, No 32, Diciembre de 2006. UTP

6. BIBLIOGRAFIA

[1] LAW-KELTON. Simulation Modelling and Analysis Third edition. Mc Graw Hill 2000 [2] THOMPSON James R. Wiley John and Sons. A Modellers Approach. 2000 [3] ROSS. Sheldon. Simulacin. Prentice Hall. 1999 [4] INSUA - INSUA - MARTIN. Simulacin Mtodos y Aplicaciones Alfa omega. Limusa 1991 [5] CRAMER Harald. Estadstica. Aguilar.1968 Mtodos Matemticos de