Probabilidad y estadística · Método de Montecarlo

Método de Montecarlo

El método de Montecarlo estima un número mediante muestreo aleatorio. Si se lanzan N puntos de forma independiente y uniforme en el cuadrado unidad, la proporción que cae en una región estima su área, con un error estándar proporcional a 1/√N. Lanza puntos y observa cómo se estabiliza la estimación de π y cómo evoluciona su incertidumbre.

El método de Montecarlo en este gráfico

Un método de Montecarlo estima un número fijo mediante muestreo aleatorio. Aquí ese número es un área: se lanzan NN puntos uniformemente al azar en el cuadrado unidad, HH caen en una región y H/NH/N estima su área aa. El cuarto de círculo tiene área π/4\pi/4, así que 4H/N4H/N estima π\pi. Para la región bajo y=e−x2y = e^{-x^2}, una integral sin primitiva elemental se convierte en el mismo tipo de recuento. El gráfico inferior sigue la estimación mientras NN crece hasta un millón, con el intervalo en el que debería caer el 95% de las veces.

Por qué la proporción estima el área

Un punto distribuido uniformemente sobre un cuadrado de área 1 cae en una región con probabilidad igual al área de esta. Cada punto es un ensayo independiente con esa probabilidad. Por la ley de los grandes números, la proporción de aciertos se aproxima a aa. La forma de la región no importa si podemos decidir si el punto cae dentro.

Qué precisión tiene

El número de aciertos sigue una distribución binomial y la proporción H/NH/N tiene desviación estándar a(1−a)/N\sqrt{a(1-a)/N}. El error típico disminuye como 1/N1/\sqrt{N}: multiplicar por diez el número de puntos lo divide aproximadamente por 10≈3.16\sqrt{10} \approx 3.16. Para reducirlo diez veces hacen falta unos cien veces más puntos. Con un millón, el margen de π aún ronda ±0.003. No hace falta conocer el área real para estimarlo: al sustituir aa por la proporción observada p^=H/N\hat p = H/N obtenemos el margen ±1.96p^(1−p^)/N\pm 1.96\sqrt{\hat p(1-\hat p)/N} de un intervalo de confianza aproximado del 95%. Aquí se usa cuando hay al menos diez aciertos y diez fallos. Si repitiésemos muchas veces el experimento con el mismo NN, cerca de uno de cada veinte intervalos dejaría fuera el valor real. La franja azul del gráfico inferior muestra el intervalo alrededor del valor real para cada NN por separado. La trayectoria no tiene por qué permanecer en ella: en una sola serie, al añadir puntos el resultado puede alejarse algo más del valor real. Lo que se estrecha de forma predecible es el intervalo.

Cuándo conviene usarlo

Para una función suave de una variable, una regla determinista como la de Simpson (véase integración numérica) es mucho más precisa con el mismo número de evaluaciones. La ventaja de Montecarlo es que su tasa 1/N1/\sqrt{N} conserva el mismo exponente al aumentar el número de dimensiones. En cambio, una cuadrícula con mm puntos por lado necesita mdm^d puntos en dd dimensiones. Por eso Montecarlo puede ser preferible en dimensión alta. Con regiones pequeñas se aprecia su limitación: el error estándar relativo al área es (1−a)/(aN)\sqrt{(1-a)/(aN)}, de modo que una región que ocupa una centésima del cuadrado exige muchos más puntos para la misma precisión relativa.

Qué observar

  • Los puntos aleatorios no quedan espaciados regularmente: con unos cientos de puntos es normal ver grupos y huecos.
  • Los puntos proceden de un generador pseudoaleatorio con semilla numérica. Un enlace compartido reproduce los mismos puntos; al llegar al millón, «Lanzar puntos» vuelve a empezar con la siguiente semilla.

Temas relacionados