Instituto Tecnológico Superior De Panuco

Ingeniería industrial

Aplicaciones Del Método

De Montecarlo.
SIMULACION

INTEGRANTES:
LUIS SALVADOR HERNANDEZ
SASIL GOMEZ BARRIOS
ROSA MARIA BRICEÑO RIVERA

GRUPO
612
DOCENTE
ING. ANDRES SANCHEZ OLIVA
 INTRODUCCION

En la presente investigación se mencionara la aplicación del método monte Carlo

enfocada en la APLICACION EN DOSIMETRÍA Y PROBLEMAS DE LA
FÍSICA MÉDICA como todos sabemos en la actualidad, el uso de las
computadoras para resolver problemas importantes se extiende a todas las
áreas.

Con un manejo adecuado de programas de cómputo e información se pueden

realizar cálculos y simulaciones de modelos reales, para estudiarlos y resolver
problemas teóricos o de aplicación. Los procesos que contienen variables
aleatorias son susceptibles de abordarse con el método Monte Carlo. En este
trabajo se abordará la aplicación del método Monte Carlo en la simulación de la
interacción de la radiación con la materia, para investigar aspectos
dosimétricos de algunos problemas que existen en el área de física médica. En
la primera parte se introducen algunos datos históricos y se revisan algunos
conceptos generales relacionados con la simulación Monte Carlo.
 METODO DE
MONTECARLO
El método fue llamado así por el principado de Mónaco por ser “la capital
del Juego de azar'', al tomar una ruleta como un generador simple de números al
eatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo dat
an aproximadamente de 1944 con el desarrollo de la computadora.
Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas
ocasiones anteriores a 1944.

El uso real de los métodos de Monte Carlo como una herramienta de

investigación, proviene del trabajo de la bomba atómica durante la Segunda
Guerra Mundial.

Este trabajo involucraba la simulación directa de problemas probabilísticos de

hidrodinámica concernientes a la difusión de neutrones aleatorios en material de
fusión.

Aún en la primera etapa de estas investigaciones, John von Neumann y

Sanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''.
Sin embargoel desarrollo sistemático de estas ideas tuvo que esperar el trabajo de
Harris y Herman Kahn en 1948.
Aproximadamente en el mismo año, Fermi, Metropolos y Ulam obtuvieron
estimadores para los valores característicos de la ecuación de Schrödinger para la
captura de neutrones a nivel nuclear.

Alrededor de 1970, los desarrollos teóricos en complejidad computacional

comienzan a proveer mayor precisión y relación para el empleo del método
Monte Carlo. La teoría identifica una clase de problemas para los cuales el
tiempo necesario para evaluar la solución exacta al problema crece con la
clase, al menos exponencialmente con M.
Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y
John Von Neumann a finales de los 40 en el laboratorio de Los Álamos, cuando
investigaban el Movimiento aleatorio de los neutrones.
En años posteriores, la simulación de
Monte Carlo se ha venido aplicando a una infinidad de ámbitos como alternativa
a los modelos matemáticos exactos o incluso como único medio de estimar sol
uciones para problemas complejos.
Simulación: es el proceso de diseñar y desarrollar un modelo computarizad
o de un sistema o proceso y conducir experimentos con este modelo con el
propósito de entender el comportamiento del sistema o evaluar varias estrat
egias con las cuales se puede operar el sistema.

Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del

sistema expresado como relaciones matemáticas y/o lógicas entre los elementos
del sistema.

Proceso de simulación: ejecución del modelo a través del tiempo en un

orden para generar muestras representativas del comportamiento.

Se puede decir que la simulación es un experimento teórico en el que se

reproduce el comportamiento de un sistema complejo. Es una forma de “realizar”
un experimento en el cual la realidad es sustituida por un modelo matemático.
Puede considerarse como un híbrido entre experimentación pura y teórica y es
una herramienta muy útil en la investigación científica . La simulación se utiliza
para evitar el riesgo de experimentos que pudieran dar lugar a situaciones
fuera de control que resulten en accidentes e incluso la muerte de personas.
Particularmente por ejemplo, se pueden simular condiciones extremas de un
reactor nuclear, sin hacerlo en una instalación real; o bien simular la aplicación
de un tratamiento de radioterapia a un paciente, sin llevarlo a cabo hasta que se
obtengan las dosis adecuadas para los sitios convenientes del órgano de
interés, en el simulador. Con la simulación también se pueden contrastar
teorías e investigar exhaustivamente algunas predicciones de las mismas,
estudiando la dependencia con pequeñas variaciones en los parámetros
determinados .
 APLICACIONES DEL MÉTODO MONTE CARLO EN
DOSIMETRÍA Y PROBLEMAS DE LA FÍSICA

EL MÉTODO MONTE CARLO

Es una forma genérica de nombrar procedimientos matemáticos o métodos

numéricos cuya característica común es la utilización de números generados
aleatoriamente y el muestreo de distribuciones de probabilidad. Se hace uso de
variables aleatorias definidas en un espacio dimensional finito y se calcula su
valor esperado. Una secuencia de número aleatorios es aquella en la cual es
imposible predecir cuál será el siguiente número de la secuencia. En
computación las secuencias de números aleatorios que se usan son en realidad
pseudo-aleatorios, puesto que son generados por un algoritmo que se encarga de
la secuencia sea lo suficientemente impredecible y que no se repita en
ciclos muy cortos, de manera que la data disponible sea lo suficiente como
para considerarla aleatoria. Estos algoritmos utilizan una semilla o número
inicial como punto de partida para la generación de la secuencia. Dos
secuencias serán iguales si son generadas con la misma semilla y por tanto es
recomendable usar distintas semillas en cada simulación para variar la
secuencia de números aleatorios que se utiliza. Además, esta secuencia de
números aleatorios se suele construir con distribución uniforme dentro del
intervalo (0,1), es decir, si se escoge una cantidad suficientemente grande de
números de la secuencia se obtendrá la misma densidad de ellos en cada
fracción de dicho intervalo.

La mayor parte de los lenguajes de programación incluyen su propio algoritmo

de generación de secuencias de números aleatorios uniformemente distribuidos
en el intervalo (0,1), y es ésta, la que se usa como partida para la
generación de distribuciones más complejas mediante la utilización de métodos
de Monte Carlo. A continuación se definen algunos conceptos de estadística
que serán útiles para entender dichos métodos: La función de distribución de
probabilidad (FDP) de una variable x (p(x)) es la función que contiene la
probabilidad de acierto para cada valor de x. Esta función debe cumplir la
condición de no tener valores negativos y de estar normalizada dentro de un
intervalo
La función de probabilidad acumulada (FPA) de una variable x es la función
que contiene la probabilidad de acierto dentro del intervalo

Es por tanto una función monótona creciente con valor inicial

MÉTODO DE LA TRANSFORMADA INVERSA

La FPA es una función invertible dado que es monótona creciente. Su valor

está comprendido en el intervalo [0,1] y por tanto podemos hacer una relación
entre el número aleatorio ξ uniformemente distribuido en dicho intervalo.

Por tanto, la variable x definida como está distribuida

aleatoriamente en el intervalo según P(X). La aleatoriedad de x
está garantizada por la de ξ. Este método se denomina de la transformación
inversa y se emplea cuando la p(x) que se quiere simular permite resolver la
ecuación de manera analítica.

Figura 1. Función de probabilidad y su correspondiente

función de probabilidad acumulada. La elección de un
número acumulada. La elección de un número aleatorio
uniforme y su correspondencia según la FPA permite
generar números aleatorios según la FDP.
MÉTODOS DE ACEPTACIÓN Y RECHAZO

Para una FDP que no permite obtener una solución analítica mediante el método
de transformación inversa existe la posibilidad de generar un muestro de una
variable aleatoria para una cierta distribución distinta de p(x) y sometiendo dicha
variable a un test aleatorio con el que se decide si debe ser aceptada o rechazada.
Para una función G(x) tal que se cumple G(x) ≥ p(x),

si mediante algún método se escoge valores aleatorios para la variable x

distribuidos según la función G(x) y a continuación se escoge un número
aleatorio uniformemente distribuido entre 0 y G(x), estaremos cogiendo puntos (x,
y) uniformemente distribuidos en el área comprendida entre el eje de ordenadas
y la función G(x). Si se rechazan los puntos que cumplen que y > p(x) y
aceptamos los cumplen que y ≤ p(x) se obtienen valores de x que se distribuyen
según p(x).

Figura 2. Representación gráfica del método aceptación-rechazo.-

MÉTODOS DE REDUCCIÓN DE VARIANZA Las simulaciones de
Monte Carlo pueden consumir mucho tiempo de cálculo,
especialmente cuando la mayoría de las historias generadas por la
simulación suelen ser rechazadas (por ejemplo, al simular una fuente
puntual a una gran distancia de un detector de pequeñas
dimensiones).
MÉTODOS DE REDUCCIÓN DE VARIANZA

Las simulaciones de Monte Carlo pueden consumir mucho tiempo de cálculo,

especialmente cuando la mayoría de las historias generadas por la
simulación suelen ser rechazadas (por ejemplo, al simular una fuente puntual
a una gran distancia de un detector de pequeñas dimensiones). Las técnicas
de reducción de varianza se aplican con el fin de mejorar la eficiencia de la
simulación. Estas técnicas se basan en realizar ciertas suposiciones acerca de las
funciones de probabilidad de los procesos físicos, ya sea para reducir la varianza
en el número de historias o para acelerar la simulación, de forma que puedan
ser simuladas más historias en un determinado periodo de tiempo. Para hacer
esto, se le asocia a cada historia un peso W, que es el cociente entre la
distribución de probabilidad verdadera y la distribución de probabilidad ficticia

SIMULACIÓN MONTE CARLO DEL TRANSPORTE DE RADIACIÓN

La historia o trayectoria de una partícula es vista como una secuencia aleatoria

de desplazamientos libres que terminan con un evento de interacción donde la
partícula cambia su dirección de movimiento, pierde energía y puede generar
partículas secundarias. Todo ello se realiza aplicando las leyes de la física,
atendiendo las funciones de probabilidad determinadas por las secciones
eficaces adecuadas y dependiendo del medio, la energía de la partícula y la
disposición geométrica del sistema. Se han desarrollado códigos de simulación
Monte Carlo del transporte de radiación que contienen modelos de interacción
para definir las funciones de distribución de probabilidad para las distintas
variables aleatorias que intervienen en cada proceso o suceso, y que permiten
obtener valores promedio de observables de interés como pueden ser la
posición de las partículas después de cada interacción, el momento y pérdidas
de energía de las partículas primarias o las secundarias generadas en algunas
interacciones . En los procesos de interacción radiación-materia existen una
gran cantidad de variables que definen el recorrido de una partícula. La
longitud que recorre una partícula antes de interaccionar se puede tratar de
manera estadística con un conocimiento previo de las secciones eficaces de
interacción de la partícula en el medio que atraviesa. Una vez decidido el punto
de interacción se debe escoger el tipo de interacción que ha de ocurrir, que se
escoge teniendo en cuenta la fracción de la sección eficaz que corresponde a
cada tipo de interacción. Los códigos MC para el trasporte de partículas se
pueden dividir en:
 Códigos generales: Están diseñados para un amplio rango de aplicaciones.
Se trata de códigos que incluyen toda la física implicada en el transporte de las
partículas a través de la materia y presentan gran capacidad a la hora de
modelar geometrías complejas. Algunos de ellos, también permiten la
simulación de materiales de composición arbitraria, con geometrías complejas y
un rango de energías que va desde los keV a los MeV. Sin embargo, no son
adecuados para la simulación de maniquíes voxelizados y son ineficaces en
la modelación de sistemas de imagen de medicina nuclear.

Códigos de objetivos específicos: Están diseñados para aplicaciones

concretas. Resultan adecuados en la simulación de maniquíes voxelizados y
utilizan técnicas de reducción de varianza para mejorar la eficacia de la
simulación. La simulación MC tiene múltiples ventajas con respecto a las
medidas experimentales, ya que se puede obtener información que de forma
experimental sería muy difícil, y además se trata de un proceso barato y
relativamente rápido. En el caso concreto de los sistemas de Imagen en
medicina nuclear la simulación MC se ha convertido en una importante
herramienta que puede ser usada para distintas aplicaciones:

1. Diseñar y seleccionar detectores y colimadores (características de

colimador, del cristal o la geometría del detector)

2. Modelar la respuesta de los sistemas colimador/detector (PSF (Point

Spread Function, por sus siglas en inglés)).

3. Estudiar el efecto de cada una de las degradaciones que afectan a

las imágenes, como la atenuación, la PSF, la dispersión o la no colinearidad.

4. Desarrollar y evaluar métodos de corrección para la dispersión.

5. Diseñar y evaluar protocolos de cuantificación.

 APLICACIONES DEL MÉTODO MONTE CARLO EN DOSIMETRÍA

La simulación MC en física médica se utiliza para resolver problemas

diversos, como reconstruir imágenes de pacientes tomadas con equipos
digitales, realizar cálculos de carcinogénesis, obtener espectros de salida de
unidades de terapia, caracterizar cámaras de ionización, caracterizar fuentes de
alta y baja tasa de dosis, caracterizar dosímetros, realizar la dosimetría en
equipos para IMRT (Intensity Modulated of Radiotherapy Treatment, por sus
siglas en inglés), en aceleradores lineales, así como en equipos tan
complejos como el Gamma-knife. La dosimetría utilizando la simulación Monte
Carlo del transporte de la radiación se ha vuelto fundamental en algunas áreas
particulares de la radioterapia.

Por ejemplo, cada vez que se diseña una fuente nueva para braquiterapia es
obligatorio hacer la caracterización dosimétrica por este método de
simulación. Es muy útil para caracterizar campos de radiación pequeños y
comprenderlos mejor; es además una herramienta ventajosa en presencia de
gradientes de dosis muy fuertes y en medios heterogéneos. También es
conveniente su uso cuando las ecuaciones analíticas que describen el problema
son de solución complicada, aun con simplificaciones, y cuyas aproximaciones
son muy burdas para los requerimientos de exactitud o precisión de la situación
modelada. Un ejemplo de ello es cuando se tienen heterogeneidades en un
sistema de varios cuerpos cuya dosimetría se quiere evaluar. Es necesario
aclarar que la dosimetría por simulación Monte Carlo tiene algunas limitaciones
para su aplicación. Por ejemplo, si se desean soluciones muy exactas al
modelar un sistema, debe conocerse con detalle la geometría. Si se tiene un
sistema muy complejo, en ocasiones se requiere mucho tiempo de cálculo
para alcanzar una precisión adecuada en los resultados. Igualmente
importante es la intervención de variables que alteran el sistema sin que se
pueda cuantificar su influencia o que no pueden ser tomadas en cuenta en la
modelación o en la simulación propia. Actualmente existen muchos paquetes de
simulación Monte Carlo con características diferentes, tanto para PET como
para SPECT. Algunos códigos generales y precisos son por ejemplo EGS4,
MCNP, PENELOPE y Geant4. También existen otros códigos de simulación
más específicos para PET o SPECT, como por ejemplo:

SimSET o GATE. Por otro lado, para la planificación de tratamientos en

radioterapia se utilizan potentes algoritmos que emplean métodos de
convolución y superposición de dosis, calculadas previamente con métodos
de Monte Carlo, y que en general son válidos, excepto cuando en un
tratamiento aparecen gradientes de dosis o distribuciones complejas (en IMRT
o en radio cirugía) o cuando el tejido a irradiar es muy heterogéneo. Para paliar
este problema, se ha comenzado a introducir en parte de los cálculos de
algunos sistemas de planificación, métodos de MC en localizaciones
complejas como los pulmones (por su interface tejido-aire), ya que se ha
demostrado que los métodos MC aplicados al transporte de radiaciones
ionizantes es el mejor método de cálculo de dosis en cualquier tipo de medio y
geometrías complejas contemplando toda la física implicada en el problema. En
la figura 3 se puede observar la gran diferencia que se obtiene entre el
método de cálculo Pencil Beam y el de Monte Carlo, donde el algoritmo Pencil
Beam sobreestima la dosis en el área del pulmón irradiado. La parte negativa del
método de MC es la gran potencia de cálculo que se necesita, lo que se traduce
en un largo tiempo de computación si se quieren obtener resultados con
incertidumbres relativamente pequeñas. La solución a este problema es la
instalación de Clusters (agrupaciones de PCs) o redes de distribución (GRID)
en hospitales, que permitan disminuir el tiempo de cálculo .

Figura 3. Distribuciones de dosis para un tratamiento de

pulmón. A-) Obtenida con el algoritmo de cálculo Pencil
Beam en un planificador convencional de radioterapia. B-)
Obtenida con un método de Monte Carlo

MATERIALES Y MÉTODOS

El problema de la descripción teórica del transporte de la radiación y de su

interacción con la materia central consiste en determinar, para una fuente de
radiación y una geometría dada, el flujo de partículas en cada punto del espacio
y en cada instante de tiempo. El flujo puede a su vez utilizarse para obtener otras
magnitudes de interés, tales como la dosis absorbida. Sin embargo, suele ser
muy complicado el determinar la dosis absorbida por el órgano de interés ya que
las herramientas que existen para su determinación no suelen ser acordes a la
realidad, debido a que se basan en modelos con geometrías ¨simples¨,
ejemplo: la esférica o la cilíndrica. Por lo que se hace evidente utilizar el
método de Monte Carlo por su precisión, y capacidad de simulación de estructuras
en las cuales la geometría suele ser compleja, como el caso de tumores, los
cuales suelen ser inhomogéneos. La presente línea de investigación sobre la
aplicación del método de Montecarlo en el cálculo dosimétrico para la obtención
de un pre planificación y administración de dosis paciente-especifico y radionúclido
tributa a la mejorar la eficacia del tratamiento médico.

DOSE POINT KERNEL - CONVOLUCIÓN La dosis absorbida D(r) por un paciente

sometido a un procedimiento de medicina nuclear, puede ser calculada por la
integral de convolución.

Donde A (R) es la distribución espacial de actividad producida por el

radioisótopo suministrado y K (R) es el núcleo de dosis de convolución DPK, que
representa la distribución radial de dosis absorbida alrededor de una fuente
puntual emitiendo isotrópicamente en un medio infinito. El cálculo de la eq. 4 se
puede simplificar si se aplica la transformada de Fourier y se usa el Teorema de
convolución para reescribir la integral 4 como un producto entre la actividad y el
kernel en el espacio de Fourier

Finalmente, se calcula la anti transformada de Fourier de ambos lados obteniendo

así la dosis
La dosimetría utilizando la simulación Monte Carlo del transporte de la
radiación se ha convertido en una herramienta fundamental en algunas áreas
particulares de la radioterapia.

El método de Monte Carlo ofrece una vía para la determinación de la dosis

terapéutica en Medicina Nuclear, atendiendo a las especificidades del paciente.

CONCLUSION

Los resultados coherentes y razonables obtenidos confirman que el método de

Monte Carlo proporciona una herramienta eficaz para la estimación de la
vulnerabilidad de un dique vertical.

Este método proporciona estabilidad en la estimación de la evolución de la

vulnerabilidad con la altura de ola. Además, no se observa un cambio brusco en la
evolución del nivel de daño global cerca de la altura de ola de diseño utilizada en
los análisis de nivel I.

Queda manifiesta la aleatoriedad de la respuesta de un dique vertical. Es posible

que no suceda un fallo global total en el sistema aún siendo sometido éste a una
borrasca de altura de ola significante máxima muy superior a la de diseño.
Igualmente, puede suceder un fallo global total en el sistema aún siendo sometido
éste a una borrasca de altura de ola significante máxima significativamente inferior
a la diseño.

BIBLIOGRAFIA

https://www.researchgate.net/publication/321731653

M. H. Kalos, P. A. Whitlock,Monte Carlo Methods,Wiley, 2nd edition, 2008.