Método de montecarlo

Estima promedios físicos mediante muestreo aleatorio controlado. Teoría, fórmulas, ejemplos resueltos y gráficas interactivas.

Contexto conceptual

El método de Monte Carlo aparece cuando un sistema físico tiene demasiados estados posibles para recorrerlos uno por uno. En lugar de enumerar todo el espacio microscópico, se toman muestras aleatorias representativas y se calcula un promedio. La idea no es sustituir la física por azar, sino usar el azar como linterna para explorar un territorio enorme. En termodinámica estadística permite estimar observables cuando cada $A_i$ procede de un estado posible, quizá aceptado según $P_{acc}$, $\Delta E$ y $T$. El resultado útil no es una muestra aislada, sino el $A_{hat}$ acompañado de su $\sigma_{\\text{Ahat}}$.

🟢 Nivel esencial

El método de Monte Carlo estima un valor físico repitiendo muchas pruebas aleatorias y promediando sus resultados. Cada prueba genera un $A_i$ del observable que interesa, por ejemplo una energía, una magnetización o una distancia molecular. Con pocas pruebas el resultado baila mucho, porque unas muestras caen en zonas poco representativas. Al aumentar $N$, el $A_{hat}$ se estabiliza y el $\sigma_{\\text{Ahat}}$ baja de forma gradual.

La clave física es que las muestras deben representar el sistema real: no basta con lanzar números al azar, hay que respetar pesos, restricciones y $T$. En muestreo Metrópolis, la $P_{acc}$ decide si un cambio se acepta para explorar estados compatibles con la distribución térmica. Así el método transforma azar controlado en una predicción física con incertidumbre medible.

El nombre "Monte Carlo" fue acuñado por Metropolis y Ulam en los años cuarenta, en referencia al casino de Mónaco, mientras desarrollaban estos métodos para el proyecto Manhattan de física nuclear.

🔵 Nivel formal

Fórmulas básicas

Formalmente, el observable se evalúa sobre una colección de muestras. Si todas pesan igual, el promedio directo define el $A_{hat}$ mediante la media de los $A_i$ obtenidos. Esta relación convierte una nube de datos microscópicos en un único valor medio macroscópico.

Estimador de media Monte Carlo

La dispersión de esos valores se cuantifica con la $s_{A2}$, que mide si las muestras aportan datos muy parecidos o muy separados. Sin esta dispersión, el promedio queda como un número sin diagnóstico estadístico.

Varianza muestral

A partir de esa dispersión se obtiene el $\sigma_{\\text{Ahat}}$, que estima la incertidumbre del promedio y no la dispersión de una muestra individual. Por eso se reduce al crecer $N$, aunque las fluctuaciones microscópicas sigan existiendo. Esta distinción evita confundir ruido microscópico con error del promedio.

Error estándar Monte Carlo

Preguntas reales del alumno

¿Monte Carlo siempre da el valor exacto? No. Da una estimación con incertidumbre, por eso $\sigma_{\\text{Ahat}}$ es parte del resultado.

¿Más muestras arreglan cualquier problema? No. Si los $w_i$ son incorrectos o la cadena no explora todos los estados relevantes, aumentar $N$ solo acumula más datos sesgados.

¿Por qué entra la $T$ en Metrópolis? Porque controla cuánto penaliza el sistema los cambios energéticos mediante $\Delta E$ y $k_B$.

¿La $s_{A2}$ y el $\sigma_{\\text{Ahat}}$ son lo mismo? No. La primera mide dispersión de muestras; el segundo mide incertidumbre del promedio.

Síntesis final

Monte Carlo convierte muchas muestras aleatorias en un promedio físico con error estimado. Su potencia no está en el azar, sino en usarlo bajo pesos, restricciones y validación estadística.