El método Montecarlo fue bautizado así por su clara analogía con los

juegos de ruleta de los casinos, el más célebre de los cuales es el

de Montecarlo, casino cuya construcción fue propuesta en 1856 por
el príncipe Carlos III de Mónaco, siendo inaugurado en 1861.
El término Monte Carlo se aplica a un conjunto de métodos
matemáticos que se empezaron a usar en los 1940s para el desarrollo
de armas nucleares en Los Alamos, favorecidos por la aparición de
los ordenadores digitales modernos. Consisten en resolver un
problema mediante la invención de juegos de azar cuyo
comportamiento simula algún fenómeno real gobernado por una
distribución de probabilidad (un proceso físico) o sirve para realizar
un calculo (evaluar una integral).
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.
Mas técnicamente, un Monte Carlo es un proceso estocástico
numérico, es decir, una secuencia de estados cuya evolución viene
determinada por sucesos aleatorios. Recordemos que un suceso
aleatorio es un conjunto de resultados que se producen con cierta
probabilidad.
Con estos métodos solo se requiere que el sistema físico o
matemático pueda ser descrito mediante una función de densidad
de probabilidad, la cual una vez sea postulada o conocida, se
requiere una forma rápida y efectiva para generar números
aleatorios con esa distribución, y así se inicia la simulación
haciendo muestreos aleatorios de la misma.

Después de múltiples simulaciones, el resultado deseado se toma

como el valor promedio de los resultados obtenidos en cada
simulación.
Son conceptos muy amplio y bastante difusos.
 En el método Monte Carlo el tiempo no es importante, como si lo es una
simulación estocástica.
 Las observaciones en el método Monte Carlo son independientes. En
simulación los experimentos dependen del tiempo, de tal manera que las
observaciones son correlacionadas.
 En el método Monte Carlo la respuesta se puede expresar como una
simple función de las variables aleatorias de entrada, mientras que en
simulación la respuesta solo puede ser expresada explícitamente por el
propio programa.
 Ecología.
 Criptografía.
 Densidad y flujo de trafico.
 Diseño de reactores nucleares.
 Econometría.
 Evolución estelar.
 Física de materiales.
 Programas de computadora.
 Sistema de colas.
 Valoración de cartera de valores.
 Radioterapia contra el cáncer.
 Pronostico del índice de la bolsa.
Se denomina variable aleatoria, a una variable X que puede tomar
un conjunto de valores {x0, x1, x2, ... xn-1}, con probabilidades {p0, p1,
p2, ... pn-1}.
Por ejemplo, en la experiencia de lanzar monedas, los posibles
resultados son {cara, cruz}, y sus probabilidades son {1/2, 1/2}. En la
experiencia de lanzar dados, los resultados posibles son {1, 2, 3, 4, 5, 6}
y sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el
número del sector que coincide con la flecha. En la ruleta de la izquierda
de la figura los resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la
probabilidad de cada resultado es 1/8.

En la ruleta de la derecha de la figura los posibles resultados son {0, 1, 2,

3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8}, proporcionales al
ángulo del sector.
En los tres primeros ejemplos, la variable aleatoria X se dice que está
uniformemente distribuida, ya que todos los resultados tienen la misma
probabilidad. Sin embargo, en el último ejemplo, la variable aleatoria X,
no está uniformemente distribuida.

El problema crucial de la aplicación de los métodos de Monte Carlo es

hallar los valores de una variable aleatoria (discreta o continua) con una
distribución de probabilidad dada por la función p(x) a partir de los
valores de una variable aleatoria uniformemente distribuida en el
intervalo [0, 1), proporcionada por el ordenador o por una rutina
incorporada al programa.
Para simular un proceso físico, o hallar la solución de un problema
matemático es necesario usar gran cantidad de números aleatorios. El
método mecánico de la ruleta sería muy lento, además cualquier
aparato físico real genera variables aleatorias cuyas distribuciones
difieren, al menos ligeramente de la distribución uniforme ideal.

También, se puede hacer uso de tablas de cifras aleatorias

uniformemente distribuidas, comprobadas minuciosamente en base a
pruebas estadísticas especiales. Se emplean solamente cuando los
cálculos correspondientes a la aplicación del método de Montecarlo se
realiza a mano, lo que en estos tiempos resulta inimaginable.
En la práctica, resulta más conveniente emplear los denominados
números pseudoaleatorios, se trata de números que se obtienen a
partir de un número denominado semilla, y la aplicación reiterada de
una fórmula, obteniéndose una secuencia {x0, x1, x2, ... xn} de
números que imitan los valores de una variable uniformemente
distribuida en el intervalo [0, 1)
Se denomina variable aleatoria discreta aquella que sólo puede tomar un
número finito de valores dentro de un intervalo

Densidad
Se denomina densidad discreta a la probabilidad de que una variable
aleatoria discreta X tome un valor numérico determinado (x). Se representa:
f(x) = P[X=x]
La suma de todas las densidades será igual a
Para simular la ruleta situada a la derecha de la figura, se procede
del siguiente modo: se hallan las probabilidades de cada resultado,
proporcionales al ángulo de cada sector y se apuntan en la segunda
columna, la suma total debe de dar la unidad. En la tercera
columna, se escriben las probabilidades acumuladas.
Se sortea un número aleatorio γ uniformemente distribuido en el intervalo
[0, 1). En el eje X se sitúan los distintos resultados que hemos nombrado x0,
x1, x2, x3 . En el eje vertical las probabilidades en forma de segmentos
verticales de longitud igual a la probabilidad pi de cada uno de los
resultados, dichos segmentos se ponen unos a continuación de los otros,
encima su respectivo resultado xi. Se obtiene así una función escalonada.
Cuando se sortea una variable aleatoria γ, se traza una recta horizontal
cuya ordenada sea γ. Se busca el resultado cuya abscisa sea la
intersección de dicha recta horizontal y del segmento vertical, tal como se
señala con flechas anteriores. Si el número aleatorio γ está comprendido
entre 0.25 y 0.75 se obtiene el resultado denominado x1.
La tabla describe el sorteo de una variable discreta, siendo γ una
variable aleatoria uniformemente distribuida en el intervalo [0,1).