Monte Carlo

Muestreo aleatorio para estimar observables físicos, incertidumbres y convergencia estadística.

Contexto conceptual

Monte Carlo convierte el azar en una herramienta de cálculo. En lugar de recorrer todas las configuraciones posibles de un sistema, genera muestras representativas y usa sus promedios para estimar observables físicos. La cuestión central no es solo obtener una \mu ̂, sino saber cuánto cambia al aumentar $N_s$ y cómo expresar su fiabilidad mediante $SE$, $N_eff$ e intervalos de confianza. El método es potente porque funciona en problemas de alta dimensión, pero exige separar tres ideas: valor estimado, dispersión de las muestras e incertidumbre de la media.

🟢 Nivel esencial

Una simulación Monte Carlo funciona como una encuesta bien diseñada del espacio de estados. Cada muestra aporta información sobre el observable, y la \mu ̂ se construye promediando muchas observaciones. Al principio, con pocas muestras, el resultado fluctúa mucho; al aumentar $N_s$, suele estabilizarse. Sin embargo, la mejora no es lineal: reducir la incertidumbre a la mitad requiere aproximadamente cuatro veces más muestras independientes, un rendimiento decreciente que conviene anticipar antes de planificar el coste computacional de la simulación. La $s$ describe cuánto varían las observaciones individuales, mientras que el $SE$ indica cuán precisa es la media. Si las muestras están correlacionadas, el conteo útil es $N_eff$, no el bruto. Por eso una simulación fiable necesita convergencia, control de autocorrelación y una banda de incertidumbre.

En una buena simulación, el resultado se observa como una trayectoria que oscila alrededor de un valor estable. La anchura de esas oscilaciones no es la incertidumbre final de la media, porque promediar combina muchas observaciones y reduce parte de esa variabilidad.

🔵 Nivel formal

Fórmulas básicas

La media Monte Carlo se obtiene acumulando $\textstyle\sum x_i$ y dividiendo por $N_s$.

Media muestral Monte Carlo

La dispersión de las muestras se cuantifica mediante $\Sigma (xᵢ-x̄)²$ y $s²$.

Varianza muestral

La raíz de $s²$ produce $s$, que conserva las unidades del observable. La incertidumbre de la media se obtiene dividiendo esa dispersión por la raíz de $N_eff$.

Error estándar de la media

Preguntas reales del alumno

¿Más muestras siempre arreglan el resultado? Reducen ruido, pero no corrigen sesgo.

¿Por qué no usar solo $s$? Porque describe muestras individuales, no la precisión de la media.

¿Qué significa un intervalo estrecho? Alta precisión bajo el modelo estadístico usado.

¿Puede una estimación precisa estar equivocada? Sí, si el muestreo no representa la distribución objetivo.

¿Por qué repetir con varias semillas? Para comprobar estabilidad y detectar dependencia accidental de una trayectoria.

Síntesis final

Monte Carlo mejora una \mu ̂ al aumentar la información independiente. La calidad no se mide solo por $N_s$, sino por $N_eff$, $SE$ y control de sesgo. Una buena simulación entrega valor, incertidumbre y pruebas de convergencia.