¿Para qué se utiliza?

Integración por el método de Monte Es un método que utiliza números aleatorios para
Carlo calcular numéricamente expresiones matemáticamente
complejas y difíciles de evaluar con exactitud, o que no
pueden resolverse analíticamente.
Patricia Kisbye
Algunos ejemplos son:
FaMAF ◮ Aproximar el valor de π.

◮ Cálculo de integrales definidas

31 de marzo, 2009

El método de Monte Carlo Cálculo de integrales definidas

Se tienen en cuenta los siguientes resultados:
◮ Si X es una variable aleatoria con densidad f y
El método de Monte Carlo es un procedimiento general g : R 7→ R es una función, entonces el valor
para seleccionar muestras aleatorias de una población esperado de la v. a. g(X ) es
(finita o infinita) de la que se conoce su distribución de
Z ∞
probabilidad mediante números aleatorios.
E[g(X )] = g(x) f (x) dx.
−∞
La denominación Monte Carlo fue popularizado por los
científicos Stanislaw Ulam, Enrico Fermi, John von ◮ Ley Fuerte de los Grandes Números: Si X1 , X2 , . . .
Neumann, and Nicholas Metropolis, entre otros, quienes es una sucesión de v. a. i. i. d., todas con media µ,
ya trabajaban sobre muestreo estadístico. entonces
Hace referencia al Casino de Montecarlo en Mónaco. X1 + X2 · · · + Xn
limn→∞ = µ.
n
Integración sobre (0, 1) g(x) = (1 − x 2)3/2

Ejemplo Z 1
Calcular θ= g(x) dx.
0

Si X ∼ U(0, 1), entonces θ = E[g(X )].

Si U1 , U2 , . . . v.a.i.i.d., uniformes en (0, 1), entonces

g(U1 ), g(U2 ), . . . son v.a.i.i.d., con media θ. Luego
n
X g(Ui )
limn→∞ = θ.
n
i=1

n = 100

g(x) = (1 − x 2)3/2 g(x) = (1 − x 2)3/2

n = 20 n = 300
Integración sobre (a, b) Integración en (a, b)
g(x) = sen(x) en (0, 2π)

Ejemplo Z b
Calcular θ= g(x) dx, con a < b.
a

Realizamos el cambio de variables

x −a 1
y= , dy = dx
b−a b−a
Z b Z 1 Z 1
g(x) dx = g(a + (b − a)y )(b − a) dy = h(y ) dy .
a 0 0

Integración en (a, b) Integración en (a, b)

2
g(x) = ex+x en (−1, 1) g(x) = cos(x) en (π, 3π)
Integración sobre (0, ∞) Integración sobre (0, ∞)

Ejemplo Z ∞
Calcular θ= g(x) dx .
0
Realizamos el cambio de variables
1 1
y= , dy = − 2
dx = −y 2 dx
x +1 (x + 1)
Z ∞ Z 1 g( y1 − 1) Z 1
g(x) dx = dy = h(y ) dy .
0 0 y2 0

1
g(x) =
(2 + x 2 )

Integración sobre (0, ∞) Integración sobre (0, ∞)

x
g(x) = e−x g(x) =
(1 + x 2 )2
Integración sobre (0, ∞) Integración sobre (0, ∞)

Si usamos el siguiente cambio de variables

1
y =1− , dy = (y − 1)2 ,
x +1
entonces la transformación está dada por una función
creciente y : [0, ∞] 7→ [0, 1). Se tienen entonces los
siguientes gráficos:

1
g(x) =
(2 + x 2 )

Integración sobre (0, ∞) Integrales múltiples

El método de Monte Carlo para el cálculo de integrales en

una variable no es muy eficiente, comparado con otros
métodos numéricos que convergen más rápidamente al
valor de la integral.
Pero sí cobra importancia en el caso del cálculo numérico
de integrales múltiples:
Z 1 Z 1
... g(x1 , . . . , xl ) dx1 . . . dxl
0 0

g(x) = e−x
Integrales múltiples g(x, y ) = e−(x+y ) en (0, 1) × (0, 1)

Para calcular la cantidad

Z 1 Z 1
θ= ... g(x1 , . . . , xl ) dx1 . . . dxl
0 0

utilizamos el hecho que

θ = E[g(U1 , . . . , Ul )]

con U1 , . . . , Ul independientes y uniformes en (0, 1).

Cálculo aproximado el valor de π

Si Una aplicación a las integrales múltiples es el cálculo
U11 , . . . , Ul1 aproximado del valor de π.

U12 , . . . , Ul2 Recordemos que el área de un círculo de radio r es π · r 2 ,

.. y por lo tanto π está dado por el valor de la integral
.
Z 1Z 1
U1n , . . . , Uln I{x 2 +y 2 <1} (x, y ) dx dy .
0 0
son n muestras independientes de estas l variables,
podemos estimar
n
X g(U i , . . . , U i )
1 l
θ∼
n
i=1
Cálculo aproximado el valor de π Algoritmo para el cálculo de π

Si X e Y son v.a.i.i.d., uniformes en (−1, 1), ambas con Algoritmo: Generar π

1 PI ← 0;
densidad f (x) = en (−1, 1), entonces su densidad
2 for i = 0 to n do
conjunta será:
Generar U, V ∼ U(0, 1);
1 X ← 2U − 1;
f (x, y ) = f (x)f (y ) = , en (0, 1) × (0, 1). Y ← 2V − 1;
4
if X 2 + Y 2 ≤ 1 then
Si U1 , U2 ∼ U(0, 1), entonces PI ← PI + 1
end
X = 2U1 − 1 Y = 2U2 − 1 end
PI ← 4 ∗ PI/n
verifican X , Y ∼ U(−1, 1).

Cálculo de π Cálculo aproximado el valor de π

(
1 si X 2 + Y 2 ≤ 1
I=
0 c.c.
entonces
π
E[I] = P(X 2 + Y 2 ≤ 1) = .
4
La aguja de Buffon La aguja de Buffon

θ
Un problema planteado en el s. XVIII por Georges Louis
Leclerc, conde de Buffon, fue la siguiente:
l x
Se tienen rectas paralelas equidistantes entre sí, y se
l
arroja una aguja de longitud mayor o igual a la distancia 2 sen(θ)
entre dos rectas.

¿Cuál es la probabilidad que una aguja corte a una de las

rectas?

La aguja de Buffon La aguja de Buffon

◮ t la distancia entre las rectas.

◮ l la longitud de la aguja.
◮ θ la medida del ángulo agudo entre la aguja (o su
prolongación) y una de las rectas.
◮ x la distancia entre el punto medio de la aguja y la
recta más cercana
x y θ son v.a. uniformes con distribución f (x) y g(θ):

2 2
f (x) = , g(θ) = .
t π
La aguja de Buffon
Una aguja cortará la recta si y sólo si la distancia de su
centro a una de las rectas es menor que 2l sen(θ), es decir

l
x< sen(θ).
2

l
π/2 sen(θ)
22
Z Z
2
P(la aguja corte la recta) = dx dθ
0 0 tπ

2l
P(la aguja corte la recta) = .
πt
2
Tomando l = t, obtenemos aproximaciones a .
π