La simulación de Monte Carlo es un método computacional que utiliza números aleatorios para resolver problemas que serían imposibles o extremadamente difíciles de abordar analíticamente. Su nombre proviene del famoso casino de Mónaco, una referencia al papel central del azar en este método.
El principio básico
La idea es simple pero potente: si no podemos calcular algo exactamente, podemos simularlo muchas veces y observar qué pasa. Generamos miles o millones de escenarios aleatorios y calculamos estadísticas sobre los resultados. Cuantas más simulaciones realicemos, más precisa será nuestra estimación.
Historia: del proyecto Manhattan al mundo moderno
El método fue formalizado por Stanislaw Ulam y John von Neumann en los años 40, mientras trabajaban en el Proyecto Manhattan. Ulam, recuperándose de una enfermedad, jugaba al solitario y se preguntó cuál era la probabilidad de ganar una partida. En lugar de calcularla analíticamente, se le ocurrió simular muchas partidas.
Von Neumann implementó la idea en el ENIAC, uno de los primeros ordenadores. Nicholas Metropolis sugirió el nombre «Monte Carlo» como referencia al casino.
¿Cómo funciona?
Los pasos generales son:
- Definir el dominio: establecer las variables de entrada y sus distribuciones de probabilidad.
- Generar muestras aleatorias: crear valores aleatorios según esas distribuciones.
- Realizar el cálculo: ejecutar el modelo con cada conjunto de valores aleatorios.
- Agregar resultados: calcular estadísticas sobre los resultados (media, varianza, percentiles).
Ejemplo: estimar π
Uno de los ejemplos más elegantes: inscribimos un círculo de radio 1 dentro de un cuadrado de lado 2. Generamos puntos aleatorios dentro del cuadrado. La proporción de puntos que caen dentro del círculo se aproxima a π/4. Con un millón de puntos, obtenemos una estimación de π precisa a varias cifras decimales.
Aplicaciones
Finanzas: Valoración de opciones complejas, gestión de riesgos de carteras, simulación de escenarios de mercado. La fórmula de Black-Scholes tiene limitaciones que Monte Carlo supera.
Ingeniería: Análisis de fiabilidad de sistemas complejos, simulación de procesos de fabricación, pruebas de estrés.
Física: Simulación de transporte de partículas, mecánica estadística, física de plasmas.
Inteligencia artificial: Monte Carlo Tree Search (MCTS) es el algoritmo detrás de los programas de Go que derrotaron a campeones humanos.
Juegos de azar: Las simulaciones de Monte Carlo permiten calcular probabilidades exactas en juegos complejos donde el cálculo analítico es inviable. Se pueden simular millones de manos de póker, tiradas de ruleta o sesiones de tragaperras para determinar la distribución de ganancias y pérdidas.
Limitaciones
El método requiere un generador de números aleatorios de calidad (los ordenadores usan generadores pseudoaleatorios). También necesita un número suficiente de simulaciones para obtener resultados precisos, lo que puede requerir mucha potencia computacional para problemas de alta dimensionalidad.