UNIVERSIDAD TECNOLOGICA DE HONDURAS

Catedrática:
Ing. Ina Brenda Flores

Asignatura:
Modelación y simulación de sistemas

Integrante:
Cezar Eduardo Flores Rueda
202010110511

Tarea
Investigación Método Montecarlo

Choluteca 13 de julio de 2021

Introducción

En el siguiente documento hablaremos y conoceremos sobre los métodos de

Montecarlo los cuales abarcan una colección de técnicas que nos permiten de esa
manera obtener soluciones a problemas matemáticos o físicos esto se puede llevar
a cabo por medio de pruebas aleatorias que son repetidas. En lo práctico, estas
pruebas aleatorias son reemplazadas por resultados de algunos o ciertos cálculos
realizados con los números aleatorios. También se estudiará algunos conceptos
más usados o conocidos en el ámbito de variable aleatoria y también la
transformación de una variable aleatoria que puede ser discreta o continua, en este
mismo documento también veremos lo que son algunos ejemplos que nos ayudaran
a comprender mejor a lo que este método se refiere, y que es algo muy importante
de conocer y como futuros profesionales es bueno que comprendamos
correctamente este método y su uso en el estudio y en el área laboral.
Objetivo general
Como mayor objetivo es comprender el tema del método de Montecarlo,
ya que de esa manera cunado debamos ponerlo en práctica en nuestro
ámbito laboral, se nos será más fácil pódelo manejar así resolver
problemas que sean complejos y que este pueda darnos respuesta.

Objetivos específicos
 Comprender el tema correctamente y así poder ponerlo en práctica.

 Aprender a usar el método Montecarlo ya que solo así podremos saber

que tan importante es su utilidad.

 Poder comprender la importancia que tiene el modelo Montecarlo en el

ámbito laboral para todos los profesionales y nosotros como futuros
profesionales también.

 Realizar ejercicios prácticos de este modelo y poder así enseñar a los

demás como pueden aprovechar este método en sus vidas, tanto
personales como laborales.
Tabla de contenido
Introducción ........................................................................................................................................ 2
Objetivo general .................................................................................................................................. 3
Objetivos específicos ........................................................................................................................... 3
Modelo Montecarlo ............................................................................................................................ 5
¿Para qué se utiliza la simulación de Montecarlo? ......................................................................... 6
Generación de números aleatorios ................................................................................................. 6
Montecarlo. ......................................................................................................................................... 7
Orígenes del método....................................................................................................................... 7
Ejemplos .............................................................................................................................................. 9
El método de Monte Carlo ............................................................................................................ 10
Ejemplo #1......................................................................................................................................... 11
Ejemplo #2......................................................................................................................................... 14
Conclusiones ..................................................................................................................................... 17
Anexos ............................................................................................................................................... 18
Bibliografías ....................................................................................................................................... 19
Modelo Montecarlo

Los métodos de Montecarlo abarcan una colección de técnicas que permiten

obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios. Se estudiará el
concepto de variable aleatoria y la transformación de una variable aleatoria discreta
o continua.
Ejemplos sencillos son: el mecanismo básico de la difusión y el establecimiento del
equilibrio térmico entre dos sistemas que se ponen en contacto a distinta
temperatura. Estos dos ejemplos nos mostrarán el significado de proceso
irreversible y fluctuación alrededor del estado de equilibrio.
La explicación de la ley exponencial decreciente en la desintegración de una
sustancia radioactiva en otra estable. Comprender, a partir de un modelo simple de
núcleo radioactivo, que su desintegración es un suceso aleatorio, con mayor o
menor probabilidad dependiendo de la anchura de las barreras de potencial que
mantienen confinadas a las partículas que componen el núcleo.
Otros ejemplos relevantes son: el estudio de un sistema con un número pequeño
de estados como paso previo al estudio del comportamiento de un material
paramagnético bajo la acción de un campo magnético y a una determinada
temperatura, dos ejemplos de aplicación de la transformación de una variable
discreta. Por último, estudiaremos el comportamiento de un material dieléctrico
como ejemplo de aplicación de transformación de una variable aleatoria continua.
La simulación de Montecarlo es un método estadístico. Este es utilizado para
resolver problemas matemáticos complejos a través de la generación de variables
aleatorias.
La simulación de Montecarlo, o método de Montecarlo, le debe el nombre al famoso
casino del principado de Mónaco. La ruleta es el juego de casino más famoso y
también el ejemplo más sencillo de mecanismo que permite generar números
aleatorios.

La clave de este método está en entender el término ‘simulación’. Realizar una

simulación consiste en repetir, o duplicar, las características y comportamientos de
un sistema real. Así pues, el objetivo principal de la simulación de Montecarlo es
intentar imitar el comportamiento de variables reales para, en la medida de lo
posible, analizar o predecir cómo van a evolucionar.
A través de la simulación, se pueden resolver desde problemas muy sencillos, hasta
problemas muy complejos. Algunos problemas pueden solucionarse con papel y
bolígrafo. Sin embargo, la mayoría requieren el uso de programas informáticos
como Excel, R Studio o Matlab. Sin estos programas, resolver determinados
problemas llevaría muchísimo tiempo.

¿Para qué se utiliza la simulación de Montecarlo?

Lo importante es saber para qué se utiliza este método. Es decir, casos concretos
para entender la importancia del método.

En economía, la simulación de Montecarlo se utiliza tanto en empresas como en

inversión. Siendo en el mundo de la inversión donde más se utiliza.
Algunos ejemplos de simulación de Montecarlo en inversión son los siguientes:
Crear, valorar y analizar carteras de inversión
Valorar productos financieros complejos como las opciones financieras
Creación de modelos de gestión de riesgo
Dado que la rentabilidad de una inversión es impredecible, se utiliza este tipo de
método para evaluar distintos tipos de escenarios.

Un ejemplo sencillo se encuentra en la bolsa de valores. Los movimientos de una

acción no se pueden predecir. Se pueden estimar, pero es imposible hacerlo con
exactitud. Por ello, mediante la simulación de Montecarlo, se intenta imitar el
comportamiento de una acción o de un conjunto de ellas para analizar cómo podrían
evolucionar. Una vez se realiza la simulación de Montecarlo se extraen una cantidad
muy grande de escenarios posibles.

Generación de números aleatorios

Un punto clave en la utilización de la simulación de Montecarlo es la generación de
números aleatorios. ¿Cómo generamos números aleatorios? Con programas
informáticos. Ya que, si utilizásemos un mecanismo cómo una ruleta, esto podría
llevarnos muchas horas.
Si queremos generar 10.000 números aleatorios, imaginad cuanto tiempo
necesitaríamos. Así pues, se utilizan programas informáticos que generan estos
números. No se consideran números puramente aleatorios, ya que los crea el
programa con una fórmula. No obstante, se parecen mucho a las variables
aleatorias de la realidad. Se les denomina números pseudo-aleatorios. Resuelto
este problema, solo queda por ver una aplicación del método.

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 {\displaystyle
{\frac {1} {\sqrt {N}}}}{\displaystyle {\frac {1} {\sqrt {N}}}} en virtud del teorema del
límite central.

Orígenes del método

Ejemplo de aplicación de Montecarlo. En el juego de barcos, primero se realizan
una serie de tiros a puntos aleatorios. Si el jugador genera un algoritmo puede
deducir la posición del barco conocidos los datos anteriores.
La invención del método de Montecarlo 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 Montecarlo “comenzó a tener forma
concreta y empezó a desarrollarse con todas sus fallas de teoría rudimentaria
después de que se lo propuse a Johnny”.

A principios de 1947 Von Neumann envió una carta a Richtmayer a Los Álamos en
la que expuso de modo influyente tal vez el primer informe por escrito del método
de Montecarlo. Su carta fue encuadernada junto con la respuesta de Richtmyer
como un informe de Los Álamos y distribuida entre los miembros del laboratorio.
Von Neumann sugería aplicar el método para rastrear la generación isótropa de
neutrones desde una composición variable de material activo a lo largo del radio de
una esfera. Sostenía que el problema era adecuado para el ENIAC y estimaba que
llevaría 5 horas calcular la acción de 100 neutrones a través de un curso de 100
colisiones cada uno.

Ulam estaba particularmente interesado en el método Montecarlo para evaluar

integrales múltiples. Una de las primeras aplicaciones de este método a un
problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von
Neumann cuando consideraron los valores singulares de la ecuación de
Schrödinger.
Ejemplos
Los programas de diseño asistido por ordenador (CAD) pueden determinar
rápidamente el volumen de modelos muy complejos. Estos modelos, en general, no
tienen una expresión analítica para determinar su volumen (por ejemplo, para un
prisma, área de la base multiplicada por la altura), y la única solución es dividir el
modelo en un conjunto de pequeños submodelos (teselación) cuyo volumen pueda
determinarse (por ejemplo, dividir el modelo en miles de tetraedros). Sin embargo,
esto consume muchos recursos, tanto para la teselación como para el cálculo del
volumen de cada uno de los elementos. Por ello utilizan métodos de Montecarlo,
más robustos y eficientes.

Como el software sí que conoce la expresión analítica de la geometría del modelo

(posición de los nodos, aristas y superficies) puede determinar si un punto está
dentro del modelo o está fuera con un coste mucho menor que el de determinar un
volumen.

En primer lugar, el software coloca el modelo dentro de un volumen conocido (por

ejemplo, dentro de un cubo de 1 m³ de volumen).

A continuación, genera un punto aleatorio del interior del volumen conocido, y

registra si el punto "ha caído" dentro o fuera del modelo. Esto se repite un gran
número de veces (miles o millones), consiguiendo un registro muy grande de
cuántos puntos han quedado dentro y cuántos fuera.

Como la probabilidad de que caiga dentro es proporcional al volumen del modelo,

la proporción de puntos que han caído dentro con respecto al total de puntos
generados es la misma proporción de volumen que ocupa el modelo dentro del cubo
de 1 m³.

Si el 50% de los puntos han caído dentro, el modelo ocupa el 50% el volumen total,
es decir, 0.5 m³. Evidentemente, cuantos más puntos genere el software, menor
será el error de la estimación del volumen.

Estimación de {\displaystyle \pi} \pi por el método de Montecarlo en Python con un

número de puntos {\displaystyle n} n de 10 a 1,000,000 de acuerdo al código
provisto en 2.
Cálculo de {\displaystyle \pi} \pi por Montecarlo

Este método está cerca del experimento de aguja de Buffon, planteada por el
naturalista francés Georges-Louis Leclerc de Buffon.
Consideremos al círculo unitario inscrito en el cuadrado de lado 2 centrado en el
origen. Dado que el cociente de sus áreas es

{\displaystyle \pi} \pi 4, el valor de {\displaystyle \pi} \pi puede aproximarse

usando Montecarlo de acuerdo al siguiente método:

1. Dibuja un círculo unitario, y al cuadrado de lado 2 que lo inscribe.

2. Lanza un número {\displaystyle n} n de puntos aleatorios uniformes dentro del
cuadrado.
3. Cuenta el número de puntos dentro del círculo, i.e. puntos cuya distancia al
origen es menor que 1.
4. El cociente de los puntos dentro del círculo dividido entre {\displaystyle n} n es
un estimado de,
{\displaystyle \pi} \pi4
. Multiplica el resultado por 4 para estimar {\displaystyle \pi} \pi.
En este cálculo se tienen que hacer dos consideraciones importantes:

1. Si los puntos no están uniformemente distribuidos, el método es inválido.

2. La aproximación será pobre si solo se lanzan unos pocos puntos. En promedio,
la aproximación mejora conforme se aumenta el número de puntos.

El método de Monte Carlo

Los métodos de Monte Carlo son una potente herramienta de trabajo cuando la
solución analítica del problema es difícil. El método implica:

 la suposición de las distribuciones de probabilidad de las variables

influyentes y
 el uso de generadores de números aleatorios para muestrear de forma
simulada la población de sucesos.

A partir de los puntos anteriores es posible generar modelizaciones numéricas del

proceso en número suficiente como para construir empíricamente la función de
probabilidad de la variable resultado.

Los métodos de Monte Carlo han comenzado a ser prácticos y útiles cuando los
ordenadores han estado disponibles de forma generalizada. Los generadores de
números aleatorios son rutinas bien conocidas con las cuales es posible generar
series de números cuyas distribuciones pueden ajustarse a múltiples modelos.

En el caso que se trata aquí, podemos asumir un error gaussiano o con cierto grado
de autocorrelación. Los errores serán añadidos a datos simulados y aplicados los
algoritmos que ejecutan la simulación. De los resultados podemos deducir las
características de la propagación del error.

Felicísimo (1995) aplica este método al análisis de la propagación del error

altitudinal al cálculo de la pendiente. Los pasos seguidos son los siguientes:

 se genera un MDE con valores de altitud iguales, simulando un terreno plano

 se genera un valor de error para cada punto de acuerdo con una distribución
de Gauss N (0, ECM)
 la altitud de cada punto se altera añadiéndole el valor de error
 se calcula la pendiente en cada punto de acuerdo con el algoritmo que se
desee utilizar
 se construye la distribución de los valores de la pendiente resultantes de la
modelización y se compara con la distribución del MDE "real"

Obviamente, la pendiente esperada en ausencia de error es nula ya que el MDE de

partida muestra un terreno plano. Los resultados más notorios son los siguientes:

 la distribución del error en la pendiente no es de media nula lo que significa

que la construcción de un modelo digital de pendientes a partir de un MDE
infravalora las pendientes bajas proporcionalmente a la magnitud del error en
el MDE
 el error medio de la pendiente en función del ECM es el siguiente:

ECM 5% 10% 20%

Error 1,4º 2,9º 5,8º

el ECM se establece en porcentaje del tamaño de la malla del MDE; por ejemplo,
para un MDE de 30 m de intervalo entre datos, un ECM del 10% corresponde a 3 m

 del análisis de frecuencias de error acumuladas, se deducen los siguientes

resultados: para un MDE con ECM=10%, el 50% de los datos tendrán un
error de al menos 2º; el 25% de 3, 5º y el 5% de 5º o más
 un MDE con ECM=20%, el 50% de los datos tendrán un error de al menos
5º; el 25% de 7º y el 5% de 11º o más.
 en el caso de un MDE con pendiente superior a 0º, la influencia del error
disminuye proporcionalmente a la misma.

Ejemplo #1
Supongamos que tenemos un satélite, que para su funcionamiento depende de que
al menos 2 paneles solares de los 5 que tiene disponibles estén en funcionamiento,
y queremos calcular φ la vida útil esperada del satélite (el tiempo promedio de
funcionamiento hasta que falla, usualmente conocido en la literatura como MTTF -
Mean Time To Failure).
Supongamos que cada panel solar tiene una vida útil que es aleatoria, y esta
uniformemente distribuida en el rango [1000 hs, 5000 hs] (valor promedio: 3000 hs).

Para estimar por Monte Carlo el valor de φ, haremos n experimentos, cada

uno de los cuales consistirá en sortear el tiempo de falla de cada uno de los
paneles solares del satélite, y observar cual es el momento en el cual han
fallado 4 de los mismos, esta es la variable aleatoria cuya esperanza es el
tiempo promedio de funcionamiento del satélite.

El valor promedio de las n observaciones nos proporciona una estimación de

φ.

Exper. Tiempo hasta falla de

nro. Panel 1 Panel 2 Panel 3 Panel 4 Panel 5 satélite,

X(i)
1 3027 1738 2376 4685 4546 4546

2 4162 4029 4615 3455 3372 4162

3 3655 2896 1378 4010 4144 4010

4 2573 2649 2117 3956 1281 2649

5 2977 2724 1355 2268 3262 2977

6 3756 4190 1749 3398 2581 3756

Prom. - - - - - Sn/n =
3683
Table 1: Una simulación detallada con n = 6 experimentos.

De esta simulación, tenemos un valor estimado para la vida útil esperada del satélite
de 3683. Un indicador del error que podemos estar cometiendo es la varianza o
equivalentemente la desviación estándar de Sn, que en este caso es (haciendo los
cálculos) 297.
Seudocódigo básico de un Método Monte Carlo

Supongamos que deseo calcular un cierto valor φ, y conozco una variable aleatoria
X con distribución FX tal que φ = E(X).
Procedimiento Estimación Montecarlo (integer n, real X), real V

Parámetro de entrada: n, tamaño de la muestra b b Parámetros de salida: X,

estimador de, estimador de Var
b
1. . /* Inicialización */
2. V = 0.
3. For i = 1, ..., n do
3.1 Sortear un valor de la variable X(i) con distribución FX
3.2 X = X + X(i) /* Acumular*/
bb /* Acumular*/
4. X = X/n

5. V = V /b (n ∗ (n − 1)) − Xb2/ (n − 1) b

Para la implementación computacional de Monte Carlo, se supone siempre posible

el conseguir muestras de variables aleatorias uniformes entre 0 y 1 (U (0,1)), y el
generar muestras de otras distribuciones a partir de la transformación de las
variables uniformes. En la unidad 4 se discutirá más a fondo este tema, esencial en
la práctica.
 Para dar los elementos necesarios para poder programar implementaciones, se
adelantan los siguientes conceptos:
 Bibliotecas para generar números pseudo-aleatorios: conjunto de
funciones que permiten generar secuencias de números que se
comportan de forma razonablemente similar a una secuencia de
variables aleatorias independientes con distribución uniforme entre 0
y 1.
 Semilla: valor dado para inicializar la secuencia, semillas distintas
resultan en secuencias distintas.
 Función de inicialización: inicializa la secuencia con una semilla.
 Para la implementación computacional de Monte Carlo, se supone
siempre posible el conseguir muestras de variables aleatorias
uniformes entre 0 y 1 (U (0,1)), y el generar muestras de otras
 distribuciones a partir de la transformación de las variables uniformes.
En la unidad 4 se discutirá más a fondo este tema, esencial en la
práctica.
 Para dar los elementos necesarios para poder programar
implementaciones, se adelantan los siguientes conceptos:
 Bibliotecas para generar números pseudo-aleatorios: conjunto de funciones que
permiten generar secuencias de números que se comportan de forma
razonablemente similar a una secuencia de variables aleatorias independientes
con distribución uniforme entre 0 y 1.
 Semilla: valor dado para inicializar la secuencia, semillas distintas
resultan en secuencias distintas.
 Función de inicialización: inicializa la secuencia con una semilla.
 Función de sorteo: proporciona el próximo número aleatorio dentro de
la secuencia.
 Generación de una v.a. X = U (a, b) a partir de una v.a. U = U (0,1): se sortea
el valor de U, y se calcula X = a + (b − a) U.
 Generación de una v.a. X = E(λ) a partir de una v.a. U = U (0,1): se sortea el
valor de U, y se calcula X = −ln(U)/λ.

Ejemplo #2
#include <math.h>

// esta biblioteca incluye calculo de raiz cuadrada

double sqrt(double);

#include<stdio.h>

// esta biblioteca incluye rutinas para generar n�meros seudoaleatorios

double drand48(void);

int N; // nro. de replicaciones (tama�o de la muestra)

double tFallaComp1, tFallaComp2, tFallaC, tFallaTransm, tFallaSatelite;

// tiempos de falla de los componentes del satelite

double estimE, estimDesv;

 // variables auxiliares para estimar la vida util esperada del satelite y la varianza del
estimador

int i; // auxiliar para bucle

main()

estimE=0; //inicializacion del estimador

estimDesv=0;

N=100; // se fija el tama�o de la muestra

srand48(12345); // inicializaci�n del generador de n�meros aleatorios

for(i=1;i<=N;++i) // bucle principal

tFallaComp1= drand48()*500; // sorteo de los tiempos de falla de los

componentes

tFallaComp2= drand48()*500;

tFallaTransm= drand48()*1500;

if (tFallaComp1<tFallaComp2) // c�lculo del tiempo de falla del sat�lite

tFallaC=tFallaComp2;

else

tFallaC=tFallaComp1;

if (tFallaC<tFallaTransm)

tFallaSatelite = tFallaC;

else

tFallaSatelite = tFallaTransm;

estimE += tFallaSatelite; // acumulado de la estimaci�n

 estimDesv = estimDesv+ tFallaSatelite*tFallaSatelite; // acumulado para estimar la
varianza

estimE = estimE / N; // normalizaci�n de la estimaci�n

estimDesv = sqrt((estimDesv/N/(N-1)-estimE*estimE/(N-1)));

printf("Estimacion %f; DesviacionEstandar %f \n",estimE,estimDesv);

Conclusiones

 Después de haber realizado esta investigación puedo decir que es muy

importante comprender el tema y así aprender a realizar ejercicios prácticos
usando el modelo Montecarlo.

 Logré comprender el tema perfectamente y así de igual manera pude poner

en práctica el manejo del método Montecarlo.

 Comprendí la importancia de este método y su utilidad en la sociedad laboral

y personal de los profesionales.

 Como futuro profesional puedo decir que, al haber aprendido este método,
es de ayuda para poder mejorar en diferentes aspectos y así es importante
que nos enseñen diferentes técnicas y métodos que pueden mejorar nuestro
nivel intelectual y laboral.

 Conociendo el código de los ejemplos que aquí pude conocer, puedo decir
que es muy importante los problemas que este puede resolver, ya que da
una respuesta en cada dudad que se nos presentan al momento de efectuar
algún método.
Anexos
Bibliografías

https://economipedia.com/definiciones/simulacion-de-montecarlo.html

https://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo

https://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion02/transp.pdf