El método de Monte Carlo s0bre un tableo dio or Ine a intencion de hacer inferencias acerca det paralelas, con famoso numero Pi de la circunterencia (3.1416...) luis Cruz K partir de las observaciones de las trecuen a FONINO" ge traslape de la aguia con las lineas, Asmismo, se conoce un relato de cierto capitan Fox en los Estados Unidos, quien mientras convalecia de las heridas infigicas en la Guerra de Secesion de ese pais realiz6 una determinacion experimental del valor de Pi, entrascandose on este juego como una manera de distraerse. Mas adelante describiremos este tipo de experimentos, los cuales comesponden al llamado “problema de la Jarlo proporciona soluciones guia de Butfon*. En 1899, Lord Rayleigh mostra riedad de problemas matemati- que una caminata aleatoria unidimensional sin fecucion por computadora de experi- _barreras absorbentes podia proporcionar una nentos d e muestreo estadistico. El método es aplicable tanto a problemas sin contenido probabilsta, es decir, determi 3 aquellos que tienen inherente una estructura probabilista, Aqui se presentara una breve excursién histénca sobre cientificos y estu Jiosos que de algu 2 manera han participado en el desarrollo de estas técnicas. A continuacién se daran algunos ejemplos de api cacién a situaciones de la vida cotidiana, como son los fondos para la jubilacion y los modelos para describir proce: de cancer y tros, todo ello con la finalidad de ilustrar los campos tan variados s que el Método de Monte Carlo puede contribuir Breve historia del método de Monte Carlo odo se llama asi por alusién a la ciudad y principado de aco y toda vez que una ruleta, simbolo de ese lugar, constituye An generador simple de nUmeros aleatorios, La acufacién de este nbre y el desarrollo sistematico de los métodos de Monte Carlo 4e alrededor de 1944; no obstante, existen instancias aisladas as en épocas mucho mas mpranas. Por ejempk fu cis Basic la Uneven Vr rias personas realizaron exper una aguja para que cayera “SoluciOn aproximada a una ect paraboli relacion ent Kolmogorov, en 1931, mos los procesos ticos de Markov y ciertas ecuaciones integro-diferenciales. A principios det siglo XX, las escuelas estadisticas briténicas se consagraron a estudiar spectos no Muy desarrollados de los tra. sto de Monte Carlo, primordialmente con fines didacticos y pocas v respecto, en cuanto a fa Investigacion, se jaca aqui el ahora tamosisimo nombre de ibid William, set). Es Gosset quien, trabajando como is en la Cerveceria Guines des Student” (s S. Gos oF € 1dOnime con el que esc ase ico para el control de calidad de proceso: utilizo un muestreo experimental que fo lev a descubrir la distribucion del coeticiente de correlacion y aumentar su fe en ta tan ahora utiizada distribu cion 1, la cual habia derivado sirviendose de andlisis teoncos dudose El uso real de los métodos de Monte Carlo como una herramienta para la investig e incompletos. acion durante la Segunda ar am estuvo en Los Alamos, desarrollo el método de M lo, ol cual permitia la busqueda de soluciones para probiemas matemticos mediante un proc fimiento de muestreo & ico con nimeros aleatorios. Este trabajo involucraba una simulacion directa de los as relativos a la difusion de neutrones en un problemas probabilst material fisionable; pero alin en una fase temprana de estas inves. von Neumann y Ulam refinaron los metodos de “ruleta tigacione memibramiento’ yde No obstante, el desarrollo sistematico de tales ideas tuvo que esperar el trabajo de Harris y Herman Kahn, realizado en 1948, Alrededor de ese ano, E. Fermi, N. Metropolis y S. Ulam obtuvieron estimaciones mediante el método Monte Carlo de los caracteristicos de la ecuacion de Schrodinger. Fue durante la guerra que cristalizo tal metodologia basica- mente debido a dos hechos. Por un lado, reunieron sus estuerz onajes como von Neumann, Fermi, Ulam y Metropolis en el utilizando muestreo valores pers aracterizar ” para proyecto “Manhatt estadistico, el transporte de radiacién en la materia, especifica cuando viajan a para el contaba mente la difusion y multiplicacion de neutrones. través de un material fisionable, problema de gran inter diseno y tabnicacion de armas nucleares. Por otro lado, ya con un desarrollo incipiente de las computadoras digitales modernas, fo que permitié darle al muestreo estadistico un cardc ter practico. Cerca de 1970, la teoria en desarrollo de la ‘computacional comenzo a proporcionar un fundamento mas pre: nplejidad iso y persuasivo a la utilizacion del método de Monte Carlo, La teoria identificd una clase de problemas para los cuales el tiempo para evalua la solucién exacta a un problema dentro de la clase rece cuando menos de manera exponencial con M, donde M es suelta era si el e/ numero de Componentes, La pregunta a ser r método de Monte Carlo podria estimar la solucion a un problema clase intratable dentro de unos limites especificados de 6n estadistica en tiempo acotado por arriba por un poli nomio en M. Hay numeros O8 ejemplos que apoyan esto. Karp, en 1985, mostré esta propiedad para estimar la fiabllidad de una red plana muttiterminal con aristas que fallan de manera aleatona. A 5 vez, Dyer establecié es de un cuerpo pacio euclidiano de dimension M Por su parte, Broder, en 1986, y Jerrum y Sinclair en 1988 atir 10 mismo en 1989 para estimar el volumer convexo en unn la propiedad par nanera equivalente, el r rdancias pertectas en a grafica bipartita. Algunas aplicaciones de Monte Carlo Pues bien, en la actualidad el desarrollo de las técnicas computa: jonales ha permitido, entre otras cosas, contar con herramientas ‘uyas aplicaciones se encuentran en areas de! conocimiento tales omo la economia, la medicina, la biologia, la fisica, la investigacior speracional, las matematicas en general y varias mas. Una de tales nerramientas la proporciona el método de Monte Carlo, Aplicaciones en la medicina En la medicina, por ejemplo, se pueden realizar simulaciones para intender como trabajan las drogas en los sistemas inmunologt netabdlicos en el complejo sistema que es e! cuerpo numano. En la segunda mitad de la década de los noventa algu: investigaciones realizadas sobre la enfermedad periodontal stllzando técnicas de simulacién permitieron a un grupo de la on Entelos que abar porac 3 aplicacion de tras enter les princi \edade abetes hasta el asma. Se aban desde la ¢ nodelaron asimismo estados metabdlicos e inmunol6gicos lo para citar un la concentracion de insulina en el tejido me ular representa una de las setecientas de tales variables consideradas en el modelo de la diabetes. Para verificar la validez del modelo, se realizaron mas de tre scientas pruebas, las cuales compararon con los datos clinicos reales. Para ello, un “paciente” virtual se toma una pildora, “tragandose” una descripcion técnica detallada de una droga bajo investigacion, la cual entonc metabo! dentro de los “organos Jigitales que estan sirviendo como modelos que varian desde el pancreas. el higado hasta el serebro, Monte Carlo en el tratamiento del cancer Por otra parte, en la te apia médica para eliminar un tumor canceroso se busca mi imizar el dao que la radiaciOn utilzada pudiora producir al tejido sano circundante. De nueva cuenta, 4no cree el lector que es bueno contar con una herramienta, que permite simular la terapia con un paciente vie tual antes de hacerla con el real para determinar la dosis apropiada y evitarie una sobreexposicion y danos a la parte sana? Las aplicaciones medicas ocupan un buen lugar entre las aplicaciones de las reac ciones nucleares, Por ejemplo, la terapia basada en la captura de neutrones por el boro se utiliza Sonsiste an inyectar al paciente con un isétopo, el boro-10, y después irradiarlo. con neutrones. Debido a que el boro-10 se acumula preferentemente en las célu las cancerosas y que ademis tiene excelente propiedades para capturar noutrones, la terapia mata tivamente a las células del tumor En este caso, el método de Monte Cark se emplea para determinar mediante una simu aci0n la dosis adecuada de neutrones junto con a Je energia que se debe administra p liming al tumor y no al pacienteAplicaciones en la economia La alta gerencia de una empresa debe decidir si un proyecto de inversion se debe instrumentar 0 no sobre la base del valor de la tasa de interés que determina una ganancia para la empresa. Esa tasa de interés depende en términos generales de diversas variables que se compor- tan aleatoriamente; por ejemplo, los gastos en un aio (incluyendo costos de pérdida), la tasa efec- tiva del Impuesto, el ingreso bruto en un afio y demas. EI método de Monte Carlo se puede uti- lizar aqui para simular los valores de cada uno de estos pardmetros y determinar una distribucién de probablidad para la tasa de ganancia, A partir de esta informacién, es posible tomar decisiones respecto de la puesta en operacion del proyecto Monte Carlo en a planificacién de inversiones Si le preguntaran a usted si estaria dispuesto a invertir una buena suma de dinero en un proyecto de inversién a largo plazo, 2le gustaria contar con una herramienta que le ayudara a tomar la decision de invertir 0 no con base en un criterio de ganancia y sin necesidad de arriesgar nada inicialmente? Es asi que, tal como hemos visto, una tecnica utilizada desde hace mas de medio siglo para modolar las explosiones de las bombas atémicas —para citar solamente una de las situa- clones mas notorias— se ha convertido ahora en na herramienta para planear la jubilacion Alrespecto, tal y como aprende toda per: sona que se jubila, el fjar una tasa sostenible de wulragados por el fondo es crucial para una seguridad financiera. EI simple hecho de basar lo que se va a gastar en las estimaciones de un rendimiento promedio durante dos 0 tres décadas como jubilado, produce una tasa poco confiable de como hacer los retiros del fondo. Si las estimaciones de un candidato a la jubilaci6n fallan tan solo por una cantidad pequefia, podria quedarse sin dinero después. Lo que es ain peor, si el candidato se retira casi al momento en que la bolsa de valores entra en un periodo prolongado de picada, probablemente las ganancias de Sus inversiones serdn significat vamente menores que lo que anticipaba, exponiéndose al riesgo de agotar sus ahorros Puesto que el riesgo de quedarse sin dinero demasiado pronto es inaceptable, muchos jubilados estan siendo guiados por ‘algo que podriamos reconocer como simulaciones de Monte Carlo. El objetivo es obtener la imagen lo mas clara posible de ‘cuanto es fo que pueden gastar en una forma segura. A igual que los cientificos de Los Alamos, los estudiosos del problema de los jubilados programan las computadoras para crear combinaciones aleatorias de variables conocidas con la intencién de encontrar los patrones que les permitan obtener las probabilidades de distintos resultados. Y precisamente de esta manera se trata de vislumbrar el futuro incierto y hacer planes para una jubilacién que podria durar treinta afhlos 0 mas. Las simula- ciones por Monte Carlo toman en consideracién lo volatiles impredecibles que son los mercados de las acciones y bonos. ‘Aigunas informaciones basicas, como serian la edad del candidat y el valor actual y composicién de sus inversiones, se ingresan al programa junto con ciertos supuestos acerca del porvenir incierto, donde se incluyen datos tales como las tasas cambiantes de inflacion, la esperanza de vida y los rendimientos de las inver- siones, Se ejecuta entonces el programa para cientos 0 miles de ‘combinaciones aleatorias, produciendo la respuesta mas probable a la pregunta de cuanto se puede gastar en una forma segura. Digamos que usted y su esposa se jubilan a la edad de 65, alos con un portafolios de un millon de pesos invertido asi: 60% en acciones de la bolsa, 30% en bonos y 10% en un fondo de dinero del mercado. Supongamos también, de manera conser- vadora, un rendimiento promedio anual del 6%. Si usted retira 5,000 pesos cada mes (es decir, 60,000 cada afo) para sulragar sus gastos normales, podria presuponer que nunca se quedaré sin dinero, sin importar cuanto tiempo viva. Eso es posible, pero é método de Monte Carlo establece que si usted quiere tener un nivel de confianza del 99% de que nunca agotara sus ahorros durante treinta aftos sus retiros mensuales deberan ser inicial- mente de no mas de 2.700 pesos. Después del primer ano se podria incrementar el monto anual de retiro en un 3% anuaimente,asi que después de treinta anos staria retirando 6.554 mer Silos 2, ssualmente, mensuales no fueran su ante el primer aio, entonces usted tal juviera dis esto a asuMir UN Mayor riesgo. Si pudiera tolerar un nivel de confianza del 80%, etiros men les durante el primer ano podrian ser de ha ta 3,600 pesos éPodria el irse a los extreme s de inver jon —digamos, poniendo todos sus ahorros casi enteramente en acciones o en bonos: proporcionarle mas ingresos mensuales? La respuesta es un rotundo no, Por ejemplo, si usted colocara la totalidad del dinero en acciones de la bolsa y aceptara una tasa de garantia de! 80%, todavia tendria que empezar con retiros de 3,600 pesos al mes, cuando No, de lo que tuviera en sus inversione: Poniendo el 95% de todos sus ahorros en bonos de corto y largo plazo, sus retiros men uales durante el primer afo no podrian ser mayores a 3,000 peso: El problema de la aguja de Buffon Quizé el uso documentado mas antiguo de lo que en la actualidad s cons Jera una aplicacion del método de Monte Carlo se encuentra en la obra de George Louis Leck 17. ¢, conde de Button, en El se planted el siguiente problema: “Una aguia de longitud L se lanza al azar sobre un nlano horizontal rayado con lined rectas paralel separadas una distancia d (mayor que L), 4Cual es la probabilidad P de que la aguia intersecte a una de estas lineas? Para responder a la pregunta, Butfon rea. | experimento lanzando la aguja mucha eces. Vearnos como se puede hacer el experi > realizando juegos deCuande 1 la aguja y cae sot uperficie rayada, pu foptar u como la que se indica en la Figura 1. Dicha ¢ ion Jeterminada, por ejé nidiend. 9s cantidades: la distancia MA ar medio M a la linea vertical L y si na respecto a ella determinada con el angulo Decir que ol lanzamiento de la aguja tue al azar significa que la posicién del punto medio M a magnitud de su dngulo de inclinacion est Jeterminados al azar, es decir, que no se puede mano aunque las condicione en cada lanzamiento sean iguales aguja es un proceso tedioso y tal vez la mayoria hacerlo unas sesenta veces. Actualmente, este proceso puede cémodamente simularse en una ‘computadora y “lanzar" en forma vitual una “aguia Pero antes do ti modialidad, ime hacemos girando dos ruletas: al resultado 4 de M (la distancia MA) y el resultado de la a), “Jugar a la ruleta”™ ha icion de la aguja determinando dos pr piedades que caracterizan el comportamiento del istema: aguia y rayado. Despuds de dos juego: Ye ruleta, ya podemos decidir si la aguja inter secta 0 -no a una de las linea: sales despues del lanzamiento. {Cuantas veces debemos repe tir el lanzamiento simulado mediante las ruleta: Bueno, para obtener todos los valores posible do M ya seria necesario hacerlo un nume nferir a partir 1 informacion relacionada con tod debemos contormaros con un numero fir contaramos cu Ce una linea, pod wun cuando sea tal vez Muy grande: mil o quiza_estimar la probabilidad a que se hace referencia lin Jiez millones. Lo anterior significa que sé otras p 1 nar el Come lento f hacer una seleccién 0 muestreo; es decir. de una del sistema basandonos en un gran numero de ensay poblacion muy grande (infinita) hay que selec- de azar (girc na ruleta ) que simular r cionar un numero finito de elementos y tratar de Je tal comportamientoat 41 metodologia de muestrear mediante eneracion de numeros pseudoaleatorios & Bn el comportamiento promedio © probable de istema es en esencia, como ya hemos visto, jodo de Monte Carlo, Monte Carlo y las encuestas de opinion El metodo de Monte Carlo tiene semejanzas cor una encuesta de opinion en la que se quiere predecir el resultado de una eleccion pregun: tando la opinion a una porcién de ta poblacién 4e votantes (muestra); en el case Butfon, se “pregunta” por ta posicion de la aguia en cada uno de uN numero finito do lanzamion tos (muestra) del numero infinite posible poblacion). Estimar la probabilidad de a 7 1 @ una linea contando el numero dé € fayorables en dicha muestra e infor que ese es al comportamiento de fa la poblacion conduce a error. Lo mismo sucede en la predi cién de un candidato ganador. Reducir tal error es primordial en la metodologia. Si aumentamos el numero de les encuestados 0 el numerc de lanzamientos de la aguia se esperaria mejorar resulta caro en términos del tiempo dedicado a la encuesta, Existen alternativas mas barata: onocidas como técnicas para la reduccién de ka yenta con dispositivos que pueden variancia sin aumentar el numero de votante anera mas practica a la ruleta: los llamados gene- encuestados, o bien obtener el mismo error a Sores de nut pseudoaleatorios. Se encuentran integrados en partir de encuestar un numero menor de ello: adoras de bolsillo y en paquetes de computo comer- Un ejemplo es la técnica que se conoce com 1 una computadora tipo PC; algunos de eso! ntrol de la poblacién”, la cual tiene como tina inclu Exce ab, Matematica y Maple, lidad muestrear con mayor frecuencia :importantes (ruleta rusa). En una encuesta de votantes, suponga que en la poblacion hay 40% de ellos que simpatiza con el partido A, otro 40% que se siente atraido por e! B y que un 20% favorece al partido C, que podria supo- nerse como de votantes “independientes” Suponga asimismo que la mayoria de los afilia- dos a los partidos A y B son consistentes con Sus respectivas posturas y que en general estas pudieran ser antagénicas, no asi en el caso de los independientes, los cuales pueden inclinarse hacia un lado o hacia otro. La estimacién del resultado global de la votacién quedaré condicionada por un célculo més contiable del voto independiente, por lo que conviene tener mas informacion sobre los miembros de ese sector. Por consiguiente, a manera de ilustracion, una buena estrategia consiste en seleccionar una muestra con un 20% de A, un 20% de B y un 60% de inde- pendiontes. Por supuesto, no entraremos aqui en los detalles técnicos para obtener tal muestea, Nota sobre modelacién y simulacion “Simulacién* es, en general, hacer de cuenta que uno esta tratando con al fenémeno real cuando lo que se esta haciendo es una imitacion, En la investigacion de operaciones, Jas “imitaciones" se obtienen a través de un modelo realizado por computadora de |a reali- dad a simular. Por ejemplo, un simulador de vuelo en una PC es tambien un modelo realizado por computadora de algunos aspectos del ‘vuelo: muestra en la pantalla los controles y lo que el “piloto” (la persona que lo opera) se Supone que va a ver desde la “cabina” (su silla ante la computadora). Por qué usar modelos? EI “volar” en un simulador es mucho mas seguro y barato que Volar en un avidn real. Precisamente por esta raz6n se utilizan los modelos en Ia industria, en el comercio y en el ambiente militar; en este ultimo caso, hacer experimentos reales puede resultar muy costoso, muy peligroso y a menudo imposible. Con tal de que los modelos sean descripciones adecuadas de la realidad (que sean validas), la experimentacion con ellos puede tener como resultado un ahorro de dinero, de tiempo y aun de suftimientos. Cuando usar simulaciones? Los sistemas que cambian en el tiempo —como una gasolinera ‘a donde llegan y se van vehiculos (sistemas que se denominan ‘“dinamicos*)— involucran al azar, 0 sea, aleatoriedad. Nadie puede conjeturar a qué hora exacta llegara el prdximo coche a la gasolinera. Tales sistemas son buenos candidatos para la simulacion. La modelacién de sistemas dindmicos complejos que requieren de muchas simplificaciones, tedricamente puede dar lugar a modelos que por Io anterior pueden no ser validos. Las simulaciones no necesitan de muchas suposiciones simpi- ficadoras, lo que las hace una herramienta util incluso sin que haya aleatoriedad. Como simular? ‘Suponga el lector que estamos interesados en el funcionamiento de una gasolinera. Podemos describir el comportamiento de este sistema de manera gréfica anotando el niimero de vehiculos en un momento dado cualquiera: el estado del sistema. Cada vez que llega un vehiculo, la grafica debe registrar un incremento en una Unidad, en tanto que cada vehiculo que se va de la gasolinera oca- siona un decremento de una unidad. Esta grafica, denominada “trayectoria muestral", podria obtenerse a partir de la observacion directa de una gasolinera real, pero también podria construirse de manera artificial En tal construccion artificial y en el analisis de la trayectona muestral resultante (o de mas trayectorias muestrales en casos ‘mas complejos) consiste la simulacién. a