Una familia de técnicas computacionales que estiman cantidades numéricas (integrales, esperanzas, probabilidades, objetivos de optimización) mediante muestreo aleatorio y agregación estadística, apoyándose en leyes probabilísticas para la convergencia.

Principio

Aprovechar la ley de los grandes números y el comportamiento del límite central: aproximar E[f(X)] por la media muestral de f(X_i) para muestras i.i.d. o adecuadamente ponderadas, y cuantificar el error mediante la varianza y los intervalos de confianza; la reducción de varianza mejora la eficiencia.

Demostración

Estimara una integral sobre [0,1]^d extrayendo N muestras independientes uniformes y calculando la media muestral de f; por ejemplo, aproximar π muestreando (x,y) en el cuadrado unidad y contando la fracción dentro del círculo unidad. Aumentar N reduce el error Monte Carlo aproximadamente como 1/√N.

Aplicación incorrecta

Usar Monte Carlo sin evaluar varianza o dependencias (p. ej., secuencias pseudoaleatorias demasiado correlacionadas, muestras insuficientes, o integrandos de colas pesadas ignorados) produce estimaciones engañosas; suponer una convergencia tan rápida como la cuadratura determinista en alta dimensión es un uso indebido frecuente.

Consecuencia

Proporciona estimadores flexibles y robustos frente a la dimensionalidad para integrales de alta dimensión y cuantificación de incertidumbre; apoya la inferencia probabilística, optimización estocástica y simulación de modelos complejos donde los métodos deterministas son inviables.

Inversión

La cuadratura determinista o el quasi-Monte Carlo sustituyen la aleatoriedad por muestreo estructurado; el quasi-Monte Carlo puede lograr tasas más rápidas para integrandos lisos mediante secuencias de baja discrepancia, invirtiendo el intercambio aleatoriedad/varianza bajo otras hipótesis.

Límite

Requiere un mecanismo de muestreo (aleatorio o de baja discrepancia) y una cuantificación del error por la varianza; la tasa asintótica suele ser O(N^{-1/2}) para muestreo independiente, por lo que Monte Carlo no es uniformemente superior para integrandos lisos en baja dimensión donde métodos deterministas convergen más rápido.

Tensión semántica

Hay tensión con la integración numérica determinista y el quasi-Monte Carlo: Monte Carlo canjea precisión determinista por garantías estadísticas y practicidad en alta dimensión, mientras que métodos quasi-deterministas reducen la varianza bajo supuestos de regularidad y pueden superar a un Monte Carlo ingenuo.

Síntesis

El Método De Monte Carlo convierte la aleatoriedad en un recurso computacional: mediante muestreo y promediado transforma cantidades analíticas intratables en estimadores con error estadístico cuantificable, siendo más eficaz cuando la dimensionalidad o la complejidad del modelo vuelve impracticables las alternativas deterministas.