Método Montecarlo

RESUMEN

En la actualidad muchas personas no saben ¿Qué es el Método Montecarlo? ¿Cómo se aplica?

¿Para qué sirve? Entre otras interrogantes, pero sin saberlo muchos de ellos lo han aplicado en
diversas situaciones de la vida cotidiana.

El método de Monte Carlo en sí, 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 Monte Carlo (Principado de 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 Monte Carlo datan aproximadamente de
1944 y se mejoraron enormemente con el desarrollo de la computadora.

ABSTRACT

Today many people know what is the Monte Carlo method? How is it applied? What is?
Among other questions, but without knowing many of them have been applied in various
situations of everyday life.

The Monte Carlo method itself is not deterministic numerical or statistical method used to
approximate complex and expensive mathematical expressions to accurately assess. The
method was named in reference to the Casino de Monte Carlo (Monaco) as "the capital of
gambling", as the roulette a simple random number generator. The name and the systematic
development of Monte Carlo methods dating from about 1944 and greatly improved with the
development of the computer.

MÉTODO MONTECARLO

En la actualidad muchas personas no saben ¿Qué es el Método Montecarlo? ¿Cómo se aplica?

¿Para qué sirve? Entre otras interrogantes, pero sin saberlo muchos de ellos lo han aplicado en
diversas situaciones de la vida cotidiana.

Para comprender más acerca del método Montecarlo y su aplicación es indispensable conocer
que es la administración de riesgos la teoría presentada por McConnell (1997) dice:

La administración de riesgos es una parte integral de las buenas prácticas gerenciales,

administración de riesgos es un método lógico y sistemático de establecer el contexto,
identificar, analizar, evaluar, tratar, monitorear y comunicar los riesgos asociados con una
actividad, función o proceso de una forma que permita a las organizaciones minimizar pérdidas
y maximizar oportunidades.

Administración de riesgos es tanto identificar oportunidades como evitar o mitigar pérdidas.

Esta metodología debe ser un proceso iterativo, que posibilite una mejora continua en el
proceso de toma de decisiones. (TABORDA, 2002)

Por esto podemos explicar que la administración de riesgo es el proceso por el cual la dirección
de una empresa u organización administra el amplio espectro de los riesgos a los cuales está
expuesto de acuerdo al nivel de riesgo al cual están dispuestos a exponerse según sus
objetivos estratégicos.

La evaluación de riesgos y vulnerabilidades ayuda a identificar y evaluar los riesgos operativos,

poniendo énfasis en los activos físicos y lógicos, pudiendo incluir una revisión de las
instalaciones y la seguridad de los elementos lógicos y físicos.

Uno de los principales problemas en la administración de riesgos empresariales (ERM) es la

implementación adecuada, considerando la percepción y realidad de los riesgos que puedan
afectar a la empresa.

La implementación es compleja y puede ser complicada si no se reconoce el comportamiento e

interacción de los diferentes tipos de riesgos, sino entenderse por su impacto a lo largo de los
procesos.

Dicha implementación tiene relación con Gobierno Corporativo, Control Interno y

Cumplimiento Regulatorio, ya que la Administración de Riesgos está relacionada con la cultura,
estructura y procesos para la gestión y administración de la empresa, que le permitan
potenciar oportunidades y mitigar pérdidas no esperadas.

El apetito de riesgo financiero y la tolerancia al riesgo operativo varía con la estrategia y las
condiciones de la industria y sus mercados.

La Administración de Riesgos ha cambiado de ser reactiva y solo mitigar, a proactiva y ser

considerada como una estrategia de negocios que forma parte del día a día.

ETAPAS DE LA ADMINISTRACION DE RIESGOS

La administración del riesgo representa un Área de Conocimiento, lo cual quiere decir que
requiere de mucha atención, y además está sujeto a una serie de procesos para su
identificación, valoración, mitigación y control.
Según el Project Management Institute (PMI), los cuatro procesos que involucra la
administración del riesgo son:

Identificación del Riesgo

Cuantificación del Riesgo

Desarrollo de Respuesta al Riesgo

Control de Respuesta al Riesgo

IMPORTANCIA DE LA ADMINISTRACIÓN DE RIESGO

Los proyectos, por la naturaleza cambiante de su entorno, son susceptibles a situaciones de

riesgo que afectan el desarrollo que se les ha planeado.

La administración de proyectos por medio de la gestión de riesgos es la disciplina encargada de

identificar, analizar, priorizar y tratar los riesgos, con el objetivo de que el proyecto se concluya
con el tiempo y recursos asignados.

Por medio de la gestión de riesgos se logran identificar vulnerabilidades y amenazas presentes

en el contexto de la organización, y estimular las prácticas exitosas en los proyectos de
software.

Una manera de mejorar la productividad y reducir los costos del proyecto es mediante una
identificación y eliminación temprana de riesgos; la corrección de problemas de software
implica un alto costo, que se puede evitar realizando correcciones en la fase de planeación del
proyecto.

La administración de riesgos es parte integral del proceso de administración, se centra en la

gestión de recursos y en determinar las actividades más significativas para el personal del
proyecto.

Es un proceso que fomenta la mejora en la administración de recursos y toma de decisiones,

por medio de la comunicación oportuna entre los participantes del proyecto.
El método de Monte Carlo 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 Monte Carlo (Principado de 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 Monte Carlo datan aproximadamente de 1944 y se
mejoraron enormemente con el desarrollo de la computadora. (OSCAR M. PONCE)

El uso de los métodos de Monte Carlo 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

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”.4

Antes de que se desarrollara el método de Monte Carlo, las simulaciones probaron un

problema determinista previamente entendido y muestreo estadístico se utilizó para estimar
las incertidumbres en las simulaciones. Monte Carlo simulaciones invierten este enfoque,
resolver problemas determinísticos usando un análogo probabilístico.
Una variante temprana del método de Monte Carlo puede ser visto en el experimento de la
aguja de Buffon, en el que p puede ser estimado por la caída agujas en un piso hecho de tiras
paralelas de madera. En la década de 1930, Enrico Fermi experimentó primero con el método
de Monte Carlo, mientras que el estudio de la difusión de neutrones, pero no publicó nada en
él.

En 1946, los físicos del Laboratorio Científico de Los Álamos están investigando blindaje contra
la radiación y la distancia que los neutrones probablemente viajar a través de diferentes
materiales. A pesar de tener la mayor parte de los datos necesarios, tales como la distancia
media de un neutrón sería viajar en una sustancia antes de que chocó con un núcleo atómico,
y la cantidad de energía que era probable que emiten después de una colisión de neutrones,
los físicos de Los Álamos no pudieron resolver el problema con métodos matemáticos
convencionales, deterministas. Stanislaw Ulam tuvo la idea de usar los experimentos
aleatorios. Él relata su inspiración de la siguiente manera:

Los primeros pensamientos e intentos que hice a la práctica fueron sugeridas por una pregunta
que se me ocurrió en 1946 cuando estaba convaleciente de una enfermedad y jugando
solitarios. La pregunta era: ¿cuáles son las posibilidades de que un solitario Canfield distribuida
con 52 cartas saldrán con éxito? Después de pasar un montón de tiempo tratando de
estimarlos mediante cálculos combinatorios puros, me preguntaba si un método más práctico
que el "pensamiento abstracto" Puede que no sea para ponerla a decir cien veces y
simplemente observar y contar el número de obras de éxito. Esto ya era posible prever con el
inicio de la nueva era de las computadoras rápidas, y de inmediato pensó en los problemas de
difusión de neutrones y otras cuestiones de la física matemática, y más en general la manera
de cambiar los procesos descritos por ciertas ecuaciones diferenciales en una forma
equivalente interpretable como una sucesión de operaciones aleatorias. Más tarde, describí la
idea de John von Neumann, y comenzamos a planificar cálculos reales. -Stanislaw Ulam

Siendo secreto, el trabajo de von Neumann y Ulam requiere un nombre en clave. Von
Neumann eligió el nombre de Monte Carlo. El nombre hace referencia al Casino de Monte
Carlo en Mónaco, donde el tío de Ulam pediría prestado dinero para jugar. Uso de listas de
números aleatorios "verdaderamente aleatorios" era extremadamente lento, pero von
Neumann desarrolló una forma de calcular números pseudoaleatorios, utilizando el método de
cuadrados de media.

Aunque este método ha sido criticado como crudo, von Neumann era consciente de esto: lo
justificó por ser más rápido que cualquier otro medio a su disposición, y también señaló que
cuando salió mal lo hizo, obviamente, a diferencia de los métodos que pueden ser sutilmente
incorrectas.

Métodos de Monte Carlo fueron centrales en las simulaciones necesarias para el Proyecto
Manhattan, aunque muy limitado por las herramientas computacionales en el momento. En la
década de 1950 que se utilizaron en Los Álamos para los primeros trabajos relacionados con el
desarrollo de la bomba de hidrógeno, y se popularizó en los campos de la física, la química
física y la investigación de operaciones. La Rand Corporation y la Fuerza Aérea de EE.UU.,
fueron dos de las principales organizaciones responsables de la financiación y la difusión de
información sobre los métodos de Monte Carlo durante este tiempo, y comenzaron a
encontrar una amplia aplicación en muchos campos diferentes.

Usos de los métodos de Monte Carlo requieren grandes cantidades de números aleatorios, y
era el uso que estimuló el desarrollo de generadores de números pseudoaleatorios, que eran
mucho más rápido de usar que las tablas de números aleatorios que se habían utilizado
anteriormente para el muestreo estadístico.

EJEMPLO

Una forma de hacer pruebas de Monte Carlo es con una hoja de cálculo como Microsoft Excel.
En el ejemplo presentado en el tutorial se muestra un análisis histórico de 200 días sobre
consultas realizadas en un sistema de información. La tabla muestra el número de consultas
diarias (de 0 a 5) junto con las frecuencias absolutas (# de días por cada frecuencia), las
frecuencias relativas y las frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso

asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la
probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos
proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la
variable aleatoria es el número de consultas, que sólo puede tomar valores enteros entre 0 y
5).

Supongamos que queremos conocer el número esperado (o medio) de consultas por día.

Una forma directa es haciendo la operación

Valor Medio = sumatoria (#de visitas*Probabilidad de que ocurran) =

0*0,05+1*0,1+2*0,2+3*0,3+4*0,2+5*0,15=2,956

Por otro lado se puede usar una simulación Monte Carlo para deducirla. Para ello se tiene en
cuenta las frecuencias relativas acumuladas de esta manera:

[0,00 a 0,05) para el suceso 0[0,05 a 0,15) para el suceso 1[0,15 a 0,35) para el suceso 2[0,35 a
0,65) para el suceso 3[0,65 a 0,85) para el suceso 4[0,85 a 1,00) para el suceso 5

El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas.
En él, se aprecia claramente la relación existente entre probabilidad de cada suceso y el área
que éste ocupa.
Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de
una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo
resultado, obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará
asociado a un suceso.

Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567,

podremos suponer que ese día se han producido 2 consultas.

(INSTITUTO TECNOLOGICO DE TIJUANA)

APLICACIONES DEL MODELO MONTECARLO.

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 Geometalurgia, 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.

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
puede 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 inusual, 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 comportado, 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. Véase también Las Vegas
por un algoritmo relacionado, pero diferente, idea. (E-CENTRO)9

Conclusión.

El método de Montecarlo fue creado por investigadores estadounidenses para resolver

problemas físicos y químicos en la realización de la bomba atómica para la cual se empleó
durante la Segunda Guerra Mundial. Después de esto el modelo fue empleado para la
resolución de múltiples problemas matemáticos con exitosos resultados.

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.

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

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

Trabajos citados

E-CENTRO. (s.f.). Recuperado el NOVIEMBRE de 2014, de

http://centrodeartigo.com/articulos-utiles/article_100105.html

INSTITUTO TECNOLOGICO DE TIJUANA. (s.f.). SLIDESHARE. Recuperado el NOVIEMBRE de

2014, de http://es.slideshare.net/krizx/metodo-montecarlo

OSCAR M. PONCE. (s.f.). Recuperado el NOVIEMBRE de 2014, de

http://centrodeartigo.com/articulos-utiles/article_100105.html

TABORDA, E. R. (2002). ADMINISTRACION DE RIESGO.

11

Autoras:

Castañón Gómez Ana Karen

Martínez Pérez Iris Claudet

 Pola Ochoa Hassibi Alejandra

Sánchez Zapata Gabriela Alejandra

Método de Montecarlo
Ir a la navegación

Ir a la búsqueda

El método de Montecarlo1 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.

Montecarlo.

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 estimación que decrece
como 1 N {\displaystyle {\frac {1}{\sqrt {N}}}} {\displaystyle {\frac {1}{\sqrt {N}}}} en virtud del
teorema del límite central.
Número pseudoaleatorio
Un número pseudo-aleatorio es un número generado en un proceso que parece
producir números al azar, pero no lo hace realmente. Las secuencias de números
pseudo-aleatorios no muestran ningún patrón o regularidad aparente desde un punto de
vista estadístico, a pesar de haber sido generadas por un algoritmo completamente
determinista, en el que las mismas condiciones iniciales producen siempre el mismo
resultado.

Casi aleatorio
Una variable de Charly Brown pseudoaleatoria es una variable que ha sido creada a
través de un procedimiento determinista (por norma general un programa de ordenador
o subrutina) el cual tiene como entrada dígitos realmente aleatorios. La cadena
pseudoaleatoria resultante suele ser más larga que la cadena aleatoria original, pero
menos aleatorio, es decir, con menos entropía.

Los mecanismos de generación de números aleatorios que se utilizan en la mayoría de

los sistemas informáticos son en realidad procesos pseudo-aleatorios.

Campos de aplicación
Los generadores de números pseudoaleatorios son ampliamente utilizados en campos
tales como el modelado por computadora, estadística, diseño experimental, etc. Algunas
de estas secuencias son lo suficientemente aleatorias para ser útiles en estas
aplicaciones.

Una de las utilidades principales de los números pseudoaleatorios tiene lugar en los
campos de la criptografía y de la esteganografía. Por ello se sigue investigando en la
generación de dichos números, empleando por ejemplo medidores de ruido blanco o
analizadores atmosféricos, ya que experimentalmente se ha comprobado que tienen una
aleatoriedad bastante alta.

Asimismo, también destacan su uso en el llamado método de Montecarlo, con múltiples

utilidades, por ejemplo para hallar áreas / volúmenes encerradas en una gráfica y cuyas
integrales son muy difíciles de hallar o irresolubles; mediante la generación de puntos
basados en estos números, podemos hacer una buena aproximación de la superficie
/volumen total , encerrándolo en un cuadrado / cubo , aunque no lo suficientemente
buena.

Un campo donde resulta imprescindible, es en la programación de juegos, donde a

menudo se necesita disponer de series elegidas al azar. Por ejemplo para crear nubes
con patrones diferentes según escenarios. Esto es aún más necesario en aquellos juegos
donde el azar es primordial (como juegos donde el azar está implícito en la propia
dinámica del juego, por ejemplo juegos de cartas, que necesitan ser barajadas) o incluso
una cuestión que garantice la fiabilidad para dotar al juego de imparcialidad, como en
los casos donde en esos juegos se realizan apuestas económicas. Y que suelen recurrir al
algoritmo Fisher-Yates.

Secuencia pseudoaleatoria
Por lo general, el interés no radica en generar un solo número aleatorio, sino muchos,
reunidos en lo que se conoce como secuencia aleatoria.

Se llama secuencia pseudoaleatoria, sucesión de números pseudoaleatorios secuencia de

pseudoruido o código de pseudoruido a cualquier grupo de secuencias binarias que
presentan propiedades aleatorias parecidas a las del ruido.

Las secuencias de pseudoruido se distinguen de las secuencias aleatorias de verdad en

que muestran una periodicidad. Es decir, están formadas por una serie periódica de
números positivos y negativos, o bits, de longitud N. A uno de estos bits de una
secuencia de pseudoruido se le llama chip. Por lo tanto, a la velocidad de la secuencia se
le llama tasa chip, y se mide en chips por segundo (cps). Una secuencia de este tipo se
puede representar de la siguiente manera:

... aN−1, aN, a1, a2,..., aN, a1,...

Los códigos de pseudoruido deben satisfacer, entre otras, las siguientes condiciones:

1. En cada periodo la cantidad de números positivos tiene que diferir de la cantidad

de números negativos en exactamente uno. Así pues, N es un número impar:
2. En cada periodo la mitad de las secuencias del mismo signo han de tener
longitud 1, un cuarto ha de tener longitud 2, un octavo ha de tener longitud 3, y
así sucesivamente. Además el número de secuencias de números positivos tiene
que ser igual al número de secuencias de números negativos.
3. La función de autocorrelación es periódica y presenta valor binario.

Sucesión de números pseudoaleatorios

La sucesión, supone en si una secuencia, pero como sucesión, ha sido obtenida
mediante un proceso aritmético definido, efectiva para el propósito para el que se la
requiere.

Si bien una sucesión de números pseudoaleatorios parece generalmente no obedecer a

ningún patrón o ley de formación, todo generador de números pseudoaleatorios con un
estado interior finito, se repetirá luego de una larga sucesión de números. Es posible
demostrar esto mediante el principio del palomar.

Debe notarse que la sucesión, aún siendo una secuencia, guarda una periodicidad
buscada de por si o como consecuencia indeseable. Por lo general, al crear secuencias
aleatorias se busca que la periodicidad sea la menor posible, salvo en sistemas donde
sea requerido como parte del planteamiento concebido y esperado, de ahí la sucesión.

Historia
La generación de números tiene múltiples usos (principalmente en estadística,
simulaciones y criptografía). Al principio los investigadores que necesitaban secuencias
de números aleatorios tenían que generarlos ellos mismos mediante dados, monedas,
cartas, etc. o utilizar tablas de números aleatorios existentes.

El primer intento de dotar a los investigadores con un suministro de dígitos aleatorios

tuvo lugar en 1927, cuando la Cambridge University Press publicó una tabla de 41.600
dígitos desarrollada por Leonard H.C. Tippet. En 1947 la RAND Corporation generó
una secuencia de números a partir de una simulación electrónica de una rueda de ruleta;
los resultados fueron publicados en 1955 bajo el título A Million Random Digits with
100.000 Normal Deviates.

John von Neumann fue un pionero en la investigación de los generadores de números

aleatorios implementados en computadoras. En 1951, Derrick Henry Lehmer inventó el
Generador lineal congruencial, utilizado en un gran número de generadores
pseudoaleatorios actuales. Con la proliferación de los ordenadores, los algoritmos de
generación de números pseudoaleatorios fueron reemplazando las tablas de números
aleatorios, y los generadores de números aleatorios "reales" (generadores de números
aleatorios por hardware) son utilizados en muy raras ocasiones.

Metodos Congruenciales
Congruencial Mixto

Los generadores congruenciales lineales generan una secuencia de numero

pseudoaleatorios en la cual el próximo numero pseudoaleatorios es determinado a
partir del numero generado, es decir el numero pseudoaleatorios Xn+1 es derivado a partir
del numero pseudoaleatorios Xn
Para el caso particular del generador Congruencial mixto, la relación de decurrencia es
la siguiente:

Xn+1 =( aXn + C) mod m

Donde:
X0 = la semilla (X0 > 0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= el modulo (m>X0 , m>a y m>c)

Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir aXn + c entre el
modulo.
Veamos el siguiente ejemplo:
Generar 2 números aleatorios de modulo 8 con constantes a= 5 y c=7 y una semilla
x0 = 4.
XN+1= (5XN + 7)(MODULO 8)

X1= 27 MODULO 8= 3
X2=22 MODULO 8= 6

Congruencial Multiplicativo

Al igual que el generador Congruencial mixto, el generador Congruencial multiplicativo

determina el próximo número pseudoaleatorio a partir del último número generado, de
acuerdo a la siguiente recurrencia:

Xn+1 = aXn mod m

Método de los Cuadrados Medios

Es debido a von Neuman y tiene fundamentalmente solo interés histórico.

1. se toma un numero entero inicial, X0, llamado semilla, de 2n cifras.
2. se eleva al cuadrado, obteniendo un número de 4n cifras (completado quizás con
ceros a la izquierda).
3. se considera X1 el número entero formado por las 2n cifras centrales.
4. se eleva al cuadrado X1 y se repite el proceso anterior tantas veces como sea preciso.
5. finalmente se consideran los numero ui = Xi/102n ya en el intervalo (0,1)

Ejemplo:

https://spreadsheets.google.com/ccc?hl=en&key=tbTzTnMR-Jgj-UmOu-czftQ&hl=en#

Bibliografía: Cao Abad Ricardo; Introducción a la Simulación y a la Teoría de Colas;

Bibliografía: Coss Bu Raul; Simulación un Enfoque Practico; Limusa Noriega editores.