MÓDELO: MONTE CARLO

1. ANTECEDENTES

El uso de los métodos de Montecarlo como herramienta de investigación, proviene del

trabajo realizado en el desarrollo de la bomba atómica durante la Segunda Guerra
Mundial en el Laboratorio Nacional de Los Álamos en EE. UU. Este trabajo conllevaba la
simulación de problemas probabilísticos de hidrodinámica concernientes a la difusión de
neutrones en el material de fisión. Esta difusión posee un comportamiento
eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de
raytracing para la generación de imágenes 3D.

El método fue llamado así por el principado de Mónaco por ser ”la capital del juego de
azar”, al tomar una ruleta como un generador simple de números aleatorios. El nombre
y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de
1944 con el desarrollo de la computadora electrónica. Sin embargo hay varias instancias
(aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944.

El uso real de los métodos de Monte Carlo como una herramienta de investigación, viene
del trabajo de la bomba atómica durante la Segunda Guerra Mundial. Este trabajo
involucraba la simulación directa de problemas probabilísticos de hidrodinámica
concernientes a la difusión de neutrones aleatorios en material de fusión.

La invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una idea
del resultado general del solitario haciendo pruebas múltiples con las cartas y contando
las proporciones de los resultados que computar todas las posibilidades de combinación
formalmente. Se le ocurrió que esta misma observación debía aplicarse a su trabajo de
Los Álamos sobre difusión de neutrones, para la cual resulta prácticamente imposible
solucionar las ecuaciones íntegro-diferenciales que gobiernan la dispersión, la absorción
y la fisión. “La idea consistía en probar con experimentos mentales las miles de
posibilidades, y en cada etapa, determinar por casualidad, por un número aleatorio
distribuido según las probabilidades, qué sucedería y totalizar todas las posibilidades y
tener una idea de la conducta del proceso físico”.

Podían utilizarse máquinas de computación, que comenzaban a estar disponibles, para

efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental del físico.
Durante una de las visitas de von Neumann a Los Álamos en 1946, Ulam le mencionó el
método. Después de cierto escepticismo inicial, von Neumann se entusiasmó con la idea
y pronto comenzó a desarrollar sus posibilidades en un procedimiento sistemático. Ulam
expresó que Monte Carlo “comenzó a tener forma concreta y empezó a desarrollarse con
todas sus fallas de teoría rudimentaria después de que se lo propuse a Johnny”.

A principios de 1947 Von Neumann envió una carta a Richtmyer a Los Álamos en la que
expuso de modo influyente tal vez el primer informe por escrito del método de Monte
Carlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe
de Los Álamos y distribuida entre los miembros del laboratorio. Von Neumann sugería
aplicar el método para rastrear la generación isótropa de neutrones desde una
composición variable de material activo a lo largo del radio de una esfera. Sostenía que
el problema era adecuado para el ENIAC y estimaba que llevaría 5 horas calcular la
acción de 100 neutrones a través de un curso de 100 colisiones cada uno.

Ulam estaba particularmente interesado en el método Monte Carlo para evaluar

integrales múltiples. Una de las primeras aplicaciones de este método a un problema
determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando
consideraron los valores singulares de la ecuación de Schrödinger.

El método de Montecarlo proporciona soluciones aproximadas a una gran variedad de

problemas matemáticos posibilitando la realización de experimentos con muestreos de
números pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo
de problema, ya sea estocástico o determinista. A diferencia de los métodos numéricos
que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir
una solución aproximada, el método de Montecarlo tiene un error absoluto de la
estimación que decrece como en virtud del teorema del límite central.

2. OBJETIVO

3. MARCO TEÓRICO

Modelo de simulación Monte Carlo responde a un modelo matemático estadístico

numérico o no determinista ya que está basado en el muestreo sistemático de variables
aleatorias.

Está fundamentado en la generación de números aleatorios por el método de

Transformación Inversa, el cual se basa en las distribuciones acumuladas de
frecuencias:

 Determinar la/s V.A. y sus distribuciones acumuladas(F)

 Generar un número aleatorio uniforme ∈ (0,1).
 Determinar el valor de la V.A. para el número aleatorio generado de acuerdo a las
clases que tengamos. Calcular media, desviación estándar error y realizar el
histograma.
 Analizar resultados para distintos tamaños de muestra.

La simulación Monte Carlo proporciona una serie de ventajas sobre el

análisis determinista o “estimación de un solo punto”:

 Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder,

sino lo probable que es un resultado.
 Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es
fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto
es importante para comunicar los resultados a otras personas interesadas.
 Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas
es más difícil ver las variables que más afectan el resultado. En la simulación Monte
 Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre
los resultados finales.
 Análisis de escenario. En los modelos deterministas resulta muy difícil modelar
diferentes combinaciones de valores de diferentes valores de entrada, con el fin de
ver los efectos de situaciones verdaderamente diferentes. Usando la simulación
Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada
variable cuando se producen ciertos resultados. Esto resulta muy valioso para
profundizar en los análisis.
 Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar
relaciones interdependientes entre diferentes variables de entrada. Esto es
importante para averiguar con precisión la razón real por la que, cuando algunos
factores suben, otros suben o bajan paralelamente.

Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino Hipercúbico, que
muestrea con mayor precisión a partir de un rango completo de funciones de distribución.

La importancia actual del método Montecarlo se basa en la existencia de problemas que

tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero que
dependen de factores aleatorios o se pueden asociar a un modelo probabilístico artificial
(resolución de integrales de muchas variables, minimización de funciones, etc.). Gracias
al avance en diseño de los ordenadores, cálculos Montecarlo que en otro tiempo
hubieran sido inconcebibles, hoy en día se presentan como asequibles para la resolución
de ciertos problemas. En estos métodos el error ~ 1/√N, donde N es el número de
pruebas y, por tanto, ganar una cifra decimal en la precisión implica aumentar N en 100
veces. La base es la generación de números aleatorios de los que nos serviremos para
calcular probabilidades. Conseguir un buen generador de estos números, así como un
conjunto estadístico adecuado sobre el que trabajar son las primeras dificultades con la
nos vamos a encontrar a la hora de utilizar este método.
4. MARCO PRÁCTICO

Métodos de Monte Carlo son especialmente útiles para la simulación de fenómenos con
incertidumbre en los insumos y sistemas con un gran número de grados de libertad
acoplados. Las áreas de aplicación incluyen:

Ciencias físicas

Métodos de Monte Carlo son muy importantes en física computacional, química física y
campos aplicados relacionados, y tienen diversas aplicaciones del cromo dinámico
cuántica complicados cálculos para diseñar pantallas térmicas y formas aerodinámicas.
En la física estadística Monte Carlo modelado molecular es una alternativa a la dinámica
molecular computacional, y métodos de Monte Carlo se usan para calcular las teorías
estadísticas de campo de sistemas de polímeros sencilla de partículas y. Quantum
métodos de Monte Carlo a resolver el problema de muchos cuerpos para sistemas
cuánticos. En la física experimental de partículas, métodos de Monte Carlo se utilizan
para el diseño de detectores, la comprensión de su comportamiento y la comparación de
los datos experimentales con la teoría. En astrofísica, que se utilizan en este tipo de
diversas maneras para modelar tanto la evolución de las galaxias y la transmisión de la
radiación de microondas a través de una superficie planetaria áspera. Métodos de Monte
Carlo también se utilizan en los modelos de conjunto que forman la base de la actual
predicción del tiempo.7

Ingeniería
Métodos de Monte Carlo son ampliamente utilizados en ingeniería para el análisis de
sensibilidad y análisis probabilístico cuantitativa en el diseño del proceso. La necesidad
surge de la conducta interactiva, co-lineal y no lineal de simulaciones de procesos típicos.
Por ejemplo,

 en la microelectrónica de ingeniería, métodos de Monte Carlo se aplican a analizar

las variaciones correlacionadas y no correlacionadas en los circuitos integrados
analógicos y digitales.
  en geoestadística y Geo metalurgia, métodos de Monte Carlo sustentan el diseño
de diagramas de flujo de procesamiento de minerales y contribuyen al análisis de
riesgo cuantitativo. en el análisis de rendimiento de la energía eólica, la producción
de energía previsto de un parque eólico durante su vida útil se calcula dar
diferentes niveles de incertidumbre
 impactos de la contaminación son simuladas y Diesel en comparación con la
gasolina.
 En robótica autónoma, Monte Carlo localización puede determinar la posición de
un robot. Se aplica a menudo a filtros estocásticos tales como el filtro de Calman
o un filtro de partículas que forma el corazón del algoritmo de SLAM.
 En la ingeniería aeroespacial, se utilizan los métodos de Monte Carlo para
asegurar que múltiples partes de un ensamblaje encajan en un componente del
motor.

Industria

En la empresa se utiliza la simulación para predecir las consecuencias que tendrá la

toma de una decisión determinada. control de inventarios, planes de mantenimiento,
localización de recursos, predicción de ventas o demanda, etc.
́
La simulación permite resolver problemas complejos, aunque lo que obtendremos ser a
una aproximación de la solución. No todos los problemas son abordables mediante
simulación

Biología Computacional

Métodos de Monte Carlo se utilizan en biología computacional, tales como para la

inferencia bayesiana en la filogenia.

Los sistemas biológicos tales como membranas de proteínas, imágenes de cáncer, están
siendo estudiados por medio de simulaciones por ordenador.
Los sistemas pueden ser estudiados en los marcos initio de grano grueso o ab
dependiendo de la precisión deseada. Las simulaciones por ordenador nos permiten
monitorear el entorno local de una molécula en particular para ver si alguna reacción
química ocurre, por ejemplo. También se pueden llevar a cabo experimentos de
pensamiento cuando los experimentos físicos no son factibles, por ejemplo, bonos de
rotura, la introducción de impurezas en sitios específicos, el cambio de la estructura
local/global, o la introducción de campos externos.

Infografía

Camino trazado, a veces denominada Monte Carlo Ray Tracing, hace una escena 3D
trazando al azar muestras de posibles trayectorias de la luz. Muestreo repetido de
cualquier píxel con el tiempo hará la media de las muestras para converger en la solución
correcta de la ecuación de la representación, por lo que es uno de los gráficos en 3D
más precisos físicamente métodos existentes de representación.

Estadística aplicada

En estadística aplicada, métodos de Monte Carlo se utilizan generalmente para dos

propósitos:

Para comparar las estadísticas de la competencia para muestras pequeñas de datos en

condiciones realistas. Aunque las propiedades de error de tipo I y el poder de la
estadística se pueden calcular de los datos extraídos de las distribuciones teóricas
clásicas para condiciones asintóticas, los datos reales a menudo no tienen tales
distribuciones.

Para proporcionar implementaciones de pruebas de hipótesis que son más eficientes que
las pruebas exactas tales como pruebas de permutación y ser más precisos que los
valores críticos de las distribuciones asintóticas.

Métodos de Monte Carlo son también un compromiso entre la aleatorización

aproximadas y pruebas de permutación. Una prueba de aleatorización aproximada se
basa en un subconjunto especificado de todas las permutaciones. El método de Monte
Carlo se basa en un número especificado de permutaciones extraídos aleatoriamente.

Diseño y visuales

Métodos de Monte Carlo también son eficientes en la solución de ecuaciones

diferenciales acopladas integrales de los campos de radiación y el transporte de energía,
y por lo tanto estos métodos han sido utilizados en los cálculos de iluminación global que
producen imágenes foto-realistas de modelos virtuales en 3D, con aplicaciones en los
videojuegos, la arquitectura, el diseño, películas y efectos especiales cinematográficos
generados por ordenador.

Finanzas y negocio

Métodos de Monte Carlo en finanzas a menudo se utilizan para calcular el valor de las
empresas, para evaluar las inversiones en proyectos en una unidad de negocio o nivel
corporativo, o para evaluar los derivados financieros. Pueden ser utilizados para los
programas del proyecto de modelo, donde las simulaciones se agregan las estimaciones
para el peor de los casos, el mejor de los casos, y lo más probable duración de cada
tarea para determinar los resultados para el conjunto del proyecto.

Telecomunicaciones

Cuando se planifica una red inalámbrica, el diseño debe ser probado para trabajar para
una amplia variedad de escenarios que dependen principalmente del número de
usuarios, su ubicación y los servicios que desea utilizar. Métodos de Monte Carlo se
utilizan típicamente para generar estos usuarios y sus estados. El rendimiento de la red
se evaluó a continuación y, si los resultados no son satisfactorios, el diseño de la red
pasa a través de un proceso de optimización.

Utilizar en matemáticas

En general, los métodos de Monte Carlo se utilizan en las matemáticas para resolver
diversos problemas mediante la generación de números aleatorios adecuados y la
observación de que la fracción de los números que obedece a alguna propiedad o
propiedades. El método es útil para la obtención de soluciones numéricas a problemas
demasiado complicados para resolver analíticamente. La aplicación más común del
método de Monte Carlo es la integración Monte Carlo.

Integración

Algoritmos de integración numérica deterministas funcionan bien en un pequeño número

de dimensiones, pero encontrarse con dos problemas cuando las funciones tienen
muchas variables. En primer lugar, el número de evaluaciones de la función necesarios
aumenta rápidamente con el número de dimensiones. Por ejemplo, si 10 evaluaciones
proporcionan una precisión adecuada en una dimensión, a continuación, se necesitan
10.100 puntos por 100 dimensiones-demasiados para ser calculado. Esto se conoce
como la maldición de la dimensionalidad. En segundo lugar, el límite de una región
multidimensional puede ser muy complicado, por lo que no puede ser factible para reducir
el problema a una serie de integrales unidimensionales anidados. 100 dimensiones no
son en absoluto inusuales, ya que, en muchos problemas físicos, una "dimensión" es
equivalente a un grado de libertad.

Métodos de Monte Carlo proporcionan una manera de salir de este aumento exponencial
de tiempo de cálculo. Mientras la función en cuestión está razonablemente bien
comportada, se puede estimar mediante la selección aleatoria 100 puntos en el espacio
tridimensional, y teniendo algún tipo de promedio de los valores de la función en estos
puntos. Por el teorema del límite central, este método muestra la convergencia, es decir,
cuadruplicar el número de puntos de muestra reduce a la mitad el error, sin importar el
número de dimensiones.

Un refinamiento de este método, conocido como muestreo de importancia en las

estadísticas, implica el muestreo de los puntos al azar, pero con más frecuencia donde
el integrando es grande. Para ello, precisamente, uno tendría que saber ya la integral,
pero se puede aproximar la integral por una integral de una función similar o usar rutinas
de adaptación, tales como el muestreo estratificado, muestreo estratificado recursivo, el
muestreo adaptativo paraguas o el algoritmo VEGAS.

Un enfoque similar, el método cuasi-Monte Carlo, utiliza secuencias de baja

discrepancia. Estas secuencias de "llenar" la zona mejor y degustar los puntos más
importantes con más frecuencia, por lo que los métodos cuasi Monte Carlo a menudo
pueden converger en el integrante más rápidamente. Otra clase de métodos para el
muestreo de puntos en un volumen es simular paseos aleatorios sobre ella. Tales
métodos incluyen el algoritmo de Metropolis-Hastings, el muestreo Gibbs y el algoritmo
de Wang y Landau.

Matemática Computacional

Métodos de Monte Carlo son útiles en muchas áreas de la matemática computacional,

donde una "opción afortunada" se puede encontrar el resultado correcto. Un ejemplo
clásico es el algoritmo de Rabin para las pruebas de primalidad: para cualquier n no es
primo, una aleatoria x tiene al menos un 75% de posibilidades de probar que n no es
primo. Por lo tanto, si n no es primo, pero x dice que puede ser que sea, hemos observado
a lo sumo un 1 en 4 eventos. Si 10 x diferentes al azar dicen que "n es probablemente
prime" cuando no lo es, se ha observado un uno en un millón evento. En general, un
algoritmo de Monte Carlo de este tipo produce una respuesta correcta con una garantía
de n es compuesto, y x demuestra que sí, pero otra sin, pero con una garantía de no
obtener esta respuesta cuando se está mal con demasiada frecuencia, en este caso
como máximo el 25% del tiempo.

5. CONCLUSIONES Y RECOMENDACIONES

La importancia actual del método Montecarlo se basa en la existencia de problemas que

tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero que
dependen de factores aleatorios o se pueden asociar a un modelo probabilístico artificial
(resolución de integrales de muchas variables, minimización de funciones, etc.). Gracias
al avance en diseño de los ordenadores, cálculos Montecarlo que en otro tiempo
hubieran sido inconcebibles, hoy en día se presentan como asequibles para la resolución
de ciertos problemas.

Este método es aplicable para cualquier tipo de problema ya sea determinístico o

estocásticos empleados en problemas complejos que solamente se pueden resolver
por programas de computadora, así como problemas simples que se resolverán a mano
sin tanta dificultad.

6. BIBLIOGRAFÍA

 INSTITUTO TECNOLOGICO DE TIJUANA. (s.f.). SLIDESHARE. (NOVIEMBRE

de 2014), de [Link]
 Iris Claudet Martínez Pérez "Método Montecarlo", (21 de Mar de 2018) Dirección
URL: [Link]
 Wikipedia “Metodo de montecarlo”, (10 jul 2017),
Dirección URL: [Link]
 Simulación, método de Montecarlo (Marzo 2011) Dirección URL:
[Link]
 Simulación, método de Montecarlo (2005) Dirección URL:
[Link]
 PALISADE. Simulación Montecarlo (2005) Dirección URL: [Link]
[Link]/risk/simulacion_monte_carlo.asp
