EL METODO DE MONTECARLO

Supongamos que se nos da una variable aleatoria X y estamos interesados en la evaluación de Eg(X)
dónde g(·) es una función conocida. Si somos capaces de dibujar n números pseudoaleatorios 𝑥1 , . . . , 𝑥𝑛 , de la
distribución de X, entonces podemos pensar sobre aproximar Eg(X) con la media muestral de la 𝑔(𝑥𝑖 )
𝑛
1
Eg(X) ≈ ∑ 𝑔(𝑥𝑖 ) = 𝑔̅𝑛
𝑛
𝑖=1

La expresión anterior no solo es simbólica, sino que también es cierta en el sentido de la ley de los grandes
números siempre que E[g(X)] < +∞. Además, el teorema del límite central garantiza que
𝑑 1
𝑔̅𝑛 =→ 𝑁(Eg(X), 𝑣𝑎𝑟(𝑔(𝑋))
𝑛

Dónde 𝑁(𝑚, 𝑠 2 ) denota la distribución de la variable aleatoria gaussiana con valor esperado m y varianza 𝑠 2 .
Al final, el número que estimamos con simulaciones tendrá una desviación del valor esperado verdadero
1
Eg(X) de orden . Dado que 𝑃(|𝑍| < 1.96) ≅ 0.95, 𝑍~𝑁(0,1) se puede construir un intervalo para el 𝑔̅𝑛
√𝑛
estimado de la forma

Dónde ,que se interpreta que la variación de Monte Carlo de Eg (X) anterior se

incluye en el intervalo superior al 95% del tiempo. El intervalo de confianza depende de Varg (X), y
generalmente esta cantidad también debe estimarse a través de la muestra. De hecho, uno puede estimarlo
como la varianza muestral de las réplicas de Monte Carlo como

y use el siguiente intervalo de confianza de Monte Carlo de 95% para Eg (X):

La cantidad es llamada es llamada el error estándar.

El siguiente ejemplo se debe realizar en código R

Y = g(X) = eβX con 𝑋~𝑁(0,1) y supongamos que estamos interesados en Eg(X) con 𝛽 = 5. El valor analítico
𝛽2
2 2
se puede calcular como 𝑒 2 . Y el valor real de la desviación estándar 𝜎 = √𝑒 2𝛽 − 𝑒 𝛽 número bastante
grande con respecto a la media de Y. Supongamos que queremos estimar E(Y) a través del método Monte
Carlo usando 100000 repeticiones y construir intervalos de confianza del 95% usando la desviación estándar 𝜎
verdadera y el error estándar estimado.