Introduccin

Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una serie de
procedimientos que analizan distribuciones de variables aleatorias usando simulacin de
nmeros aleatorios.
El Mtodo de Monte Carlo da solucin a una gran variedad de problemas
matemticos haciendo experimentos con muestreos estadsticos en una computadora. El
mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico.
Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que
poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto
de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo- aleatorio se usa
para estudiar el modelo.
A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no tienen
un componente aleatorio explcito; en estos casos un parmetro determinista del problema se
expresa como una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el
famoso problema de las Agujas de Bufn.
La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se
pueden resolver por mtodos analticos, para solucionar estas integrales se usaron
nmeros aleatorios. Posteriormente se utiliz para cualquier esquema que emplee
nmeros aleatorios, usando variables aleatorias con distribuciones de probabilidad
conocidas, el cual es usado para resolver ciertos problemas estocsticos y determinsticos,
donde el tiempo no juega un papel importante.
La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo
aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo
aleatorios y automatizar clculos.

Inicios del Mtodo de Monte Carlo

El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego
de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el
desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 con e
l desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desar
rolladas) en muchas ocasiones anteriores a 1944.
El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, pr
oviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo invol
ucraba la simulacin directa de problemas probabilsticos de hidrodinmica concerniente
s a la difusin de neutrones aleatorios en material de fusin.
An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ula
m refinaron esta curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo
sistemtico de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores
para los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a
nivel nuclear.
Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan a
proveer mayor precisin y relacin para el empleo del mtodo Monte Carlo. La teora i
dentifica una clase de problemas para los cuales el tiempo necesario para evaluar la s
olucin exacta al problema crece con la clase, al menos exponencialmente con M. La
cuestin a ser resuelta era si MC pudiese o no estimar la solucin al problema de tip
o intratable con una adecuacin estadstica acotada a una complejidad temporal polinomial e
n M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con arco
s fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el e
spacio Euclidiano M
dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad para estimar la p
ersistencia de una matriz o en forma equivalente, el nmero de matching perfectos en un graf
o bipartito.
Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y John Von
Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el
movimiento aleatorio de los neutrones. En aos posteriores, la simulacin de Monte Carlo se
ha venido aplicando a una infinidad de mbitos como alternativa a los modelos matem
ticos exactos o incluso como nico medio de estimar soluciones para problemas comp
lejos. As, en la actualidad es posible encontrar modelos que hacen uso de simulacin MC en
las reas informtica, empresarial, econmica, industrial e incluso social. En otras palabras,
la simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el
comportamiento aleatorio o probabilstico desempea un papel fundamental

precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mnaco, donde

abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento ale
atorio conforman todo un estilo de vida.
Son muchos los autores que han apostado por utilizar hojas de clculo para realizar
simulacin MC. La potencia de las hojas de clculo reside en su universalidad, en su
facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las posibilidades
que ofrece con respecto al anlisis de escenarios (whatif analysis). Las ltimas versiones de
Excel incorporan, adems, un lenguaje de programacin propio, el Visual Basic for Appl
ications, con el cual es posible crear autnticas aplicaciones de simulacin destinadas al usua
rio final. En el mercado existen de hecho varios complementos de Excel (AddIns) especfica
mente diseados para realizar simulacin MC, siendo los ms conocidos: @Risk, Crystall Ball,
Insight.xla, SimTools.xla, etc..