Monte Carlo convierte incertidumbre o complejidad en muchas pruebas controladas
El método de Monte Carlo es una familia de técnicas que usa muestras pseudoaleatorias para estimar cantidades que resultan difíciles de calcular de forma exacta mediante métodos directos. Primero se define un modelo probabilístico, después se generan escenarios y finalmente se resumen sus resultados. Sirve para integrar funciones, propagar incertidumbre, valorar riesgos y simular sistemas. El azar no sustituye el razonamiento: la respuesta depende de elegir distribuciones, algoritmo y criterio de error coherentes con el problema estudiado.
El nombre se popularizó durante los años cuarenta con Stanislaw Ulam, John von Neumann y Nicholas Metropolis, inspirado por los juegos de azar de Montecarlo. Los ordenadores permitieron repetir miles de trayectorias que a mano eran impracticables. Hoy una simulación puede usar millones, pero más muestras no reparan un modelo equivocado ni datos de entrada irreales.
Estimar π muestra la lógica, aunque no sea la forma eficiente de calcularlo
Se dibuja un cuadrado de lado dos con un círculo de radio uno inscrito y se generan puntos uniformes. La fracción que cae dentro del círculo aproxima la relación entre áreas π/4. Multiplicarla por cuatro estima π. Cada punto responde una pregunta sencilla, x² + y² ≤ 1, y la frecuencia acumulada se acerca a la probabilidad geométrica.
El ejemplo enseña muestreo y convergencia, pero desperdicia puntos y converge lentamente frente a fórmulas específicas de π. Monte Carlo cobra ventaja en dimensiones altas o geometrías complejas, donde una cuadrícula crece de manera explosiva. Una integral puede verse como valor esperado de una variable y estimarse promediando evaluaciones aleatorias. La traducción matemática es el paso esencial; lanzar números sin esa relación no resuelve nada.
El error aleatorio suele caer como uno dividido por la raíz del número de muestras
Para muestras independientes con varianza finita, el error estándar del promedio disminuye aproximadamente como 1/√N. Reducirlo a la mitad exige unas cuatro veces más simulaciones; ganar un decimal puede costar cien veces más. El teorema central del límite permite construir intervalos aproximados, pero colas pesadas, dependencia o eventos raros pueden romper la estimación ingenua. Informar solo el promedio oculta cuánta incertidumbre numérica queda.
Una semilla fija permite reproducir la secuencia pseudoaleatoria, útil para depurar y comparar. Variar semillas ayuda a detectar inestabilidad. Generadores de mala calidad introducen patrones, y ejecutar hilos en paralelo puede cambiar el orden de números. La incertidumbre de Monte Carlo se suma a la del modelo y de los datos. Una estimación muy precisa del modelo incorrecto sigue siendo incorrecta.
Importancia, estratos y cadenas de Markov concentran esfuerzo donde aporta información
El muestreo estratificado divide el espacio y asegura representación de regiones; variables antitéticas y de control reducen varianza aprovechando correlaciones; cuasi-Monte Carlo usa secuencias de baja discrepancia para cubrir el dominio con mayor uniformidad. El muestreo por importancia extrae más casos de regiones influyentes y corrige el peso para conservar la cantidad objetivo. Elegir bien puede ahorrar órdenes de magnitud sin fingir más datos.
Markov chain Monte Carlo, o MCMC, aborda distribuciones de las que no sabemos obtener muestras independientes. Construye una cadena cuya distribución estacionaria es la deseada y se usa en inferencia bayesiana. Las muestras están correlacionadas, necesitan diagnóstico y pueden quedar atrapadas entre modos. MCMC es Monte Carlo, pero no toda simulación de Monte Carlo usa una cadena de Markov.
Finanzas, física e ingeniería lo usan cuando el resultado depende de muchos futuros posibles
En física de partículas y radiación se simulan interacciones; en ingeniería se propagan tolerancias; en finanzas se valoran derivados y pérdidas; en epidemiología y clima se exploran parámetros y trayectorias. La probabilidad de entrada puede representar variabilidad real o incertidumbre de conocimiento. Mezclarlas sin etiqueta dificulta interpretar si un intervalo describe futuros posibles o ignorancia actual.
Los fallos típicos son asumir independencia inexistente, ignorar correlaciones, truncar colas, seleccionar distribuciones por comodidad y declarar certeza porque el histograma parece suave. Una validación compara simulación con casos resolubles y datos externos, realiza análisis de sensibilidad y conserva código y semillas. Monte Carlo no predice el futuro como una bola de cristal. Convierte supuestos explícitos en una distribución de resultados y permite ver qué decisiones siguen siendo robustas cuando esos supuestos varían.
Los eventos raros muestran el límite con claridad. Si la probabilidad de un fallo catastrófico es una entre un millón, una simulación de diez mil casos probablemente no observará ninguno y podría sugerir riesgo cero. Muestreo por importancia, división de trayectorias y modelos de valores extremos concentran pruebas en la región crítica, pero sus pesos deben validarse. En decisiones, además de probabilidad importa consecuencia. Un intervalo de confianza sobre la media no responde automáticamente a la cola. Antes de simular conviene definir la magnitud objetivo: pérdida esperada, percentil, probabilidad de superar umbral o peor caso plausible requieren estimadores y tamaños de muestra distintos.
En transporte de radiación, una partícula simulada atraviesa materiales, cambia energía y quizá es absorbida. Repetir historias estima dosis o eficiencia de un detector. El modelo usa probabilidades físicas medidas, no una trayectoria inventada libremente. En una opción financiera, cada historia sigue precios supuestos y pagos contractuales. Los dos casos comparten promedios, pero validar entradas requiere disciplinas diferentes. El método es reutilizable precisamente porque separa motor de muestreo y modelo específico; confundirlos crea software elegante que responde a la pregunta equivocada.
