Integración Monte Carlo en Física
Cuando una integral abarca muchas dimensiones, la cuadratura basada en cuadrículas se vuelve inviable, y la integración Monte Carlo prevalece al estimar la integral como un promedio sobre puntos aleatorios con un error que ignora la dimensión.
Definition
La integración Monte Carlo estima una integral definida como el promedio del integrando evaluado en puntos elegidos aleatoriamente en el dominio, multiplicado por el volumen del dominio, con un error estadístico que disminuye como la raíz cuadrada inversa del número de puntos.
Scope
Este tema cubre la evaluación Monte Carlo de integrales físicas de alta dimensión: muestreo simple, reducción de varianza mediante muestreo por importancia y estratificado, y esquemas adaptativos como VEGAS, con aplicaciones a funciones de partición, secciones transversales de dispersión e integrales de espacio de fases. Trata la integración específicamente, distinta del muestreo de configuración.
Core questions
- ¿Por qué la integración Monte Carlo supera la cuadratura de cuadrícula en altas dimensiones?
- ¿Cómo reduce el muestreo por importancia la varianza de una estimación integral?
- ¿Cómo distribuye el muestreo estratificado los puntos para reducir el error?
- ¿Cómo aprenden los algoritmos adaptativos como VEGAS la forma de un integrando con picos?
Key theories
- Error independiente de la dimensión
- El error estadístico de una integral Monte Carlo escala como la raíz cuadrada inversa del número de muestras, independientemente de la dimensión, mientras que el error de la cuadratura de cuadrícula empeora exponencialmente a medida que aumenta la dimensión.
- Reducción de varianza
- El muestreo por importancia concentra los puntos donde el integrando es grande al extraer de una distribución adaptada, y el muestreo estratificado particiona el dominio, ambos reduciendo la varianza de la estimación para un número fijo de evaluaciones.
- Integración adaptativa
- El algoritmo VEGAS refina iterativamente una cuadrícula de muestreo por importancia separable para que coincida con el integrando, lo que lo hace efectivo para las integrales de alta dimensión y con picos pronunciados que surgen en la física de partículas.
Clinical relevance
La integración Monte Carlo evalúa integrales de espacio de fases y secciones transversales de dispersión en física de partículas, integrales de función de partición y energía libre en mecánica estadística, y cualquier integral multidimensional donde la cuadratura determinista es inviable.
History
La integración Monte Carlo surgió del mismo trabajo de Los Álamos de la década de 1940 que fundó los métodos Monte Carlo; los esquemas de muestreo por importancia adaptativos como VEGAS, introducidos por Lepage en 1978, hicieron que las integrales de alta dimensión en física de partículas fueran rutinariamente computables.
Key figures
- G. Peter Lepage
- Stanislaw Ulam
- John von Neumann
Related topics
Seminal works
- lepage1978
- press2007
Frequently asked questions
- ¿Cuándo es preferible la integración Monte Carlo a la cuadratura ordinaria?
- Para integrales suaves de baja dimensión, la cuadratura determinista es más precisa. Monte Carlo gana una vez que la dimensión es alta, típicamente más allá de cuatro o cinco, porque su error no depende de la dimensión, mientras que los métodos de cuadrícula necesitan un número de puntos que crece exponencialmente.
- ¿En qué se diferencia la integración Monte Carlo del muestreo de Metropolis?
- La integración Monte Carlo extrae puntos independientes para estimar una integral fija, a menudo utilizando muestreo por importancia de una distribución conocida. El muestreo de Metropolis genera una cadena de Markov correlacionada para muestrear una distribución complicada, como un conjunto de Boltzmann, que no se puede extraer directamente.