Método de Montecarlo: qué es, por qué funciona y ejemplos

Índice
  1. La idea en tres pasos
  2. Por qué funciona
  3. Ejemplo 1: estimar π
  4. Ejemplo 2: una integral sin primitiva elemental
  5. Ejemplo 3: una probabilidad que sí sabemos calcular
  6. Dónde se usa
  7. «Algoritmo de Montecarlo» en informática
  8. Errores frecuentes
  9. Historia
  10. Preguntas frecuentes
    1. ¿Qué es el método de Montecarlo?
    2. ¿Existe un teorema de Montecarlo?
    3. ¿Cuántas simulaciones hacen falta?
    4. ¿Por qué se llama Montecarlo?
  11. Fuentes

Actualizado el

El método de Montecarlo consiste en calcular un número (una probabilidad, una integral, un valor esperado) repitiendo muchas veces un experimento aleatorio simulado y promediando los resultados. No es un teorema, sino una técnica de cálculo; lo que garantiza que funciona son dos teoremas de probabilidad: la ley de los grandes números, que asegura que el promedio se acerca al valor buscado, y el teorema central del límite, que dice con qué rapidez lo hace.

La idea en tres pasos

  1. Escribir lo que se quiere calcular como un valor esperado: I = E[f(X)], donde X es una variable aleatoria que se sabe simular.
  2. Simular N valores independientes X1, …, XN con esa distribución, normalmente a partir de números pseudoaleatorios.
  3. Promediar:

ÎN = (1/N) Σi=1N f(Xi)

Para una probabilidad P(A), f es la función que vale 1 si ocurre A y 0 si no, y el promedio es simplemente la proporción de veces que ha ocurrido A.

Por qué funciona

Ley de los grandes números. Si las f(Xi) son independientes, con la misma distribución y media finita I, entonces ÎN → I cuando N → ∞ (con probabilidad 1, en la versión fuerte). La versión débil se puede demostrar en dos líneas con la desigualdad de Chebyshev: P(|ÎN − I| ≥ ε) ≤ σ2/(N ε2), que tiende a 0.

Teorema central del límite. Si además la varianza σ2 = Var f(X) es finita, el error ÎN − I se distribuye aproximadamente como una normal de media 0 y desviación típica

σ / √N

Esa es la clave práctica del método: el error baja como 1/√N. Para dividir el error entre 10 hay que multiplicar las simulaciones por 100. Y como σ se puede estimar con la propia muestra, Montecarlo da a la vez el resultado y un intervalo de confianza: aproximadamente ÎN ± 1,96 σ/√N al 95 %. El fundamento está explicado en la guía del teorema del límite central.

Ejemplo 1: estimar π

Se generan puntos (U, V) al azar en el cuadrado [0, 1] × [0, 1]. La probabilidad de que caigan dentro del cuarto de círculo U2 + V2 ≤ 1 es su área, π/4. Por tanto

π ≈ 4 · (puntos dentro) / N

Cuánto error esperar. La variable «cae dentro» vale 1 con probabilidad p = π/4 ≈ 0,7854, así que su desviación típica es √(p(1 − p)) ≈ 0,4105. Multiplicada por 4, la del estimador de π es 1,642/√N:

NDesviación típica del error
100≈ 0,164
10 000≈ 0,0164
1 000 000≈ 0,0016

En una ejecución con Python (generador random, semilla 2026) salió 3,08 con 100 puntos y 3,1496 con 10 000, errores compatibles con la tabla. Para tener una desviación típica de 0,001 harían falta unos 2,7 millones de puntos. Montecarlo es una forma muy mala de calcular π, pero un buen ejemplo para entender el método.

Ejemplo 2: una integral sin primitiva elemental

Queremos I = ∫01 e−x2 dx. Si U es uniforme en [0, 1], I = E[e−U2], y se estima con el promedio de e−Ui2.

  • Valor exacto (con la función error): I = (√π / 2) · erf(1) ≈ 0,746824.
  • Desviación típica de e−U2: σ ≈ 0,2010, de modo que con N = 10 000 el error típico es ≈ 0,0020.
  • Una simulación con 10 000 puntos dio 0,7508, con error típico estimado 0,0020. La diferencia con el valor exacto, 0,0040, son unos dos errores típicos: dentro de lo esperable.

En una dimensión, la regla de Simpson o la del trapecio son mucho más precisas con muchos menos puntos. Montecarlo gana cuando la integral tiene muchas dimensiones: su error σ/√N no depende de la dimensión, mientras que los métodos de cuadrícula necesitan un número de puntos que crece exponencialmente con ella.

Ejemplo 3: una probabilidad que sí sabemos calcular

Probabilidad de que la suma de dos dados sea 10 o más. Exacta: hay 6 casos favorables de 36 ((4,6), (5,5), (6,4), (5,6), (6,5), (6,6)), luego 1/6 ≈ 0,1667. Simulando 10 000 lanzamientos se obtuvo 0,1649, y el error típico teórico es √(p(1 − p)/N) ≈ 0,0037: la diferencia, 0,0018, es menor que un error típico. En problemas reales se usa al revés: se simula precisamente cuando el cálculo exacto no es viable (por ejemplo, la probabilidad de ganar un solitario, que fue el problema que inspiró a Ulam).

Dónde se usa

  • Física: transporte de neutrones y radiación (su origen), física estadística, simulación de detectores.
  • Finanzas: valoración de opciones y cálculo de riesgos simulando miles de escenarios de mercado.
  • Ingeniería y gestión: fiabilidad de sistemas, plazos de proyectos con duraciones inciertas, propagación de incertidumbres de medida.
  • Gráficos por ordenador: el trazado de caminos (path tracing) calcula la iluminación promediando rayos aleatorios; el «ruido» de un render poco muestreado es el error 1/√N.
  • Estadística bayesiana: los métodos MCMC (Montecarlo con cadenas de Markov) permiten muestrear distribuciones a posteriori que no se pueden calcular de forma cerrada, como las que aparecen al aplicar el teorema de Bayes con muchos parámetros.

«Algoritmo de Montecarlo» en informática

En informática la expresión tiene un sentido algo distinto: un algoritmo de Montecarlo es un algoritmo aleatorio que termina rápido pero puede equivocarse con una probabilidad pequeña y controlada. Se contrapone al algoritmo de Las Vegas, que nunca se equivoca pero cuyo tiempo de ejecución es aleatorio. El ejemplo clásico son los tests de primalidad de Miller-Rabin y Solovay-Strassen: para un número compuesto, cada ronda del test de Solovay-Strassen lo detecta con probabilidad al menos 1/2, así que tras k rondas independientes la probabilidad de declarar primo un número compuesto es como mucho 2−k.

Errores frecuentes

  • Dar el resultado sin su error. Un valor de Montecarlo sin intervalo de confianza no dice cuánto fiarse de él.
  • Esperar que el error baje como 1/N. Baja como 1/√N; duplicar las simulaciones solo mejora la precisión en un factor √2 ≈ 1,41.
  • Reutilizar números aleatorios sin querer (misma semilla en todas las repeticiones) y tomar por independientes resultados que no lo son.
  • Usar varianzas infinitas. Si Var f(X) no es finita, el teorema central del límite no se aplica y el error puede comportarse mucho peor.

Historia

Hay antecedentes antiguos, como la aguja de Buffon (siglo XVIII), que permite estimar π contando cuántas veces una aguja lanzada al azar cae sobre líneas paralelas: si la aguja mide lo mismo que la separación entre líneas, la probabilidad es 2/π ≈ 0,637. Enrico Fermi experimentó con la idea en los años treinta sin publicarla. El método moderno nace en Los Álamos: en 1946 Stanisław Ulam, pensando en la probabilidad de ganar un solitario, propuso estimarla jugando muchas partidas, y vio que la idea servía para la difusión de neutrones. Lo desarrolló con John von Neumann, y Nicholas Metropolis propuso el nombre en clave «Montecarlo», por el casino de Mónaco donde jugaba un tío de Ulam. En la primavera de 1948 se hicieron los primeros cálculos automáticos en el ordenador ENIAC, y en 1949 Metropolis y Ulam publicaron el artículo «The Monte Carlo Method» en el Journal of the American Statistical Association.

Preguntas frecuentes

¿Qué es el método de Montecarlo?

Una técnica que calcula una cantidad (una probabilidad, una integral, un valor medio) simulando muchas veces un experimento aleatorio y promediando los resultados.

¿Existe un teorema de Montecarlo?

No. El método se apoya en la ley de los grandes números, que garantiza que el promedio converge al valor buscado, y en el teorema central del límite, que da el tamaño del error, del orden de σ/√N.

¿Cuántas simulaciones hacen falta?

Depende de la precisión: el error típico es σ/√N. Para reducirlo a la décima parte hay que multiplicar N por 100. Para estimar π con un error típico de 0,001 hacen falta unos 2,7 millones de puntos.

¿Por qué se llama Montecarlo?

Nicholas Metropolis propuso ese nombre en clave en Los Álamos, en referencia al casino de Montecarlo, en Mónaco, donde jugaba un tío de Stanisław Ulam.

Fuentes

Teoremas

RELACIONADOS

Subir