Métodos de Monte Carlo
Los métodos de Monte Carlo aproximan integrales, expectativas y probabilidades promediando extracciones aleatorias simuladas, reemplazando el cálculo analítico intratable con la ley de los grandes números aplicada a una secuencia de muestras.
Definition
Los métodos de Monte Carlo son técnicas computacionales que estiman una cantidad determinista, típicamente una integral o una expectativa, como el promedio de una función evaluada en muestras extraídas de una distribución de probabilidad apropiada.
Scope
Esta área cubre la estimación Monte Carlo simple de integrales y expectativas, el muestreo por importancia como estrategia de reponderación, y las cadenas de Markov Monte Carlo para el muestreo de distribuciones complejas de alta dimensión, incluyendo el muestreador de Gibbs. Trata la teoría estadística de estos estimadores (consistencia, tasas de error, tamaño efectivo de la muestra) en lugar de modelos de simulación específicos de la física.
Sub-topics
Core questions
- ¿Cómo estima el promedio de muestras aleatorias una integral, y a qué tasa disminuye el error?
- ¿Cómo puede el muestreo de una distribución estimar las expectativas bajo otra?
- ¿Cómo se puede construir una cadena de Markov para que su distribución estacionaria sea el objetivo de interés?
- ¿Cómo se cuantifica la precisión de una estimación Monte Carlo cuando las extracciones son dependientes?
Key theories
- Estimación Monte Carlo
- Según la ley de los grandes números, la media muestral de una función evaluada en extracciones independientes converge a su expectativa, y el teorema del límite central proporciona una tasa de error de raíz cuadrada de n, independiente de la dimensión.
- Cadena de Markov Monte Carlo
- La construcción de una cadena de Markov cuya distribución invariante es el objetivo permite muestrear distribuciones conocidas solo hasta una constante, con promedios ergódicos de la cadena estimando las expectativas.
- Cambio de medida mediante muestreo por importancia
- Extraer de una propuesta manejable y reponderar por la razón de la densidad objetivo a la propuesta produce estimaciones insesgadas de las expectativas bajo el objetivo, con la eficiencia gobernada por la varianza del peso.
Clinical relevance
Los métodos de Monte Carlo son el motor computacional de la estadística moderna: evalúan posteriores bayesianos, integran variables latentes, propagan la incertidumbre a través de modelos complejos y estiman valores p y riesgos en entornos donde no existen respuestas de forma cerrada, con aplicaciones que abarcan la física, la genética, las finanzas y la epidemiología.
History
Los métodos de Monte Carlo se originaron en los cálculos de física nuclear en Los Álamos en la década de 1940 y fueron nombrados en honor al casino; el algoritmo de Metropolis siguió en 1953, Hastings lo generalizó en 1970, y el redescubrimiento en la década de 1990 del muestreo de Gibbs por parte de los estadísticos convirtió las cadenas de Markov Monte Carlo en la herramienta dominante de la estadística bayesiana computacional.
Key figures
- Nicholas Metropolis
- Stanislaw Ulam
- Christian P. Robert
- Andrew Gelman
Related topics
Seminal works
- robert2004
- metropolis1949
Frequently asked questions
- ¿Por qué el error de Monte Carlo no aumenta con la dimensión?
- El error estándar de un promedio Monte Carlo simple disminuye como uno sobre la raíz cuadrada del número de extracciones, independientemente de la dimensión de la integral. Esta independencia de la dimensión es la razón por la que Monte Carlo a menudo supera la cuadratura basada en cuadrículas para problemas de alta dimensión.
- ¿Cuál es la diferencia entre Monte Carlo simple y cadena de Markov Monte Carlo?
- Monte Carlo simple utiliza extracciones independientes de la distribución objetivo. La cadena de Markov Monte Carlo, en cambio, simula una secuencia dependiente cuya distribución a largo plazo es el objetivo, lo que le permite muestrear distribuciones de las que no se puede extraer directamente.