Métodos aleatorizados.
¿Sabías que puedes integrar una función lanzando dardos? El método se llama integración de Monte Carlo.
La idea es que al muestrear aleatoriamente un área (lanzar dardos) puede contar el número de muestras (dardos) que se encuentran dentro de una región en particular y compararlo con el número total de muestras. La proporción de las muestras combinadas con el área de la región total le da el área de la subregión.
- ¿Necesitas ser bueno en matemáticas si quieres ser ingeniero informático?
- ¿Qué tal aprender matemáticas en MIPT? Comparado con su fama en física, ¿qué pasa con su habilidad en matemáticas?
- ¿Cuál es el nivel de preguntas en el examen IISER-Bhopal Integrated-PhD Mathematics?
- ¿Qué clases de ciencias de la computación / matemáticas debería tomar como estudiante universitario dispuesto a realizar trabajos de posgrado en aprendizaje automático y estadística aplicada?
- ¿Qué tema de matemáticas debo aprender? Aprendí cálculo, álgebra lineal, física y análisis real.
De manera similar, puede estimar la integral de una función al muestrearla en puntos aleatorios y luego promediar los valores y escalar el tamaño del dominio.
En un caso extremo, si necesita tomar una integral, pero solo puede evaluar la función una vez que su mejor opción es evaluar la función en un punto aleatorio y escalar el valor por el tamaño del dominio.
En algunos casos, el muestreo aleatorio puede ser un método de integración más eficiente que un método numérico determinista. Por ejemplo, calcular la suma de Riemann de un objeto de alta dimensión es exponencial en la dimensión, mientras que el método de Monte Carlo es independiente de la dimensión . En términos prácticos, las sumas de Riemann comienzan a fallar alrededor de 10 a 20 dimensiones, mientras que el método Monte Carlo funciona bien para cientos de dimensiones.
Los algoritmos aleatorios tienen muchas otras aplicaciones maravillosas. Para nombrar unos pocos…
- Prueba rápida de primalidad
- Mejora del rendimiento del algoritmo (p. Ej., Selección de pivote en Quicksort)
- Búsqueda aleatoria: útil cuando se sabe poco sobre el espacio de búsqueda
- Algoritmos de sistemas distribuidos (retroceso exponencial, elección de líder, etc.)
- Muestreo de grandes conjuntos de datos
- Algoritmos de síntesis (generación de papel y generación de paisajes fractales)
Muchos algoritmos tienen variantes aleatorias y el rango de aplicaciones es bastante sorprendente.