MÉTODO DE MONTECARLO

El método Montecarlo es un método numérico que permite resolver problemas físicos y

matemáticos mediante la simulación de variables aleatorias, fue bautizado así por su clara
analogía con los juegos de ruleta de los casinos, el más célebre de los cuales es el
de Montecarlo, casino cuya construcción fue propuesta en 1856 por el príncipe Carlos III de
Mónaco, siendo inaugurado en 1861.
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 probabilística 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.

CARACTERÍSTICAS

La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de

posibles resultados mediante la sustitución de un rango de valores —una distribución de
probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los
resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las
funciones de probabilidad. Dependiendo del número de incertidumbres y de los rangos
especificados, para completar una simulación Monte Carlo puede ser necesario realizar miles
o decenas de miles de re cálculos. La simulación Monte Carlo produce distribuciones de
valores de los resultados posibles.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de riesgo
cualitativo generalmente incluye la evaluación instintiva o “por corazonada” de una
situación, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o
“Probablemente obtendremos buenos resultados”. El análisis de riesgo cuantitativo trata de
asignar valores numéricos a los riesgos, utilizando datos empíricos o cuantificando
evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes
probabilidades de que se produzcan diferentes resultados. Las distribuciones de probabilidad
son una forma mucho más realista de describir la incertidumbre en las variables de un análisis
de riesgo.
 APLICABILIDAD DEL MÉTODO DE MONTECARLO
Una aplicación inmediata del método, es el cálculo de integrales definidas.

Consideremos el siguiente caso:

1
∫ 𝑥 2 𝑑𝑥
0

Siempre podremos considerar que el área se encuentra inscrita en un cuadrado de área 1.

Podremos considerar en el cuadrado de área 1 un número N de puntos aleatorios (x, y), y un
número N´ que aparecen dentro de la superficie a determinar.
 𝑁´ 𝑆
=
𝑁 𝐴
El procedimiento de Monte Carlo tiene N puntos aleatorios de los que N´ resultan corresponder al
área que deseamos calcular.
𝑁´
𝑆=𝐴∙
𝑁
Luego S es proporcional a la probabilidad de que un punto aleatorio caiga en la superficie.
Estimaremos esa probabilidad como:
𝑁´
𝑝=
𝑁
Que será la probabilidad de N´ éxitos en N intentos y que viene dada por la distribución binomial:
𝑁
𝑃(𝑁´ 𝑎𝑐𝑖𝑒𝑟𝑡𝑜𝑠 𝑒𝑛 𝑁) = ( ) ∙ 𝑝𝑁´ ∙ 𝑞 𝑁´−𝑁
𝑁´
La distribución binomial se puede aproximar mediante una normal cuando:

𝑁∙𝑝>5 𝑦 𝑁∙𝑞 >5

La distribución normal por la que aproximamos tendrá media 𝜇 = 𝑁 ∙ 𝑝 y varianza 𝜎2 = 𝑁 ∙ 𝑝 ∙ 𝑞

Además para una distribución normal 𝑁(𝜇, 𝜎 2 ) sabemos que el 95% de las observaciones se
encuentran en el intervalo:

(𝜇 − 2𝜎, 𝜇 + 2𝜎).
Con lo que suponiendo 𝑁 ∙ 𝑝 > 5 𝑦 𝑁 ∙ 𝑞 > 5 tendremos que el intervalo de confianza al 95% del
número de aciertos N´ en S estará en:

(𝑁 ∙ 𝑝 − 2√𝑁 ∙ 𝑝 ∙ 𝑞, 𝑁 ∙ 𝑝 + 2√𝑁 ∙ 𝑝 ∙ 𝑞)

Tamaño de la Simulación

En nuestro ejemplo sabemos que:

1
1
∫ 𝑥2 𝑑𝑥 = = 0.333 …
0 3

Y calculamos el área bajo la curva mediante el método de Monte Carlo:

𝑁´
𝑆=𝐴∙
𝑁
¿Cuántas simulaciones son necesarias para estimar S con dos cifras significativas correctas?

𝑆 ∈ (0.3250 , 0.3349)
Esto equivale a que el número de aciertos N´ con un 95% de confianza:

𝑁´ ∈ (𝑥𝑖 , 𝑥𝑑 ) = (0.3250 ∙ 𝑁 , 0.3349 ∙ 𝑁)

La distribución binomial la hemos aproximado mediante una normal:

𝐵(𝑁 , 𝑝) ≈ 𝑁(𝜇 , 𝜎 2 )

Para una variable aleatoria 𝑍 ≡ 𝑁(0 , 1) tenemos que:

Φ(𝑧𝑑 ) = 𝑃(𝑍 ≤ 𝑧𝑑 ) = 0.975

𝑧𝑑 = 1.96 ≈ 2
1
Entonces tendremos que siendo 𝑝 = 3:

𝑥𝑑 − 𝜇 0.3349 ∙ 𝑁 − 𝑁 ∙ 𝑝
𝑧𝑑 = 1.96 = =
𝜎 √𝑁 ∙ 𝑝 ∙ 𝑞

PROBLEMAS QUE SOLUCIONA

El método de Montecarlo se aplica a diversas ramas de la ciencia y la ingeniería, el siguiente listado

expone algunos de los diversos problemas que soluciona:

 Simulaciones de Monte Carlo en NDT

 Aplicación de la simulación de Monte Carlo en pinzas ópticas
 Habilitación de grillas para simulaciones de terapia de radiación Monte Carlo GATE con
GATE-Lab
 Simulación de Monte Carlo para perfiles de implantación iónica, espesor amorfo de la capa
formado por la implantación de iones y base de datos basada en la función de Pearson
 Aplicación de la simulación de Monte Carlo en la evaluación de la exposición microbiológica
industrial
 Simulación Monte Carlo de la transferencia radiactiva en entornos atmosféricos para
problemas derivados de mediciones de teledetección
 Simulación de Monte Carlo del efecto de acumulación en la espectroscopía gamma
 Simulaciones de Monte Carlo de micro canales a base de placa, cámaras de rayos X con
registro de tiempo
 Enfoque Monte Carlo de muchas partículas para el transporte de electrones
 Simulación de Monte-Carlo en microscopía electrónica y espectroscopía
 Simulación Monte Carlo de imágenes SEM y SAM
 Simulación de Monte Carlo de desarrollo de avalancha de gas aislante
 Simulación Monte Carlo de Dinámica de Electrones en Semiconductores Dopados
Impulsados por Campos Eléctricos: Generación Armónica, Ruido de Portador Caliente y
Relajación de Giros
 Un potencial efectivo de Pearson para la simulación de Monte-Carlo de efectos de
confinamiento cuántico en nMOSFET
 Simulaciones de dispositivos Monte Carlo
 Algoritmo Wang-Landau y su implementación para la determinación de la densidad
conjunta de estados en modelos de giro continuo
 Caracterización de rotaciones moleculares usando simulaciones de Monte Carlo
 Escalamiento de tiempo finito y sus aplicaciones a transiciones de fase continua
 Usando el método de Monte Carlo para estudiar las propiedades magnéticas del ferro fluido
congelado
 Estudios de Monte Carlo de nano partículas magnéticas
 Simulación de Monte Carlo para propiedades de estructura magnética e histéresis
 Simulaciones Monte Carlo del crecimiento de granos en materiales policristalinos utilizando
el modelo de Potts
 Simulaciones de Monte Carlo de crecimiento de granos en metales
 Simulaciones de Monte Carlo sobre defectos en cristales de esfera dura bajo gravedad
 Simulaciones atmosféricas de Monte Carlo en la fabricación de acero: carburación a alta
temperatura y descarburación de acero fundido
 Simulaciones GCMC de adsorción de gas en estructuras de poro de carbono
 BIBLIOGRAFÍA

I. M. Sóbol. Métodos de Montecarlo. Lecciones populares de Matemáticas.

Editorial Mir (1976).
B. P. Demidowitsch. I. A. Maron, E. S. Schuwalowa. Métodos numéricos de
análisis. Editorial Paraninfo (1980).