Captulo 2 .

Fundamentos Bsicos de Monte Carlo N-Particle.

2.1 Historia.

El mtodo de Monte Carlo debe su nombre a la cuidad de Montecarlo en Mnaco
donde se juega la ruleta, el juego de azar que genera nmeros aleatorios. Este mtodo surge
formalmente en el ao 1944, sin embargo, ya existan prototipos y procesos anteriores que
se basaban en los mismos principios.

La utilizacin del mtodo de Monte Carlo para fines de investigacin comenz con
el desarrollo de la bomba atmica en la Segunda Guerra Mundial. Durante el proyecto
Manhatan, los cientficos Von Neumann y Ulam perfeccionaron la tcnica y la aplicaron a
problemas de clculo de difusin de neutrones en un material. En 1948, Fermi, Metropolis
y Ulam calcularon los eigenvalores de la ecuacin de Schroedinger recurriendo a Monte
Carlo. El uso de las computadoras proporciona una herramienta bsica para realizar
clculos y estimaciones ms complejas. El cdigo MCNP, Monte Carlo N-Particle,
desarrollado en el laboratorio de Los Alamos es el programa de computadora ms completo
basado en este mtodo. Hoy en da el software MCNP se utiliza en desarrollo de reactores
nucleares, Cromodinmica Cuntica, Radioterapia, comportamiento de radiacin en la
atmsfera terrestre, flujos de trfico, evolucin estelar, clculos y predicciones econmicas,
bsqueda de petrleo, entre otros. El principal programador de MCNP fue Dr. Thomas
N.K. Godfrey durante los aos 1975-1989; sin embargo, hasta la fecha el cdigo incorpora
el trabajo de al menos 400 personas-ao [16].


CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

4
2.2 Mtodo de Monte Carlo.

Las soluciones numricas de un sistema fsico se basan en un modelo matemtico a
partir del cul se obtienen y resuelven las ecuaciones integro-diferenciales que describen un
estado de dicho sistema. No obstante, existen problemas muy complejos, como las
interacciones nucleares, que no pueden ser resueltos empleando modelos determinsticos.
Con Monte Carlo, los procesos fsicos son simulados tericamente sin necesidad de
resolver completamente las ecuaciones del sistema. Sin embargo es necesario conocer las
funciones de densidad de probabilidad (pdf por sus siglas en ingls) que describen el
comportamiento del sistema. Se puede estimar resultados incluso si el problema no tiene un
contexto probabilstico.

El cdigo MCNP construye un modelo estocstico, que basndose en las funciones
de densidad modela secuencialmente eventos individuales de una variable aleatoria. Es
decir, tericamente se siguen todos los eventos o interacciones que sufre cada partcula
desde su origen hasta que alcanza una condicin terminal (absorcin, escape, energa de
corte, etc.). Lo mismo se aplica para todas las partculas creadas en el proceso. Para
cualquier evento, el MCNP genera un nmero aleatorio fundamentndose en las pdfs, que
definir el tipo de interaccin y otros parmetros. Posteriormente, se calcula el valor
esperado de todos los eventos simulados. El valor esperado de una o varias variables
aleatorias es equivalente al valor de una cantidad fsica del sistema estudiado.

Una historia comienza calculando mediante procesos aleatorios la probabilidad de
que se cre una partcula. De manera anloga se obtiene la energa, la posicin y la
direccin inicial de la trayectoria de dicha partcula, tomando en cuenta que estas son
independientes entre s. Posteriormente se simula la distancia libre media que recorrer
antes de interaccionar y el tipo de colisin que sufrir. La energa y direccin de las
partculas dispersadas y de las partculas secundarias son variables aleatorias que tambin
se calculan en la simulacin. Este proceso continua para cada una de las partculas que se
van generando hasta que se alcanza una condicin terminal. En la Figura 2.1 se muestra una
historia aleatoria de eventos que sufre un fotn al incidir en un material.
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

5


Figura 2.1: Simulacin de una secuencia de eventos.


2.3 Generacin de nmeros aleatorios.

La generacin de una buena secuencia de nmeros aleatorios es la base
probabilstica del mtodo de Monte Carlo. Cada nmero aleatorio debe ser totalmente
independiente de los otros nmeros de la secuencia. Adems, dos generadores aleatorios
independientes deben proporcionar estadsticamente el mismo valor promedio de salida.
Una manera de obtener estos nmeros es mediante un proceso fsico aleatorio, como puede
ser el tiempo entre la deteccin de dos partculas cargadas provenientes de una fuente
radioactiva que se registra en un contador Geiger. La desventaja de este proceso es que la
generacin de nmeros aleatorios es muy lenta comparada con los requerimientos del
cdigo MCNP, y adems se requiere de mucho espacio de memoria. Asimismo esta
secuencia no puede ser duplicada, por lo que no ser posible corroborar los resultados
obtenidos de la simulacin [10].

Se prefiere crear una secuencia de nmeros pseudo aleatorios, es decir, nmeros
generados de manera determinstica que superan aproximadamente 12 pruebas de
aleatoriedad [11]. Las pruebas que deben verificar son de carcter emprico, cuando la
computadora realiza evaluaciones estadsticas con la secuencia generada; y de carcter
terico, basndose en mtodos numricos. La llamada Prueba espectral (Spectral Test en
ingls) es hoy en da la prueba aleatoria ms importante y est basada en Transformadas de
Fourier. Las secuencias pseudo aleatorias tienen un ciclo de repeticin por su carcter
Fotn
Electrn
Positrn
h
Eventos.

1. E. Fotoelctrico
2. D. elstica
3. E. Compton
4. Prod. Pares
1
2
3
4
Material
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

6
determinstico, pero se busca que su perodo sea muy grande. El procedimiento para
componer una lista de nmeros pseudo aleatoria debe tener una teora de respaldo; no
puede simplemente inventarse un mtodo aleatorio, ya que la secuencia generada entonces
tiende a abarcar un ciclo de repeticin muy pequeo. Por otra parte, adems de las
secuencias pseudo aleatorias estn las cantidades probabilsticas relacionadas con los
procesos fsicos que intervienen en una simulacin.

Durante aos, los cientficos han calculado terica y experimentalmente las
secciones eficaces y las funciones de densidad de probabilidad para distintos eventos. Toda
esta informacin es parte de la base de datos del cdigo MCNP; y se divide en diferentes
tablas de datos nucleares: interaccin de neutrones de energa continua, interaccin de
neutrones con reaccin discreta, interaccin de fotones, secciones eficaces de dosimetra de
neutrones, neutrones trmicos, interacciones de electrones e interacciones neutrn/neutrn,
neutrn/fotn, fotn/fotn y partculas cargadas que se comportan como neutrones. Las
principales bibliotecas son editadas en Brookhaven Nacional Laboratory (llamada ENDF
Evaluated Nuclear Data File) y en Lawrence Livermore Laboratory. En esta tesis se utiliza
la biblioteca el1 para electrones y mcplib1 para fotones.


2.3.1 Distribucin uniforme.

Von Neumann fue el primero en proponer un procedimiento para obtener nmeros
pseudo aleatorios
1
que corresponden a una distribucin uniforme. Su mtodo consista en
tomar un nmero raz de 10 dgitos, x
i,
y elevarlo al cuadrado; los 10 dgitos intermedios de
x
i
2
sern el siguiente nmero aleatorio en la lista, x
i+1.
Se vuelve a repetir el procedimiento
tomando como raz el nmero x
i+1.
Sin embargo, este mtodo tiene un ciclo de repeticin
muy corto, y adems si la raz llega a ser cero solo se generan puros ceros en la secuencia
(0
2
=0).



1
A partir de aqu llamaremos a los nmeros pseudo aleatorios simplemente nmeros aleatorios.
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

7
Actualmente se utiliza el mtodo denominado Congruencia Lineal para obtener una
secuencia aleatoria a partir de una distribucin uniforme [11]. La frmula recursiva que
genera la secuencia es:
m c ax x
n n
mod ) (
1
+ =
+
(2.1)
donde a es el multiplicador, c es el incremento, m el mdulo y x
o
el valor inicial. Todos
estos parmetros deben ser mayores que cero y cumplir cada uno con ciertas reglas para
asegurar una secuencia aleatoria. Si los parmetros son escogidos adecuadamente, el
perodo mximo de repeticin que puede alcanzar la secuencia es igual a m. Existen
variaciones de este mtodo que tambin son muy utilizadas.


2.3.2 Distribuciones continuas.

En aplicaciones ms concretas, se requiere generar nmeros aleatorios que
correspondan a diferentes distribuciones continuas no uniformes. En principio, cualquier
nmero aleatorio caracterstico de una distribucin continua se puede obtener a partir de la
generacin de secuencias aleatorias uniformes; no obstante, existen mtodos dependiendo
del tipo de distribucin que hacen ms eficiente el proceso. El mtodo general para
cualquier distribucin continua se basa en las funciones acumuladas de distribucin de
probabilidad (cdf por sus siglas en ingls)
2
, F(x). Sabemos [13] entonces que:

) ( ) (
1
y F x x F y

= = (2.2)

El problema ahora se reduce a encontrar F
-1
(y); pero si esta existe y es fcil de encontrar, se
puede obtener una variable aleatoria con una distribucin continua, X, a partir de una
variable aleatoria de distribucin uniforme Y, tal que:

) (
1
Y F X

= (2.3)

2

=
x
x d x f x F ) ( ) ( , donde f(x) es una pdf. Es decir, es la suma de todas las probabilidades asociadas a
valores menores o iguales a un nmero x. F(x) incrementa monotnicamente en el rango [0,1]. Tambin se le
conoce como funcin de distribucin de probabilidad. [12]
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

8
2.3.2.1 Mtodo de Rechazo.

El Mtodo de Rechazo tambin es utilizado para obtener nmeros aleatorios de una
distribucin continua. Para explicar los conceptos que intervienen en esta tcnica, se
describir el ejemplo de la trayectoria libre media. La trayectoria libre media , es el valor
esperado de la distancia R entre dos colisiones que sufre una partcula en el sistema. Se
sabe que la funcin de densidad de probabilidad de R es:
R
e R p

= ) ( (2.4)
donde es la seccin eficaz. Entonces:

1
) ( = >= =<

b
a
dR R p R R (2.5)
Esta relacin tiene sentido fsico y se puede comprobar experimentalmente.

El llamado mtodo de rechazo se utiliza por MCNP cuando se desea encontrar por
ejemplo las R
n
de 10 000 000 partculas que correspondan a dicha funcin de densidad
p(R). Este procedimiento genera primero dos nmeros aleatorios
2 1
, entre 0 y 1. Despus
se obtiene un valor aleatorio de la distancia tal que a < R < b, interpolando con:
1
) ( a b a R + = (2.6)
Finalmente se rechaza el valor de R si ) (
2
R p > ya que no corresponde a dicha funcin de
densidad de probabilidad; y se acepta y guarda para futuros clculos si ) (
2
R p < .


2.3.2.2 Distribucin normal.

El Mtodo Polar es la tcnica ms utilizada para encontrar nmeros aleatorios a
partir de una distribucin normal (=1, =0). El procedimiento es [11]:

1. Generar dos nmeros aleatorios uniformes (U
1
, U
2
) en el rango [0,1].
2. Obtener V
1
=2U
1
-1 y V
2
=2U
2
-1, para conseguir dos nmeros uniformemente
distribuidos en [-1,1].
3. Calcular
2
2
2
1
V V S + =
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

9
4. Si S 1, regresar al paso 1. Si S < 1, calcular los nmeros aleatorios
normalmente distribuidos, X
1
y X
2
, a partir de:
S
S
V X
ln 2
1 1

= y
S
S
V X
ln 2
2 2

= (2.7)
Si la distribucin normal tiene una media y una desviacin estndar , entonces la
variable aleatoria Y se obtiene con
n n
X Y + = .

Knuth [11] explica que la teora detrs de este mtodo consiste en encontrar las
coordenadas de un punto aleatorio uniformemente distribuido, (V
1
, V
2
), dentro de un
circulo unitario S. Convirtiendo a coordenadas polares, = cos
1
R V y = sin
2
R V ,
obtenemos
2
R S = , = cos
1
R X y = sin
2
R X , donde S R ln 2 = . est
uniformemente distribuida entre 0 y 2; y la probabilidad de que r R es igual a la
probabilidad de que
2
2
r
e S

, que al tratarse de un circulo unitario se tiene que
0 1
2
2

r
e . Por consiguiente la probabilidad de que R se encuentre entre r y r+dr es la
derivada de
2
2
1
r
e

, es decir, dr re
r
2
2

; de la misma manera, la probabilidad de que se

encuentre entre y +d es

d
2
1
. Regresando a coordenadas cartesianas, tenemos:

2
2
1
2
2 2
2 2 1 1
2
1
2
1
) , (
x
y
x x
dy e dx e x X x X F

(2.8)
donde se puede observar que X
1
y X
2
corresponden a una distribucin normal y adems
son independientes.


2.3.2.3 Distribucin exponencial.

El tiempo transcurrido entre la emisin de dos partculas por una fuente radioactiva
tiene una distribucin exponencial con media , si en promedio una partcula es emitida
cada segundos. El proceso se describe por

x
e x F

=1 ) ( . Aunque existen otros mtodos
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

10
para obtener nmeros aleatorios con esta distribucin, el denominado Mtodo Logartmico
es el ms utilizado por su simplicidad [11]. Si y = F(x), entonces y) - -ln(1 (y) F x
-1
= = .
Generando un nmero aleatorio uniformemente distribuido, U, se obtiene una variable
aleatoria X con una distribucin exponencial a partir de:
) 1 ln( U X = (2.9)


2.3.3 Vectores aleatorios.

Para completar la simulacin de todo sistema fsico, es necesario saber la
orientacin de una partcula despus de que sufre una interaccin. En el mtodo ms
sencillo para seleccionar una orientacin aleatoria en tres dimensiones, se debe primero
generar un nmero aleatorio uniforme U en el rango [0, 1]. U se escala para obtener un
nmero aleatorio que este uniformemente distribuido entre [0, 2], es decir, = 2U. De
manera similar se obtiene un nmero aleatorio distribuido uniformemente entre -1 y 1.
Las coordenadas del vector de orientacin son [14]:

=
=
=
z
y
x
sin 1
cos 1
2
2
(2.10)


2.4 Error Relativo.

Existe una diferencia entre el valor esperado verdadero de una funcin f y el valor
de la misma funcin cuando solo se toma un muestreo de N variables estadsticas
independientes (Nmero de partculas a simular) [15]. Para saber si nuestra simulacin
arroja un resultado confiable, es importante tomar en cuenta el error relativo R. Este dato
representa la precisin estadstica y es calculado por el programa a partir cada historia
aleatoria.

CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

11

El error esperado en
N
f se estima con la desviacin estndar, ya que:

( )
2
2 1 2 1
2
) ,..., , ( ) ,..., , ( = x x f x x x f
N N
(2.11)

Sin embargo como no se tiene un nmero infinito de variables, el error se estima
considerando cada seleccin aleatoria como un estimador independiente de
N
f ; as:

=
=
N
i
N
i N
f x f
N
1
2 2
] ) ( [
1
(2.12)
2
2
N
N
h h = (2.13)

La suma de las desviaciones estndar,
2
sum
, es N veces el valor de
2
N
. Por
consiguiente el error de expectacin es:

N sum
N = (2.14)

El error relativo es la media de dicho error de expectacin, de tal manera que:

N N
R
N sum

= = ( 2.15)

Es importante recalcar que R es proporcional a
N
1
, es decir, mientras mayor sea
el nmero de partculas simuladas se podr obtener un resultado ms preciso. Para reducir
el error relativo en una simulacin se puede aumentar N o reducir el valor de
N
. Sin
embargo, el presupuesto limita el incremento que se puede tener en N por el tiempo de
computadora que requiere. Por esta razn, existen tcnicas de reduccin de varianza en el
cdigo MCNP que se basan en disminuir el valor de
N
[16].
CAPTULO 2. FUNDAMENTOS BSICOS DE MONTE CARLO N-PARTICLE.

12

La Tabla 2.1 resume el significado del valor de R.


Rango de R Calidad de la simulacin
0.5 a 1.0 Sin sentido
0.2 a 0.5 Mala
0.1 a 0.2 Cuestionables
< 0.10 Generalmente aceptables excepto para detectores puntuales
< 0.05 Generalmente aceptables para detectores puntuales
Tabla 2.1: Error Relativo en MCNP [16].


2.5 Simulacin.

Para realizar una simulacin, se debe crear un archivo de entrada llamado inp (Ver
Apndice 1). Este archivo contiene de manera estructurada informacin sobre la geometra,
los materiales utilizados, las secciones eficaces a utilizar, la localizacin, caractersticas y
tipo de la fuente (electrones, fotones o neutrones), los tallies y cualquier tcnica de
reduccin de varianza. Los tallies o conteos son instrucciones que le dicen al programa el
tipo de datos que se desea calcular; por ejemplo, la corriente y el flujo de algn tipo de
partculas resultantes, o la deposicin y distribucin de energa.

El programa MCNP leer las instrucciones del archivo inp, realizar la simulacin y
creara un nuevo archivo llamado out (Ver Apndice 2). El out incluir los resultados
generados por cada tally, los errores producidos y algunas tablas que resumen el proceso de
simulacin.