PEDECIBA Informtica

Instituto de Computacin Facultad de Ingeniera

Universidad de la ep!"lica
#ontevideo$ Urugua%
eporte &'cnico & ()*(+
#'todos cuasi #onte Carlo
,ergio -esmac.no/
0(()
Mtodos cuasi Monte Carlo
Nesmachnow, Sergio
ISSN 0797-6410
e!orte "cnico " 0#-0$
%&'&CI()
Instituto de Com!utaci*n + ,acultad de Ingenier-a
.ni/ersidad de la e!01lica
Monte/ideo, .rugua2, 300#
Mtodos cuasi Monte Carlo
Sergio Nesmachnow
Resumen
Los mtodos cuasi Monte Carlo constituyen una alternativa al mtodo
Monte Carlo tradicional para alcanzar resultados aproximados a proble-
mas numricos utilizando tcnicas estadsticas. Este documento presenta
conceptos bsicos sobre los mtodos cuasi Monte Carlo. Se analizan los
principales aspectos tericos involucrados en la denicin del mtodo, las
formulaciones para el error cometido por el mtodo y se presenta el anli-
sis de dos trabajos que aplican tcnicas estadsticas tiles en la prctica
para obtener estimaciones del error.
1. Introduccin
Un mtodo Monte Carlo tradicional utiliza N puntos aleatorios para hallar
una estimacin de la solucin de un problema con un error promedio de orden
O(1/

N). Sin embargo, existen conjuntos de N puntos para los cuales el valor
absoluto del error es inferior que el valor promedio de orden O(1/

N). Los
mtodos cuasi Monte Carlo proponen trabajar sobre la idea de construir ex-
plcitamente conjuntos de N puntos que permitan alcanzar una mayor precisin
que en un mtodo Monte Carlo tradicional.
El esquema algortmico de un mtodo cuasi Monte Carlo es similar al de un
mtodo Monte Carlo tradicional, salvo que se utiliza un conjunto de puntos cons-
truido determinsticamente para evaluar la funcin relevante para el problema a
resolver. Como ejemplo, para un problema de estimacin de la integral de una
funcin f(u), la formulacin de un mtodo cuasi Monte Carlo se corresponde
con la expresin presentada en la Ecuacin 1.
_
B
f(u) du
1
N
N

n=1
xn B
f(x
n
) (1)
En la Ecuacin 1, B es un subconjunto del dominio de integracin I = [0, 1]
s
y x
1
, . . . , x
n
I es un conjunto de puntos seleccionados determinsticamente
para tratar de minimizar el error de aproximacin en la estimacin.
Para el problema de integracin de funciones con un nivel de regularidad
relativamente bajo, la eleccin apropiada del conjunto de puntos en un mtodo
cuasi Monte Carlo permite alcanzar una cota de error determinstica de orden
O(N
1
(log N)
s1
), siendo s la dimensin de I. En casos especiales es posible
alcanzar mejores valores de precisin cuando se trabaja con integrandos su-
cientemente regulares.
Las ventajas de los mtodos cuasi Monte Carlo respecto a los mtodos Monte
Carlo tradicionales pueden resumirse en:
La existencia de cotas de error determinsticas para los mtodos cuasi
Monte Carlo, derivadas de la naturaleza determinista de los procedimien-
tos algortmicos involucrados.
La mayor precisin alcanzada en la estimacin por los mtodos cuasi
Monte Carlo para un esfuerzo computacional prejado (por ejemplo, un
nmero determinado de evaluaciones de la funcin a integrar) respecto a
la precisin alcanzada por un mtodo Monte Carlo tradicional.
Se evitan los problemas relacionados con la generacin de nmeros aleato-
rios, necesarios en los mtodos Monte Carlo tradicionales, ya que en los
mtodos cuasi Monte Carlo los puntos se generan mediante procedimientos
algortmicos constructivos y deterministas.
Al igual que para los mtodos Monte Carlo tradicionales, adems del esque-
ma estndar para la resolucin de problemas de integracin existen variantes de
los mtodos cuasi Monte Carlo para resolver problemas de optimizacin y de
conteo. En general, siempre que se disponga de un esquema de mtodo Monte
Carlo tradicional (pseudoaleatorio), ser posible disear un mtodo cuasi Monte
Carlo como su contraparte determiminista, mediante una eleccin de puntos
conveniente tomando en cuenta el problema a resolver.
Los principales aspectos tericos involucrados en el estudio de los mtodos
cuasi Monte Carlo comprenden el anlisis de las formulaciones para el error
cometido por el mtodo (en particular, desarrollado para el problema de es-
timacin de integrales) y la construccin explcita de conjuntos de puntos que
garanticen errores pequeos para el problema en cuestin. El resto del documen-
to aborda estos aspectos, organizndose del modo que se describe a continuacin:
la Seccin 2 describe la formulacin genrica de un mtodo cuasi Monte Carlo
para la resolucin de un problema de integracin numrica, analizando el con-
cepto de discrepancia, utilizado para cuanticar las relaciones entre valores de
una secuencia de nmeros cuasialeatorios y los conceptos relacionados con la co-
ta de error para el problema. La Seccin 3 presenta algunos mecanismos clsicos
para la construccin de secuencias de baja discrepancia para ser utilizadas en
los mtodos cuasi Monte Carlo y da una visin general sobre los conceptos de
mallas y secuencias con distribuciones regulares. La Seccin 4 presenta el anli-
sis de dos trabajos que aplican tcnicas estadsticas tiles en la prctica para
obtener estimaciones del error cometido por el mtodo cuasi Monte Carlo. Por
ltimo, la seccin 5 presenta breves conclusiones sobre los conceptos estudiados
en las secciones precedentes.
2. Mtodos cuasi Monte Carlo para integracin
numrica
2.1. Formulacin genrica
La formulacin genrica de un mtodo cuasi Monte Carlo para la resolu-
cin de un problema de integracin numrica corresponde a la aproximacin
presentada en la Ecuacin 2.
2
_
I
s
f(u) du
1
N
N

n=1
f(x
n
) (2)
En la Ecuacin 2, el dominio de integracin es el hipercubo cerrado de dimen-
sin s, I
s
= [0, 1]
s
y los puntos x
1
, . . . , x
n
I
s
. En una formulacin genrica los
puntos x
1
, . . . , x
n
se consideran como una secuencia innita {x
n
}
nN
de puntos
en I
s
. El requisito fundamental para la utilidad del mtodo es su convergencia
al valor de la integral que se desea calcular, siendo necesario contar con una se-
cuencia de puntos {x
n
} que garantice que se cumpla la expresin de la Ecuacin
3 para una clase razonable de integrandos (por ejemplo, las funciones contnuas
en I
s
).
lm
N
1
N
N

n=1
f(x
n
) =
_
I
s
f(u) du (3)
La condicin para que se verique la convergencia de un mtodo cuasi Monte
Carlo aplicado al problema de integracin implica que la secuencia de puntos
{x
n
} sea uniformemente distribuida en I
s
En lenguaje coloquial, para garantizar la convergencia en el problema de
estimacin de la integral un mtodo cuasi Monte Carlo debe utilizar puntos
parejamente distribuidos en el dominio de integracin. Los puntos x
1
, . . . , x
n
deben ser escogidos tal que su distribucin emprica sea cercana a la distribucin
uniforme en I
s
. Para formalizar estas ideas se utiliza el concepto de discrepancia
respecto a la distribucin uniforme, que se presenta en la siguiente seccin.
2.2. Discrepancia
El concepto de discrepancia proporciona una mtrica cuantitativa de la
desviacin de una secuencia de nmeros respecto a la distribucin uniforme.
La discrepancia juega un rol fundamental en los mtodos cuasi Monte Carlo,
dado que es considerada como uno de los criterios fundamentales para la selec-
cin de puntos para el problema de integracin numrica, e interviene en las
formulaciones de las cotas de error determinsticas del mtodo.
Sea un conjunto de puntos P = x
1
, . . . , x
n
I
s
. Para un subconjunto arbi-
trario B en I
s
se dene la funcin de conteo que indica cuntos elementos de P
pertenecen a B mediante la expresin en la Ecuacin 4, donde c
B
es la funcin
caracterstica del conjunto B (c
B
(x) = 1 si y solo si x B).
A(B; P) =
N

n=1
c
B
(x
n
) (4)
Para una familia no vaca de subconjuntos B I
s
medibles en el sentido
de Lebesgue, la mtrica discrepancia para un conjunto de puntos P se dene
mediante la expresin presentada en la Ecuacin 5, donde
s
es la medida de
Lebesgue s-dimensional.
D
N
(B; P) = sup
BB

A(B; P)
N

s
(B)

(5)
El concepto genrico de discrepancia presentado en la Ecuacin 5 se espe-
cializa para denir dos mtricas tiles utilizando familias de subconjuntos B:
3
La discrepancia estrella D

N
(P) = D

N
(x
1
, . . . , x
n
) de un conjunto de pun-
tos P se dene mediante la expresin D

N
(P) = D
N
(J

; P), considerando
a J

, la familia de subintervalos de I
s
de la forma

s
i=1
[0, u
i
).
La discrepancia extrema D
N
(P) = D
N
(x
1
, . . . , x
n
) de un conjunto de pun-
tos P se dene mediante la expresin D
N
(P) = D
N
(J; P), considerando
a J, la familia de subintervalos de I
s
de la forma

s
i=1
[u
i
, v
i
).
Si los puntos de P estn en I
s
(como ocurre en la mayora de los casos de in-
ters prctico), se cumple que D

N
(P) = D
N
(J

c
; P) y que D
N
(P) = D
N
(J
c
; P),
siendo J

c
la familia de subintervalos de I
s
de la forma

s
i=1
[0, u
i
) y J
c
la fa-
milia de subintervalos de I
s
de la forma

s
i=1
[u
i
, v
i
).
Para cualquier conjunto P de puntos en I
s
, las mtricas de discrepancia
denidas anteriormente cumplen la relacin presentada en la Ecuacin 6.
D

N
(P) D
N
(P) 2
s
D

N
(P) (6)
Existen expresiones simples para las discrepancias estrella y extrema en el
caso monodimensional, que son tiles para comprender qu cantidad es cuan-
ticada por la mtrica de discrepancia. Considerando un conjunto de puntos P
ordenado (0 x
1
x
2
. . . , x
n
1), las expresiones para la discrepancia
estrella y extrema presentadas en las Ecuaciones 7 y 8 corresponden a resultados
presentados por Niederreiter y de Clerk, respectivamente [10].
D

N
(x
1
, . . . , x
n
) =
1
2N
+ max
1nN

x
n
2n 1
2N

(7)
D
N
(x
1
, . . . , x
n
) =
1
N
+ max
1nN
_
n
N
x
n
_
mn
1nN
_
n
N
x
n
_
(8)
Para una secuencia de elementos S I
s
, las siguientes propiedades son
equivalentes:
1. S es unifomemente distribuida en I
s
.
2. lm
N
D
N
(S) = 0.
3. lm
N
D

N
(S) = 0.
El resultado previo relaciona las mtricas de discrepancia estrella y discre-
pancia extrema con una medida cuantitativa de la distancia a la distribucin
uniforme. Conceptualmente, en el caso multidimensional puede interpretarse
que una secuencia de nmeros de baja discrepancia tiende a no agrupar puntos
y por tanto a lograr un mejor cubrimiento del hipercubo de dimensin s. El
concepto de discrepancia puede extenderse para dominios de integracin ms
genricos que el hipercubo unidimensional I
s
[10].
2.3. Cotas de error
Utilizando el concepto de discrepancia, es posible formular cotas determins-
ticas para el error de un mtodo cuasi Monte Carlo aplicado a la resolucin
de un problema de integracin. La formulacin ms simple corresponde al caso
unidimensional, derivada por Koksma, que se presenta en la Ecuacin 9.
4

1
N
N

n=1
f(x
n
)
_
1
0
f(u) du

V (f)D

N
(x
1
, . . . , x
n
) (9)
En la Ecuacin 9, V (f) es una variacin acotada del integrando f. En el
caso unidimensional, la denicin de variacin fue introducida por Jordan [6],
siendo posteriormmente extendida para el caso multidimensional por Hardy [5].
La cota de error presentada en la Ecuacin 9 es vlida para cualquier conjunto
de puntos P = x
1
, . . . , x
n
[0, 1].
En el caso multidimensional, la formulacin para la cota de error es anloga
a la presentada en la Ecuacin 9, pero considerando la denicin de variacin
total en mltiples dimensiones. La expresin del error se presenta en la Ecuacin
10, fue derivada por Hlawka, y habitualmente se la denomina desigualdad de
Koksma-Hlawka.

1
N
N

n=1
f(x
n
)
_
1
0
f(u) du

V (f)D

N
(x
1
, . . . , x
n
) (10)
Las cotas de error presentadas conducen a la conclusin de que aquellos
conjuntos de puntos con valores bajos de discrepancia son los que garantizan
errores pequeos para un mtodo cuasi Monte Carlo aplicado a un problema de
integracin en el dominio I
s
. Un resultado anlogo se maniesta para dominios
de integracin genricos.
La utilidad prctica de los resultados tericos presentados en esta seccin es-
t limitada por la dicultad para obtener valores exactos de la variacin total de
una funcin f. Existen referencias bibliogrcas que han propuesto mecanismos
de aproximacin por discretizacin y cotas superiores para la variacin de fun-
ciones, que pueden ser tiles en la prctica para la estimacin del error cometido
por un mtodo cuasi Monte Carlo aplicado a un problema de integracin [10].
Otra alternativa consiste en estimar el error mediante un procedimiento es-
tadstico que incorpore un mecanismo probabilstico en la generacin de la es-
tructura del conjunto de puntos del mtodo cuasi Monte Carlo, o diseando
algoritmos hbridos que combinen un mtodo cuasi Monte Carlo con un Monte
Carlo tradicional. La Seccin 4 presenta el anlisis de un procedimiento sencillo
para estimar el error cometido para el problema de integracin utilizando me-
canismos estadsticos, basado en el trabajo de Morohosi y Fushimi [9], y una
propuesta de hibridacin entre un mtodo cuasi Monte Carlo con un Monte
Carlo tradicional, presentada por Tun [14].
3. Secuencias de baja discrepancia
Tal como se expuso en el captulo precedente, un conjunto de puntos con ba-
ja discrepancia tiene la propiedad de cubrir un espacio de dimensin n de una
manera ms uniforme que una secuencia de puntos aleatorios. En un conjunto de
puntos de baja discrepancia (o de nmeros cuasialeatorios), cada nuevo punto es
generado por un mecanismo que considera la restriccin de alta correlacin con
nmeros precedentes, evitando los fenmenos de agrupamiento y baja cobertura
de las secuencias de puntos generadas por mecansmos seudoaleatorios. De mane-
ra informal, un conjunto de puntos P se considera de baja discrepancia si tiene
valores pequeos de las mtricas D

N
(P) o D
N
(P), denidas en la Seccin 2.
5
En la prctica, es conveniente permitir la variacion del nmero de puntos N
al resolver un determinado problema utilizando un mtodo cuasi Monte Carlo.
Por este motivo, es til considerar procedimientos que permitan aprovechar los
cmputos previamente realizados al variar el valor de N. En este contexto, la
nocin de secuencia de baja discrepancia se dene para considerar secuencias
de elementos S para los cuales las mtricas D

N
o D
N
tienen valores pequeos
para todo N 1. Este tipo de secuencias son extremadamente tiles para
la resolucin de problemas en los cuales se computan valores en una estructura
regular o grilla para la cual no es posible conocer de antemano la separacin entre
sus elementos necesaria para obtener resultados de alta precisin. Utilizando una
secuencia de baja discrepancia es posible disear un algoritmo automtico que
vare el nmero de puntos hasta alcanzar la precisin deseada, reutilizando los
clculos previos para no degradar la eciencia computacional del mtodo de
resolucin [12].
A continuacin se presentan algunos mecanismos tradicionales para la cons-
truccin de secuencias de baja discrepancia. Dado que el concepto de discre-
pancia se relaciona con la propiedad de cubrimiento uniforme del dominio de
trabajo, los mtodos para generar secuencias de baja discrepancia intentan evi-
tar los agrupamientos de puntos utilizando un esquema que considera a los
puntos ya generados como repelentes para cada nuevo punto de la secuencia a
construir. En este esquema, el objetivo de cada nuevo punto ser tratar de cubrir
los mayores espacios vacos existentes entre los nmeros previamente generados.
El mecanismo clsico para la generacin de secuencias de baja discrepancia
fue presentado por van der Corput en 1935, siguiendo el esquema bsico de
completar los huecos [2]. Este mtodo contina hoy en da siendo la base para
varios generadores de secuencias de baja discrepancia utilizados en la prctica,
que se presentan en las subsecciones siguientes.
3.1. Secuencias de van der Corput
Para el caso unidimensional, el resultado presentado en la Ecuacin 7 permite
derivar una expresin para el conjunto de puntos x
n
, ya que el mnimo valor de
D

N
(x
1
, . . . , x
n
) se alcanza para x
n
= (2n1)/(2N), con 1 n N. Utilizando
este conjunto de puntos para resolver el problema de integracin, el mtodo
cuasi Monte Carlo resultante se corresponde con el mtodo clsico del punto
medio a trozos, en el intervalo [0, 1).
Considrese la representacin en base b de un entero positivo n > 1 utilizando
dgitos d
k
; 0 d
k
(n) < b, presentada en la Ecuacin 11.
n =
L1

k=0
d
k
(n).b
k
(11)
La secuencia de van der Corput queda denida por g
b
(1), . . . , g
b
(N), donde
g
b
(n) es la funcin que revierte la representacin en base b del entero n (radical-
inverse function), presentada en la Ecuacin 12.
g
b
(n) =
L1

k=0
d
k
(n).b
(k1)
(12)
6
La funcin que revierte la representacin en base b del entero n corresponde
a una reexin simtrica en el punto decimal de la expresin en la Ecuacin 11.
Para cualquier valor de la base b, los elementos de una secuencia de van der
Corput estn uniformemente distribuidos en el intervalo unitario [0, 1] y forman
un conjunto denso (dado un nmero real en [0, 1], existe una subsecuencia de la
secuencia de van der Corput original que converge hacia ese nmero).
En trminos de la mtrica de discrepancia, una secuencia de van der Corput
cumple la propiedad de distribucin presentada en la Ecuacin 13.
D

N
(g
b
(1), . . . , g
b
(N)) C.
log N
N
(13)
La secuencia binaria de van der Corput (con base b = 2) es el mtodo bsi-
co que se utiliza como componenente fundamental para construir secuencias de
baja discrepancia en el caso multidimensional. El mecanismo de construccin
de secuencias de baja discrepancia se basa en aplicar sucesivas subdivisiones del
hipercubo multidimensional en sub-volmenes de volumen constante (denom-
inados cajas), cuyas caras sean paralelas a las del hipercubo original. La idea
consiste en asignar un nmero a cada uno de los sub-volmenes como paso pre-
vio al renamiento de la grilla multidimensional. El renamiento debe seguir el
criterio de evitar la formacin de clusters multidimensionales causada por las
correlaciones existentes entre las dimensiones, teniendo como objetivo primor-
dial la generacin de secuencias sin correlaciones para cada par de dimensiones.
3.2. Secuencias de Halton
Las secuencias de Halton son una generalizacin de las secuencias de van der
Corput para espacios multidimensionales [3]. Para un espacio de dimensin s,
una secuencia de Halton se dene mediante la expresin X(n) = g
b1
(n), . . . , g
bs
(n),
tomando como base un conjunto de nmeros b
1
, . . . b
s
primos entre s (b
i
> 1, 0
i K) . En trminos de la mtrica de discrepancia, una secuencia de Halton
cumple la propiedad de distribucin presentada en la Ecuacin 14.
D

N
(X(1), . . . , X(N)) C

.
(log N)
s
N
(14)
Las secuencias de Halton utilizan un nmero primo por cada dimensin del
espacio a muestrear. Tradicionalmente se utiliza la lista creciente de nmeros
primos (2 para la primer dimensin, 3 para la segunda, 5 para la tercera, etc.).
Obviamente, el tiempo de cmputo necesario para la generacin de la secuencia
se incrementa linealmente al crecer la dimensin del espacio.
La Figura 1 presenta un ejemplo comparativo de cubrimiento del hipercubo
unitario de dimensin 2 utilizando una secuencia cuasialeatoria de Halton y
una secuencia pseudoaleatoria tradicional. En los grcos se observa una mejor
distribucin de los puntos de la secuencia de Halton, que logra un cubrimiento
ms regular del espacio.
An cuando se comienza con un entero mayor que 1, las secuencias de Hal-
ton preservan sus propiedades bsicas de distribucin y baja discrepancia. Sin
embargo, se han proporcionado evidencias tericas y empricas sobre la sensibili-
dad de los patrones de cubrimiento de las secuencias de Halton para espacios de
altas dimensiones (como consecuencia de que la reexin sobre el punto decimal
tiende a generar una secuencia ms densamente poblada cerca del origen, con
7
Secuencia de Halton. Secuencia pseudoaleatoria.
Figura 1: Cubrimiento en el hipercubo de dimensin 2.
puntos formando clusters cerca de cero). Por este motivo, se han investigado al-
ternativas que permitieron deducir argumentos sobre las ventajas de iniciar una
secuencia de Halton en un valor arbitrario n > 1 (o despreciar los primeros n

trminos de la secuencia) para mejorar la uniformidad de la distribucin cuando

se trabaja en espacios de altas dimensiones [13].
El principal problema del mtodo tradicional de Halton es su degradacin a
medida que se incrementa la dimensin s del espacio en el que se trabaja. El
procedimiento de generacin basado en puntos uniformemente distribuidos en
la regin [0, 1)
s
se va haciendo cada vez ms difcil a medida que se incrementa
la dimensin, debido a que el espacio a cubrir es cada vez ms amplio. Una
secuencia de Halton multidimensional tiene un ciclo muy largo, dado que utiliza
el ensimo nmero primo, por lo cual se requiere de varios pasos para comple-
tar una caminata en [0, 1)
s
para generar un renamiento de la malla. En la
prctica, debido al fenmeno de correlacin que surge entre las coordenadas, el
mtodo de Halton est limitado a un tamao mximo de dimensin s entre 6 y
8.
La Figura 2 presenta los ejemplos de secuencia de van der Corput (dimensin
s = 1, base b = 2) y de Halton (dimensin s = 2, base b = 3).
van der Corput Halton
0 1/2
1/4 3/4
1/8 5/8
3/8 7/8
1/16 9/16
5/16 13/16
3/16 11/16
7/16 15/16
0 1/3 2/3
1/9 4/9 7/9
2/9 5/9 8/9
1/27 10/27 19/27
4/27 13/27 22/27
7/27 16/27 25/27
2/27 11/27 20/27
5/27 14/27 23/27
8/27 17/27 26/27
Figura 2: Ejemplo de secuencias de van der Corput y Halton.
8
3.3. Conjunto de Hammersley
El conjunto de Hammersley de tamao N para un espacio de dimensin s
se dene utilizando una secuencia de Halton, mediante la expresin X(n) =
g
b1
(n), . . . , g
bs1
(n); para 1 n N [4].
Los puntos del conjunto de Hammersley proporcionan un mejor cubrimiento
que los de la secuencia de Halton para un espacio de dimensin s. En trminos
de la mtrica de discrepancia, los puntos del conjunto de Hammersley cumplen
la propiedad presentada en la Ecuacin 15.
D

N
(X(1), . . . , X(N)) C

.
(log N)
s1
N
(15)
3.4. Secuencias de Faure y Sobol
Las secuencias de Faure y Sobol tienen una formulacin similar a las se-
cuencias de Halton, pero utilizan una nica base para todas las dimensiones, e
incorporan un mecanismo de reordenamiento de elementos.
La base utilizada en una secuencia de Faure es el menor nmero primo
mayor o igual a la dimensin del espacio del problema (se utiliza base 2 para el
caso unidimensional). Esta eleccin reduce la demanda computacional requerida
para la generacin de secuencias cuasialeatorias por parte del mtodo de Halton.
Por ejemplo, para un espacio de dimensin 50 la secuencia de Halton requiere
utilizar el quincuagsimo nmero primo (229), mientras que el mtodo de Faure
utiliza como base el primer nmero primo superior a 50 (53). De esta manera,
el mecanismo de rellenar los huecos para evitar clusters es ms eciente desde
el punto de vista computacional para el mtodo de Faure que para el mtodo
de Halton.
Las secuencias de Sobol se denen mediante una generalizacin de las secuen-
cias de van der Corput. La formulacin genrica de una secuencia de van der
Corput generalizada usando una base b corresponde a la expresin presentada
en la Ecuacin 16.
g
b
(n) =
L1

k=0
(d
k
(n)).b
(k1)
(16)
Una secuencia de Sobol utiliza la base b = 2 para todas las dimensiones.
En el caso multidimensional la secuencia se obtiene mediante una reordenacin
de los valores para el caso unidimensional, evitando ciertos problemas de agru-
pamiento en clusters que pueden ocurrir con las secuencias de Halton y Faure
en altas dimensiones. An cuando las secuencias de Sobol se presentan como
ms resistentes a la degradacin a medida que se incrementa la dimensin del
espacio de trabajo, existe un cierto patrn repetitivo en mltiples dimensiones,
que puede llevar a la formacin de clusters, y que hace necesario descartar los
primeros n puntos de una secuencia de Sobol para mejorar sus valores de dis-
crepancia.
En el caso de la construccin multidimensional de las secuencias, los mtodos
de Faure y de Sobol utilizan un reordenamiento de los vectores cuasialeatorios,
aplicndolo para cada dimensin considerada.
Tomando en cuenta el teorema que demuestra la validez terica de la de-
sigualdad de Koksma-Hlawka (Ecuacin 9), la utilizacin de las secuencias de
9
Halton (y sus variantes de Faure y Sobol) y los puntos de los conjuntos de
Hammersley conduce a una dramtica reduccin en el orden de magnitud de
la cota tradicional del error del mtodo Monte Carlo O(1/

N). Para un con-

junto de puntos de Hammersley de N elementos la cota del error tiene orden
O(N
1
(log N)
s1
) y para una secuencia de Halton de N trminos el error tiene
orden O(N
1
(log N)
s
).
3.5. Redes y secuencias con distribucin regular
Los resultados tericos sobre las cotas de los valores de discrepancia para los
mtodos de generacin de secuencias cuasialeatorias presentados previamente
involucran trminos con coecientes que tienen un crecimiento exponencial a
medida que crece la dimensin del espacio de trabajo. En la prctica, este re-
sultado limita su aplicabilidad a espacios de dimensin muy baja. Para resolver
aplicaciones genricas, es necesario contar con conjuntos de puntos y secuen-
cias que satisfagan resultados ms precisos sobre la cota de discrepancia. Las
redes (t, m, s) y las secuencias (t, s) son conjuntos de puntos que por denicin
cuentan con muy buenas propiedades de distribucin, permitiendo derivar cotas
precisas y tiles para sus valores de discrepancia.
El concepto de red (t, m, s) est motivado por una propiedad especial de toda
secuencia de van der Corput x
0
, . . . , x
N
en una base b. Dados dos enteros k 0
y m 1, considrense los b
m
puntos x
n
que cumplen kb
m
n < (k+1)b
m
. Cada
intervalo [ab
m
, (a + 1)b
m
], siendo a Z, 0 a < b
m
contiene exactamente
un punto x
n
, con kb
m
n < (k + 1)b
m
.
Fijando la dimensin s 1 y la base b 2. Un intervalo elemental en base b
es un subintervalo E de [0, 1)
s
dado por la expresin de la Ecuacin 17, donde
a
i
, d
i
Z, d
i
0, 0 a
i
b
di
para todo 1 i s.
E =
s

i=1
_
a
i
b
di
, (a
i
+ 1)b
di
_
(17)
Dados t, m Z, 0 t m, una red-(t, m, s) malla-(t, m, s) en base b es un
conjunto P de b
m
puntos en [0, 1)
s
tal que cada intervalo elemental de volumen
b
tm
contiene exactamente b
t
puntos de P.
Dado t Z, t 0, un conjunto de puntos x
0
, . . . , x
n
es una secuencia-(t, s)
en base b si para todo par de enteros k 0, m > t, el conjunto de puntos x
n
que cumple kb
m
n < (k + 1)b
m
es una red-(t, m, s) en base b.
Como fue mencionado, la estructura de las redes (t, m, s) y secuencias (t, s)
permite derivar cotas precisas para sus valores de discrepancia [10]. El principal
resultado sobre la discrepancia de una secuencia (t, s) corresponde a la expresin
presentada en la Ecuacin 18.
D

N
(x
0
, . . . , x
n
) C.
(log N)
s
N
+O
_
(log N)
(s1)
N
_
(18)
El resultado previo fundamenta la utilidad de las redes (t, m, s) y secuencias
(t, s) como estructuras base para la aplicacin de mtodos cuasi Monte Carlo.
Considerando la formulacin de la desigualdad de Koksma-Hlawka, los valores
ms pequeos para las cotas de discrepancia se traducen en valores de cotas
ms pequeos para el error efectivo al utilizar un mtodo cuasi Monte Carlo.
10
Las redes (t, m, s) y las secuencias (t, s) constituyen la eleccin ptima para
minimizar las cotas de error del mtodo [10].
El mecanismo genrico para la contruccin de redes-(t, m, s) utiliza la repre-
sentacin en dgitos de base b y un grupo de biyecciones entre Z
b
= {0, 1, . . . , b
1} y R para denir los puntos x
0
, . . . , x
n
[10].
4. Mtodos para la estimacin del error
Los conceptos presentados en la seccin precedente conrman la dicultad
de utilizar los resultados tericos para determinar el error cometido al utilizar
un mtodo cuasi Monte Carlo. La aplicabilidad de la desigualdad de Koksma-
Hlawka para derivar una cota prctica del error cometido est severamente lim-
itada a problemas donde sea posible calcular la variacin total de la funcin
en cuestin, un clculo prcticamente imposible para la mayora de los proble-
mas usuales. An trabajando con las secuencias cuasialeatorias que garantizan
valores de discrepancia de orden O((log N)
s
/N), asinttico para N , los
resultados tericos no permiten derivar una estimacin prctica del error. Este
hecho constituye un grave obstculo para la aplicabilidad de la cotas tericas
del error para los mtodos cuasi Monte Carlo, a diferencia de lo que ocurre para
el mtodo Monte Carlo tradicional, para el cual existen varias formulaciones es-
tadsticas para obtener cotas de los errores cometidos en trminos de intervalos
de conanza.
Considerando las dicultades mencionadas, se han propuesto tcnicas para
obtener estimaciones tericas y prcticas para el error cometido al utilizar un
mtodo cuasi Monte Carlo. Los investigadores han buscado estimaciones que
sean precisas numricamente, ecientes desde el punto de vista computacional y
sencillas de implementar. Esta seccin presenta una resea de dos tcnicas que
se basan en hibridizar la estructura de un mtodo cuasi Monte Carlo con la de
un mtodo Monte Carlo tradicional, induciendo una estructura probabilstica
en los conjuntos de puntos de baja discrepancia utilizados que permite derivar
estimaciones estadsticas del error cometido. Los mtodos han sido estudiados
en el trabajo de Morohosi y Fushimi [9], quienes derivaron cotas tericas de error
para dos tcnicas de aleatorizacin. Siguiendo una lnea de trabajo similar, el
trabajo de Tun [14] propone una hibridacin de un mtodo cuasi Monte Carlo
con un mtodo Monte Carlo tradicional para producir un esquema aleatorizado
que permite derivar estimaciones estadsticas del error cometido, basadas en
formulaciones de intervalos de conanza.
4.1. Secuencias de baja discrepancia aleatorizadas
Los mtodos estadsticos que permiten estimar el error cometido al utilizar
un mtodo cuasi Monte Carlo se basan en una hibridacin que combina tcnicas
probabilistas con las secuencias determinsticas de baja discrepancia generadas
por los mtodos presentados en la Seccin 3. El esquema genrico consiste en
denir una estructura probabilstica en el conjunto de puntos de una red (t, m, s)
y utilizar los puntos de la red aleatorizada para denir estimadores similares a
los que habitualmente se utilizan en un mtodo Monte Carlo tradicional.
Considrese el problema clsico de integracin numrica cuya formulacin se
presenta en la Ecuacin 19.
11
_
[0,1)
s
f(u) du (19)
Para resolver el problema de integracin numrica, un mtodo hbrido cuasi
Monte Carlo propone un esquema que utiliza j secuencias de alta discrepancia
aleatorizadas {x
(j)
i
}
i=1,...,N
, con j = 1, . . . , M. Para cada secuencia se calcula
la estimacin puntual del valor de la integral utilizando esa secuencia, cuya
formulacin se presenta en la Ecuacin 20.

I
(j)
=
1
N
N

i=1
f(x
(j)
i
) (20)
Por ltimo, el valor estadstico estimado para la integral se obtiene mediante
el promedio de los estimadores puntuales previamente calculados para cada
secuencia {x
(j)
i
}
i=1,...,N
, con j = 1, . . . , M, cuya formulacin se presenta en la
Ecuacion 21.

I =
1
M
M

j=1

I
(j)
(21)
Para estimar el error se puede utilizar la varianza de los valores evaluados,
dada por la expresin presentada en la Ecuacin 22.

I =
1
M(M 1)
M

j=1
_

I
(j)

I
_
2
(22)
Dado que el mtodo hbrido tiene un componente aleatorio en la eleccin
de las secuencias {x
(j)
}, para obtener un valor ms preciso del error es posible
derivar un intervalo de conanza basado en el Teorema Central del Lmite, tal
como se procede en un mtodo Monte Carlo tradicional.
La tcnica de hibridacin presentada puede verse como un caso particular
del mtodo antittico, que utiliza variables aleatorias correlacionadas para lograr
una reduccin de la varianza del estimador puntual calculado. En un mtodo
antittico el estimador puntual de la integral se calcula mediante la expresin
presentada en la Ecuacin 23, siendo una biyeccin en [0, 1]
s
.

I =
1
N
N

i=1
f((x
i
)) (23)
En un mtodo hbrido cuasi Monte Carlo, la funcin queda denida por
el mecanismo de eleccin de las secuencias aleatorizadas {x
(j)
}.
4.1.1. Redes (t, m, s) con estructura probabilstica
Los investigadores del rea han propuesto diversos esquemas para introducir
aleatoriedad en el conjunto de puntos de baja discrepancia. Como ejemplo,
los trabajos que se relevan en esta seccin estudian dos tipos de estructuras
probabilsticas: las redes permutadas (scrambled nets) y las redes aleatoriamente
desplazadas (randomly shifted nets), aunque existen otras tcnicas como las se-
cuencias de Halton de comienzo aleatorio.
12
En su trabajo de 1998 [9], Morohosi y Fushimi presentaron dos mtodos
estadsticos para estimar el error cometido al utilizar un mtodo cuasi Monte
Carlo para el problema clsico de integracin numrica. El trabajo estudia las
estructuras de redes permutadas y redes aleatoriamente desplazadas, derivando
resultados tericos para la estimacin del error y presentando resultados exper-
imentales para un conjunto de funciones de prueba. El trabajo de Tun [14]
analiza el mtodo hbrido cuasi Monte Carlo, estudiando la tasa de convergen-
cia del error y la aplicacin de aproximaciones basadas en el Teorema Central
del Lmite para derivar intervalos de conanza que acoten el error cometido.
Una descripcin de los mtodos estudiados en ambas propuestas se presenta a
continuacin.
Redes permutadas
Las redes permutadas son una estructura de puntos en un espacio multidi-
mensional de baja discrepancia propuesta por Owen en 1997 [11]. Sea {z
i
} una
red (t, m, s) en base b, donde z
i
=
_
z
1
i
, . . . , z
s
i
_
, siendo cada z
j
i
=

k=1
z
ijk
b
k
para z
ijk
Z, 0 z
ijk
< b. Una red permutada {x
i
}, x
i
=
_
x
1
i
, . . . , x
s
i
_
se de-
ne por x
j
i
=

k=1
x
ijk
b
k
, siendo x
ijk
Z una permutacin aleatoria de los
valores z
ijk
. Las permutaciones aplicadas para denir los x
ijk
deben ser inde-
pendientes entre s, y por tanto la red permutada resultante es tambin una red
(t, m, s) en base b.
Conceptualmente, el procedimiento de generacin de una red permutada
puede resumirse en la aplicacin iterativa del mecanismo que a partir del con-
junto de puntos original, divide en partes iguales cada eje del hipercubo unitario
en b partes, permuta estas partes en un orden aleatorio, y contina aplicndose
a cada pequea parte generada.
Redes aleatoriamente desplazadas
Las redes aleatoriamente desplazadas tienen una estructura sugerida por
Cranley y Patterson, en un trabajo de 1976 [1]. Sea {z
i
} una red (t, m, s) en
base b, y considrese un vector aleatorio X [0, 1]
s
. Una red aleatoriamente
desplazada {x
i
} queda denida por x
i
= z
i
+ X
i
. La tcnica de aleatorizacion
considera a la variable aleatoria Z denida por la expresin de la Ecuacin 24,
donde {X} es el vector de las partes fraccionales de las coordenadas de X.
Z =
1
N
N

i=1
f({x
i
)}) (24)
Secuencias de Halton de inicio aleatorio
Una idea diferente para aleatorizar secuencias de baja discrepancia consiste
en seleccionar diversos puntos de inicio. Siguiendo este enfoque, es posible denir
una estructura aleatoria sobre una secuencia de Halton de dimensin s, {z
(n)
} =
(z
(n)
1
, . . . , z
(n)
s
), n N (o de modo ms general, sobre una red (t, m, s) en base
b) mediante la eleccin aleatoria de un punto de inicio T N y calculando
{X
(n)
(T)} = {z
n+T
}. La secuencia aleatorizada (dependiendo de la eleccin de
T) se utiliza para calcular el estimador presentado en la Ecuacin 25, que tiene
convergencia asinttica al valor de I para N .
13

I(T, N) =
1
M
N

n=1
f(X
(n)
(T)) (25)
Utilizando K replicaciones independientes, es posible obtener una estimacin
del error mediante la varianza de los valores evaluados, cuya expresin se pre-
senta en la Ecuacin 26.

I(T, N, K) =
1
K
K

k=1
1
N
N

n=1
f(X
(n)
(T)). (26)
Considerando que el estimador puntual del valor de la integral se calcul
mediante un mecanismo aleatorizado, es posible obtener una mejor estimacin
del error considerando un intervalo de conanza para el estimador, mediante el
procedimiento habitualmente utilizado en el mtodo Monte Carlo tradicional.
4.2. Estimaciones tericas del error
El trabajo de Morohosi y Fushimi presenta resultados tericos para estimar
el error cometido al utilizar un mtodo cuasi Monte Carlo con secuencias de ba-
ja discrepancia aleatorizadas para resolver el problema de integracin numrica.
Los autores analizan las tcnicas basadas en redes permutadas y redes aleatori-
amente desplazadas, pero considerando la relacin entre una red (t, m, s){z
i
} en
base b y una red aleatorizada {x
i
} como denida por una biyeccin , (z
i
) = x
i
,
elegida aleatoriamente en el espacio de biyecciones. La biyeccin encapsula la
denicin de la estructura probabilstica sobre la red (t, m, s), que queda denida
implcitamente.
Las estimaciones tericas presentadas por Morohosi y Fushimi ofrecen re-
sultados para el error cuadrtico medio y para el error absoluto medio, tanto
en el caso unidimensional como en el multidimensional. Los resultados tericos
son comparados mediante un anlisis experimental que consiste en calcular las
estimaciones de error para integrales multidimensionales de seis funciones con
diferentes caractersticas (oscilatorias, con picos, gaussianas, discontinuas, etc.).
El anlisis comparativo permite concluir que ambos mtodos reportan similares
valores de precisin en la estimacin de las mtricas de error evaluadas.
Los autores concluyen que ambos mtodos estudiados son capaces de al-
canzar resultados precisos para las estimaciones de error. Analizando ambas
tcnicas de aleatorizacin de secuencias, los autores argumentan que el mtodo
basado en redes permutadas requiere una implementacin compleja y deman-
da grandes esfuerzos computacionales, dicultndose su aplicacin a problemas
de gran escala. Por otra parte, el mtodo basado en redes aleatoriamente de-
splazadas es conceptualmente ms simple, rpido y ecaz, constituyendo, segn
el criterio de los autores, una mejor alternativa prctica para la estimacin del
error comentido por un mtodo cuasi Monte Carlo.
4.3. Mtodo cuasi Monte Carlo hbrido
El trabajo de Tun plantea utilizar como tcnica de aleatorizacin las redes
aleatoriamente desplazadas, mediante un procedimiento que se corresponde con
un mtodo antittico con funcin (z
i
) = z
i
+ X
i
. El principal objetivo del
14
trabajo de Tun consiste en determinar si existe una reduccin efectiva de la
varianza al utilizar el mtodo cuasi Monte Carlo hbrido, es decir si se cumple
la relacin presentada en la Ecuacin 27.

2
(
1
N
N

i=1
f({z
i
+X
i
})) <
1
N

2
(f(X)) (27)
El propio Tun prob en un trabajo previo que el mtodo aleatorizado tiene
una velocidad de convergencia que cumple la relacin presentada en la Ecuacin
28, tanto para funciones con variacin acotada como para no acotada [16].

2
(
1
N
N

i=1
f({z
i
+X
i
})) = O(N
2
(log N)
2s
) (28)
En base a los resultados de un anlisis presentado en otro artculo sobre
el tema, Tun argumenta que la tasa de convergencia del mtodo aleatorizado
puede ser an ms rpida que la presentada en la Ecuacin 28 cuando se trabaja
con ciertas clases de funciones especiales [17]. Sin embargo, el contraejemplo
presentado en el artculo relevado muestra que el mtodo cuasi Monte Carlo
hbrido que utiliza secuencias de baja discrepancia desplazadas puede llegar a
tener una convergencia tan lenta como el mtodo Monte Carlo tradicional. Como
contrapartida, an en los casos en que el mtodo hbrido tiene una convergencia
tan lenta como el mtodo tradicional, se obtienen valores ms reducidos de
la varianza y adems es posible mejorar el desempeo computacional de la
tcnica de estimacin, ya que el mtodo hbrido requiere un menor nmero
de invocaciones al generador de nmeros seudoaleatorios que el Monte Carlo
tradicional. Por estos motivos la tcnica de estimacin basada en el mtodo
hbrido es presentada por Tun como una interesante alternativa para mejorar
los resultados y la eciencia del mtodo tradicional.
Luego de presentar la tcnica del mtodo cuasi Monte Carlo hbrido que
utiliza secuencias de baja discrepancia desplazadas, Tun analiza cmo aplicar
la aproximacin de la distribucin normal, utilizada en el mtodo Monte Carlo
tradicional, para obtener un intervalo de conanza para la estimacin hallada
por el mtodo hbrido.
La principal diferencia entre un mtodo cuasi Monte Carlo y el mtodo Monte
Carlo tradicional consiste en que en este ltimo la aproximacin depende del
nmero de rplicas utilizadas (K), mientras que en un mtodo cuasi Monte
Carlo la dependencia es respecto a dos parmetros: el nmero de rplicas y
el nmero de puntos en la secuencia de alta discrepancia (N). En un mtodo
Monte Carlo tradicional, para mejorar la convergencia a la aproximacin normal
se suele incrementar el nmero de rplicas K, mientras que en un cuasi Monte
Carlo se suele incrementar el producto KN. En la prctica, al utilizar mtodos
cuasi Monte Carlo suele trabajarse con un nmero jo de rplicas K, y slo
se incrementa el nmero de puntos N en la secuencia de baja discrepancia. El
valor de K solo se utilizara para obtener un intervalo de conanza basado en
la aproximacin de la distribucin normal y el Teorema Central del Lmite. Sin
embargo, en los trabajos previos ningn investigador haba incluido un estudio
sobre la ecacia de este procedimiento, y por tanto no existan evidencias reales
sobre si el mecanismo que mantiene un valor de K constante e incrementa
15
los valores de N permite que el estimador converja probabilsticamente a la
distribucin normal, o que siquiera mantenga la aproximacin normal acotada.
El anlisis de Tun prueba que la estrategia de mantener un valor de K
constante e incrementar los valores de N no mejora la convergencia a la aproxi-
macin normal, e inclusive puede introducir errores adicionales. Los argumentos
tericos son raticados mediante el anlisis experimental considerando varias
clase de funciones. Dado que la aproximacin a la distribucin normal no tiende
a cero cuando N.K , Tun sugiere dos alternativas para denir un inter-
valo de conanza para el mtodo cuasi Monte Carlo hbrido que sea til en la
prctica: utilizar aproximaciones para la desviacin estndar y para el momen-
to absoluto centrado de orden tres, o incorporar un mecanismo de crecimiento
dinmico de N y K que permita utilizar la formulacin tradicional de un inter-
valo de conanza basado en la distribucin normal.
Habiendo explorado los tpicos comentados, Tun sugiere como direcciones
de trabajo futuro el investigar los mecanismos de variacin de los parmetros N
y K para hallar intervalos de conanza ms precisos para un criterio de esfuerzo
computacional prejado, y explorar la utilizacin de las secuencias de Halton de
inicio aleatorio en mtodos cuasi Monte Carlo hbridos, realizando un estudio
comparativo con el mtodo basado en redes aleatoriamente desplazadas.
5. Conclusiones
Este trabajo present los fundamentos bsicos sobre los mtodos cuasi Monte
Carlo. Se han descrito los mecanismos para la denicin de secuencias de baja
discrepancia, que caracterizan a los mtodos cuasi Monte Carlo, y se han pre-
sentado las formulaciones tericas sobre cotas del error cometido al utilizar el
mtodo. Complementariamente, se han relevado dos trabajos que presentan tc-
nicas tiles en la prctica para estimar el error cometido al utilizar un mtodo
cuasi Monte Carlo.
16
Anexo
Este anexo plantea dos ejercicios cuya resolucin puede ayudar a compren-
der los principales conceptos sobre la generacin de secuencias cuasi aleatorias,
la utilizacin del mtodo cuasi Monte Carlo para resolver el problema de inte-
gracin y la utilidad del mtodo hbrido propuesto por Tun como tcnica de
reduccin de la varianza.
Ejercicio 1
1. Implementar algoritmos para la generacin de secuencias cuasialeatorias
de Sobol, Halton, Faure y Niederreiter.
2. Calcular valores de discrepancia para diferentes valores de largo de la
secuencia (en dimensin 1) y comparar con los resultados de un generador
pseudoaleatorio (rand o Mersenne Twister).
3. Utilizar los generadores implementados para calcular el valor de la integral
_
1
0
_
1
0
_
1
0
(x
2
+y
2
+z
2
) dxdy dz (29)
y evaluar el error cometido por cada mtodo, considerando el valor exacto
de la integral.
Ejercicio 2
Implementar el mtodo hbrido de Tun para la resolucin de la inte-
gral planteada en el ejercicio 5.1 del curso Estimacin Numrica Monte Carlo
(disponible en http://www.fing.edu.uy/inco/cursos/mmc/posgrado/) utilizando
nmeros cuasialeatorios. Comparar los resultados con los obtenidos por el mto-
do antittico (del ejercicio 5.1) y el mtodo Monte Carlo tradicional (del ejercicio
4.2) para determinar si efectivamente se logra una reduccin de varianza al uti-
lizar el mtodo cuasi Monte Carlo hbrido de Tun.
17
Referencias
[1] R. Cranley, T. Patterson. Randomization of number theoretic methods for
multiple integration. SIAM Journal on Numerical Analysis, Vol. 13, No. 6,
pp. 904-914, 1997.
[2] J. van der Corput. Verteilungsfunktionen I & II. Nederl. Akad.
Wetensch. Proc., Vol. 38, pp. 813820, 10581066, 1935. Citado
en The van der Corput Quasirandom Sequence, disponible en
http://people.scs.fsu.edu/burkardt/f_src/van_der_corput. Consultado en
febrero de 2008.
[3] J. Halton. On the eciency of certain quasi-random sequences of points
in evaluating multi-dimensional integrals. Numerische Mathematik, Vol. 2,
pp. 8490, 1960. Citado en The van der Corput Quasirandom Sequence,
disponible en http://people.scs.fsu.edu/burkardt/f_src/van_der_corput.
Consultado en febrero de 2008.
[4] J. Hammersley. Monte Carlo methods for solving multivariable problems.
Proceedings of the New York Academy of Science, Vol. 86, pp 844874,
1960. Citado en The van der Corput Quasirandom Sequence, disponible en
http://people.scs.fsu.edu/burkardt/f_src/van_der_corput. Consultado en
febrero de 2008.
[5] G.H. Hardy. On double Fourier series and especially those which
represent the double zeta-function with real and incommensurable
parameters, The Quarterly Journal of Mathematics, Vol. 37, pp. 53-
79, 1905. Citado en Springer Online Reference Works, disponible en
http://eom.springer.de/h/h046400.htm. Consultado en diciembre de 2007.
[6] C. Jordan. Sur la srie de Fourier. Comptes Rendus de l Academie
des Sciences. Serie Mathematique, Vol. 92, No. 5, pp. 228230,
1881. Citado en Springer Online Reference Works, disponible en
http://eom.springer.de/f/f041090.htm. Consultado en diciembre de 2007.
[7] J. Li, P. Winker. Time series simulation with quasi Monte Carlo methods.
Computational Economics, Vol. 21, No. 1-2, pp. 23-43, 2003.
[8] D. Mcleish. Computer intensive methods for stochastic models in nance.
Disponible en lnea en http://www.stats.uwaterloo.ca/dlmcleis/s906/.
Consultado en febrero de 2008.
[9] H. Morohosi, M. Fushimi. A practical approach to the error estimation
of quasi-Monte Carlo integrations. In Monte Carlo and quasi-Monte Carlo
methods, H. Niederreiter and J. Spanier (eds.), pp. 377390, Springer, 1998.
[10] H. Niederreiter. Random number generation and quasi-Monte Carlo
methods. Society for Industrial and Applied Mathematics, Philadelphia, 1992.
[11] A. Owen. Monte Carlo variance of scrambled net quadrature. SIAM Journal
on Numerical Analysis, Vol. 34, No. 5, pp. 1884-1910, 1997.
[12] W. Press, B. Flannery, S. Teukolsky, W. Vetterling. Quasi- (that is, sub)
random sequences. 7.7 in Numerical Recipes in FORTRAN: The Art of
Scientic Computing, 2nd ed., Cambridge University Press, pp. 299-306, 1992.
18
[13] S. K. Sen, T. Samanta, A. Reese. Quasi- versus pseudo-random
generators: discrepancy, complexity and integration-error based comparison.
International Journal of Innovative Computing, Information and Control, Vol.
2, No. 3, pp. 621-651, 2006.
[14] B. Tun. Randomization of quasi-Monte Carlo methods for error
estimation: survey and normal approximation. Monte Carlo Methods and
Applications, Vol. 10, No. 3-4, pp 617-628, 2004.
[15] B. Tun. On the use of low discrepancy sequences in Monte Carlo methods.
Monte Carlo Methods and Applications, Vol. 2, No. 4, pp 295320, 1996.
[16] B. Tun. Variance reductions applied to product-form multi-class queuing
network. ACM Transactions on Modeling and Computer Simulation, Vol. 7,
No. 4, pp. 478500, 1997.
[17] B. Tun. Variance reductions order using good lattice points in Monte
Carlo methods. Computing, Vol. 61, No. 4, pp. 371378, 1998.
19