Actividad 2 - Problema 1.

La siguiente figura sugiere como estimar el valor de π con una simulación. En la figura, un circuito con un área igual a π/4, está inscrito en un cuadrado cuya área es igual a 1. Se elige de forma aleatoria n puntos dentro del cuadrado . La probabilidad de que un punto esté dentro del círculo es igual a la fracción del área del cuadrado que abarca a este, la cual es π/4. Por tanto, se puede estimar el valor de π/4 al contar el número de puntos dentro del círculo. De este último resultado se encontrar una aproximación para el valor de π.

Para resolver este ejercicio hace lo siguente:

Pasos 1 y 2: Se generan n coordenadas x: X1, . . . , Xn. Utilizando la distribución uniforme con valor mínimo de 0 y valor máximo de 1. La distribución uniforme genera variables aleatorias que tienen la misma probabilidad de venir de cualquier parte del intervalo (0,1), y se generan n coordenadas y: Y1, . . . , Yn, utilizando nuevamente la distribución uniforme con valor mínimo de 0 y valor máximo de 1.

Paso 3: Cada punto (\(X_i, Y_i\)) se encuentra dentro del círculo si su distancia desde el centro (0.5,0.5) es menor a 0.5. Para cada par (\(X_i, Y_i\)) se determina si la distancia desde el centro es menor a 0.5 Esto último se puede realizar al calcular el valor \((X_i - 0.5)^2 + (Y_i - 0.5)^2\), que es el cuadrado de la distancia, y al determinar si es menor que 0.25

Finalmente, en el Paso 4 se halla el valor de π, se encuentra el error absoluto y se muestra la cantidad de puntos que caen dentro del círculo.

La solución se muestra a continuación:

EstimacionPi <- function(n) {
    x <- runif(n, 0, 1)
    y <- runif(n, 0, 1)
    distancia <- numeric()  #Crea un vector vacío para almacenar las distancias calculadas
    for (i in 1:length(x)) {
        distancia[i] <- (x[i] - 0.5)^2 + (y[i] - 0.5)^2
    }
    puntos <- ifelse(distancia < 0.25, 1, 0)
    valor_estimado_pi <- 4 * sum(puntos)/length(x)
    return(list(valor_estimado_pi, puntos))
}

Ahora, se puede ver el valor de π generado en la simulación, el error absoluto, el número total de puntos dentro del círculo y el tiempo de compilación correspondiente de acuerdo al valor de n:

Con 1000 puntos:

# Medir el tiempo de compilación de este fragmento de código
tiempo_inicio <- Sys.time()
resultado <- (EstimacionPi(1000))
pi_estimado<-resultado[[1]]
puntos <-resultado[[2]]
tiempo_fin <- Sys.time()
tiempo_total <- tiempo_fin - tiempo_inicio
print(paste("Tiempo de compilación:", tiempo_total))
## [1] "Tiempo de compilación: 0.0611999034881592"
print(paste("El valor estimado para π con n=1000 es: ", pi_estimado))
## [1] "El valor estimado para π con n=1000 es:  3.168"
print(paste("El error absoluto con n=1000 es: ", ErrorAbsoluto <- abs(pi_estimado-pi) ))
## [1] "El error absoluto con n=1000 es:  0.026407346410207"
print(paste("El número de puntos dentro del círculo con n=1000 es: ", ErrorAbsoluto <- sum(puntos) ))
## [1] "El número de puntos dentro del círculo con n=1000 es:  792"

Con 10000 puntos:

# Medir el tiempo de compilación de este fragmento de código
tiempo_inicio <- Sys.time()
resultado <- (EstimacionPi(10000))
pi_estimado<-resultado[[1]]
puntos <-resultado[[2]]
tiempo_fin <- Sys.time()
tiempo_total <- tiempo_fin - tiempo_inicio
print(paste("Tiempo de compilación:", tiempo_total))
## [1] "Tiempo de compilación: 0.00732803344726562"
print(paste("El valor estimado para π con n=10000 es: ", pi_estimado))
## [1] "El valor estimado para π con n=10000 es:  3.1128"
print(paste("El error absoluto con n=10000 es: ", ErrorAbsoluto <- abs(pi_estimado-pi) ))
## [1] "El error absoluto con n=10000 es:  0.0287926535897931"
print(paste("El número de puntos dentro del círculo con n=10000 es: ", ErrorAbsoluto <- sum(puntos) ))
## [1] "El número de puntos dentro del círculo con n=10000 es:  7782"

Con 100000 puntos:

# Medir el tiempo de compilación de este fragmento de código
tiempo_inicio <- Sys.time()
resultado <- (EstimacionPi(100000))
pi_estimado<-resultado[[1]]
puntos <-resultado[[2]]
tiempo_fin <- Sys.time()
tiempo_total <- tiempo_fin - tiempo_inicio
print(paste("Tiempo de compilación:", tiempo_total))
## [1] "Tiempo de compilación: 0.129961013793945"
print(paste("El valor estimado para π con n=100000 es: ", pi_estimado))
## [1] "El valor estimado para π con n=100000 es:  3.14048"
print(paste("El error absoluto con n=10000 es: ", ErrorAbsoluto <- abs(pi_estimado-pi) ))
## [1] "El error absoluto con n=10000 es:  0.00111265358979296"
print(paste("El número de puntos dentro del círculo con n=100000 es: ", ErrorAbsoluto <- sum(puntos) ))
## [1] "El número de puntos dentro del círculo con n=100000 es:  78512"

Con 1000000 puntos:

# Medir el tiempo de compilación de este fragmento de código
tiempo_inicio <- Sys.time()
resultado <- (EstimacionPi(1000000))
pi_estimado<-resultado[[1]]
puntos <-resultado[[2]]
tiempo_fin <- Sys.time()
tiempo_total <- tiempo_fin - tiempo_inicio
print(paste("Tiempo de compilación:", tiempo_total))
## [1] "Tiempo de compilación: 0.422616004943848"
print(paste("El valor estimado para π con n=100000 es: ", pi_estimado))
## [1] "El valor estimado para π con n=100000 es:  3.141928"
print(paste("El error absoluto con n=10000 es: ", ErrorAbsoluto <- abs(pi_estimado-pi) ))
## [1] "El error absoluto con n=10000 es:  0.000335346410206938"
print(paste("El número de puntos dentro del círculo con n=100000 es: ", ErrorAbsoluto <- sum(puntos) ))
## [1] "El número de puntos dentro del círculo con n=100000 es:  785482"

Análisis de resultados y Conclusiones.

La estimación de π usando diferentes valores de n varia notablemente según el tamaño de la muestra, es decir, a medida que aumenta n también disminuye el error absoluto y el valor de π estimado converge al valor real de π (3.1415926535…). En el ejercicio de la clase se nos pide hacer este cálculo para valores de muestras de 1000, 10000 y 100000 puntos. Caso a caso se ve como el error absoluto va dismimuyendo, aunque el mismo va disminuyendo a pasos más pequeños en la medida que aumentamos el número de puntos. Adicional a los valores pedidos por la prueba, también se realiza el experimento para un millón de puntos, en donde se confirma una vez más como el error absoluto continía disminuyendo. Esta disminución del error absoluto es a un costo, y dicho costo es el computacional. Para probarlo, se adicionó la línea de cálculo del tiempo de computación para los cuatro casos de puntos y se notó que en la medida que el número de muestras aumentaba, también lo hacía el tiempo de computación, implicando un mayor esfuerzo para el computador. Si bien es cierto el cálculo de π no necesariamente va a desbordar la memoria y los recursos de nuestros computadores, si es importante tenerlo en cuenta cuando realizamos trabajos y cálculos más avanzados, en dónde quizás debamos pensar en procesos de optimización para mejorar el trabajo realizado. Todo lo anterior se puede observar más claramente al realizar una representación gráfica, como mostrado en la parte de abajo (Estimación de π y t de simulación vs n puntos), en donde se hizo un ciclo for variando el número de muestras de 100 en 100 puntos y partiendo desde 100 hasta 100000. Es claro como al aumentar el número de muestras el error absoluto disminuye (línea roja en donde se muestra como la aproximación del valor de π es más cercana al valor real), mientras que el tiempo de computación va aumentando (línea azul).

#Para realizar la gráfica incluyendo el tiempo de simulación se modificó la función para estimar el valor de π
# Definir la función de estimación de pi
EstimacionPi <- function(n) {
    tiempo_inicio <- Sys.time()  # Medir tiempo de inicio
    x <- runif(n, 0, 1)
    y <- runif(n, 0, 1)
    distancia <- (x - 0.5)^2 + (y - 0.5)^2
    puntos <- ifelse(distancia < 0.25, 1, 0)
    valor_estimado_pi <- 4 * sum(puntos)/n
    tiempo_fin <- Sys.time()  # Medir tiempo de fin
    tiempo_simulacion <- as.numeric(difftime(tiempo_fin, tiempo_inicio, units = "secs"))  # Calcular tiempo de simulación
    return(list(valor_estimado_pi, tiempo_simulacion))
}

# Definir el valor exacto de pi
pi_exacto <- pi

# Crear vectores para almacenar estimaciones de pi y tiempo de simulación
estimaciones_pi <- numeric()
tiempos_simulacion <- numeric()

# Número de puntos para probar
num_puntos <- seq(100, 100000, by = 100)

# Calcular estimación de pi y tiempo de simulación para cada número de puntos
for (n in num_puntos) {
  estimacion_actual <- EstimacionPi(n)
  estimaciones_pi <- c(estimaciones_pi, estimacion_actual[[1]])
  tiempos_simulacion <- c(tiempos_simulacion, estimacion_actual[[2]])
}

# Graficar estimación de pi vs número de puntos
par(mar=c(5, 5, 4, 2) + 0.1)
plot(num_puntos, estimaciones_pi, type = "l", xlab = "n", ylab = "Estimación de π", col = "red", main = "Estimación de π y t de simulación vs n")

# Agregar una línea en el valor exacto de pi
abline(h = pi_exacto, col = "black")

# Agregar eje secundario para el tiempo de simulación
par(new = TRUE)
plot(num_puntos, tiempos_simulacion, type = "l", xaxt = "n", yaxt = "n", xlab = "", ylab = "", col = "blue")
axis(4)
mtext("t de simulación (s)", side = 4, line = 3)
# Agregar leyenda
legend("topleft", legend = c("Estimación de π", "t de simulación (s)"), col = c("red", "blue"), lty = c(1, 1))