Técnica de

Montecarlo
SIMULACION DE SISTEMAS

Joel Carrizo – Aldeir Herrera – Rubén Díaz

UTP | VERAUAS
Contenido
Introducción .................................................................................................................................. 2
Método de Montecarlo ................................................................................................................. 3
Descripción general ....................................................................................................................... 3
Definición ...................................................................................................................................... 4
Monte Carlo y números aleatorios ........................................................................................... 5
Ventajas ......................................................................................................................................... 5
Ejemplo.......................................................................................................................................... 6
Conclusión ..................................................................................................................................... 7
Bibliografía .................................................................................................................................... 8
Introducción
El análisis de riesgo forma parte de todas las decisiones que tomamos. Nos enfrentamos
continuamente a la incertidumbre, la ambigüedad y la variabilidad. Y aunque tenemos
un acceso a la información sin precedentes, no podemos predecir con precisión el
futuro. La simulación Monte Carlo permite ver todos los resultados posibles de las
decisiones que tomamos y evaluar el impacto del riesgo, lo cual nos permite tomar
mejores decisiones en condiciones de incertidumbre.
Método de Montecarlo
El método de Montecarlo es un método no determinista o estadístico numérico, usado
para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud.
El método se llamó así en referencia al Casino de Montecarlo (Mónaco) por ser “la
capital del juego de azar”, al ser la ruleta un generador simple de números aleatorios. El
nombre y el desarrollo sistemático de los métodos de Montecarlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la
computadora.
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.
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam
refinaron esta ruleta y los métodos "de división" de tareas. Sin embargo, el desarrollo
sistemático de estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo año, Enrico Fermi, Nicholas Metropolis y Ulam
obtuvieron estimadores para los valores característicos de la ecuación de Schrödinger
para la captura de neutrones a nivel nuclear usando este método.
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
1
estimación que decrece como en virtud del teorema.
√𝑛

Descripción general
Los métodos de Monte Carlo varían, pero tienden a seguir un patrón particular:

 Definir un dominio de posibles entradas

 Generar entradas al azar de una distribución de probabilidad sobre el dominio
 Realice un cálculo determinista en las entradas
 Agregue los resultados
Por ejemplo, considere un círculo inscrito en un cuadrado unitario. Dado que el círculo
y el cuadrado tienen una relación de áreas que es π / 4, el valor de π se puede aproximar
usando un método de Monte Carlo:

 Dibuja un cuadrado, luego inscribe un círculo dentro de él

 Dispersar uniformemente objetos de tamaño uniforme sobre el cuadrado
  Cuenta el número de objetos dentro del círculo y la cantidad total de objetos
 La relación del recuento interno y el recuento total de la muestra es una
estimación de la relación de las dos áreas, que es π / 4. Multiplica el resultado
por 4 para estimar π.
En este procedimiento, el dominio de las entradas es el cuadrado que circunscribe el
círculo. Generamos entradas aleatorias esparciendo granos sobre el cuadrado y luego
realizamos un cálculo en cada entrada (prueba si cae dentro del círculo). Finalmente,
agregamos los resultados para obtener nuestro resultado final, la aproximación de π.
Hay dos puntos importantes: Primero, si los granos no están distribuidos
uniformemente, entonces la aproximación será pobre. En segundo lugar, debe haber
una gran cantidad de entradas. La aproximación es generalmente pobre si solo se
arrojan aleatoriamente unos pocos granos al cuadrado completo. En promedio, la
aproximación mejora a medida que se eliminan más granos.
Los usos de los métodos Monte Carlo requieren grandes cantidades de números
aleatorios, y fue su uso el que estimuló el desarrollo de generadores de números
pseudoaleatorios, que fueron mucho más rápidos de usar que las tablas de números
aleatorios que se habían utilizado previamente para el muestreo estadístico.

Definición
No hay consenso sobre cómo se debe definir Monte Carlo. Por ejemplo, Ripley define la
mayoría de los modelos probabilísticos como simulación estocástica, con Monte Carlo
reservado para la integración de Monte Carlo y las pruebas estadísticas de Monte Carlo.
Sawilowsky distingue entre una simulación, un método de Monte Carlo y una simulación
de Monte Carlo: una simulación es una representación ficticia de la realidad, un método
de Monte Carlo es una técnica que puede usarse para resolver un problema matemático
o estadístico, y una simulación de Monte Carlo usa muestreo repetido para determinar
las propiedades de algún fenómeno (o comportamiento). Ejemplos:

 Simulación: Dibujar una variable uniforme pseudoaleatoria del intervalo [0,1] se

puede usar para simular el lanzamiento de una moneda: si el valor es menor o
igual a 0,50, designe el resultado como cabezas, pero si el valor es mayor que
0.50 designan el resultado como colas. Esta es una simulación, pero no una
simulación de Monte Carlo.
 Método de Monte Carlo: Verter una caja de monedas sobre una mesa y luego
calcular la proporción de monedas que arrojan cabezas contra colas es un
método de Monte Carlo para determinar el comportamiento de los lanzamientos
repetidos de monedas, pero no es una simulación.
 Simulación de Monte Carlo: Dibujar un gran número de variables uniformes
pseudoaleatorias del intervalo [0,1], y asignar valores inferiores o iguales a 0,50
como cabezas y mayores de 0,50 como colas, es una simulación Monte Carlo del
comportamiento de repetidamente lanzando una moneda.
Monte Carlo y números aleatorios
La idea principal detrás de este método es que los resultados se computan en base a un
muestreo aleatorio y análisis estadístico repetido. La simulación de Monte Carlo es de
hecho experimentaciones aleatorias, en el caso de que los resultados de estos
experimentos no sean bien conocidos. Las simulaciones de Monte Carlo se caracterizan
típicamente por una gran cantidad de parámetros desconocidos, muchos de los cuales
son difíciles de obtener experimentalmente.
Los métodos de simulación de Monte Carlo no siempre requieren números
verdaderamente aleatorios para ser útiles (aunque para algunas aplicaciones, como la
prueba de primalidad, la imprevisibilidad es vital).
Muchas de las técnicas más útiles usan secuencias deterministas, pseudoaleatorias, lo
que facilita probar y volver a ejecutar simulaciones. La única cualidad generalmente
necesaria para realizar buenas simulaciones es que la secuencia pseudoaleatoria
parezca "suficientemente aleatoria" en cierto sentido.
Lo que esto significa depende de la aplicación, pero normalmente deberían pasar una
serie de pruebas estadísticas. Probar que los números estén distribuidos de manera
uniforme o que sigan otra distribución deseada cuando se considera una cantidad lo
suficientemente grande de elementos de la secuencia es uno de los más simples y más
comunes. Las correlaciones débiles entre muestras sucesivas también suelen ser
deseables / necesarias.

Ventajas
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.

Ejemplo
Los programas de diseño asistido por ordenador (CAD) pueden determinar rápidamente
el volumen de modelos muy complejos. Estos modelos, en general, no tienen una
expresión analítica para determinar su volumen (por ejemplo, para un prisma, área de
la base multiplicada por la altura), y la única solución es dividir el modelo en un conjunto
de pequeños submodelos (teselación) cuyo volumen pueda determinarse (por ejemplo,
dividir el modelo en miles de tetraedros). Sin embargo, esto consume muchos recursos,
tanto para la teselación como para el cálculo del volumen de cada uno de los elementos.
Por ello utilizan métodos de Montecarlo, más robustos y eficientes.
Como el software sí que conoce la expresión analítica de la geometría del modelo
(posición de los nodos, aristas y superficies) puede determinar si un punto está dentro
del modelo o está fuera con un coste mucho menor que el de determinar un volumen.

 En primer lugar el software coloca el modelo dentro de un volumen conocido

(por ejemplo, dentro de un cubo de 1 m3 de volumen).
 A continuación, genera un punto aleatorio del interior del volumen conocido, y
registra si el punto "ha caído" dentro o fuera del modelo. Esto se repite un gran
número de veces (miles o millones), consiguiendo un registro muy grande de
cuántos puntos han quedado dentro y cuántos fuera.
 Como la probabilidad de que caiga dentro es proporcional al volumen del
modelo, la proporción de puntos que han caído dentro con respecto al total de
puntos generados es la misma proporción de volumen que ocupa el modelo
dentro del cubo de 1 m3.
Si el 50% de los puntos han caído dentro, el modelo ocupa el 50% el volumen total, es
decir, 0.5 m3. Evidentemente, cuantos más puntos genere el software, menor será el
error de la estimación del volumen.
Conclusión
Los métodos de Monte Carlo son una amplia clase de algoritmos computacionales que
se basan en el muestreo aleatorio repetido para obtener resultados numéricos. Su idea
esencial es usar la aleatoriedad para resolver problemas que podrían ser deterministas
en principio. A menudo se utilizan en problemas físicos y matemáticos y son más útiles
cuando es difícil o imposible utilizar otros enfoques.
En principio, los métodos de Monte Carlo se pueden usar para resolver cualquier
problema que tenga una interpretación probabilística.
Bibliografía
 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).
 Binder, Kurt (1995). The Monte Carlo Method in Condensed Matter Physics.
New York: Springer. ISBN 0-387-54369-4.
 Caflisch, R. E. (1998). Monte Carlo and quasi-Monte Carlo methods. Acta
Numerica. 7. Cambridge University Press. pp. 1–49.
 Peña Sánchez de Rivera, Daniel (2001). «Deducción de distribuciones: el método
de Monte Carlo», en Fundamentos de Estadística. Madrid: Alianza Editorial. ISBN
84-206-8696-4.