Una guía de Super Mega Bowl
Algunos problemas están demasiado enredados para resolverlos con una fórmula limpia, así que en lugar de calcular la respuesta, dejamos que el azar la encuentre. Repite el mismo experimento aleatorio miles de veces, observa cómo se acumulan los resultados y lee la respuesta en el montón. Este es el método de Montecarlo, y mueve desde los modelos meteorológicos hasta Wall Street.
Una simulación sustituye un cálculo difícil por muchas pruebas aleatorias fáciles. En lugar de deducir las probabilidades exactas de una situación complicada, construyes un modelo, le das entradas aleatorias y lo ejecutas muchas veces. Cada ejecución es un posible resultado. Haz suficientes ejecuciones y el conjunto de resultados revela la respuesta, junto con lo probable que es cada uno. El método se llama así por el casino de Montecarlo, porque convierte la resolución de problemas en juegos de azar repetidos.
Aquí está el método en miniatura. Imagina un cuadrado con un círculo dibujado dentro que toca los cuatro lados. Ahora lanza dardos al azar por todo el cuadrado. La proporción de dardos que caen dentro del círculo, comparada con el total, coincide con la razón entre el área del círculo y la del cuadrado. Un poco de geometría convierte esa razón en una estimación de pi. Lanza cien dardos y la estimación será tosca. Lanza un millón y se acercará a 3.14159. Nunca hiciste la geometría difícil directamente. Dejaste que unos dardos aleatorios la midieran por ti.
Montecarlo descansa por completo en la ley de los grandes números. Cualquier prueba aleatoria concreta es ruidosa y te dice poco, pero la media de muchas pruebas converge hacia el valor real. Más ejecuciones significan una respuesta más precisa, igual que lanzar más monedas fija mejor la proporción de caras. El compromiso es sencillo: la precisión cuesta ejecuciones, y para reducir el error aproximadamente a la mitad suelen hacer falta unas cuatro veces más pruebas.
Toda simulación necesita un suministro rápido de números aleatorios, que viene de un generador pseudoaleatorio. Que el generador admita semilla es aquí una ventaja real: fijar la semilla permite a un investigador repetir una simulación y obtener resultados idénticos, para que otros puedan comprobar el trabajo. La aleatoriedad reproducible es lo que convierte una simulación en una herramienta científica y no en una suposición aislada.
Cada vez que lanzas aquí un lote grande de monedas o tiras un puñado de dados y observas cómo se asientan los totales, estás ejecutando una pequeña simulación de Montecarlo. La herramienta genera pruebas aleatorias, y el montón de resultados estima las probabilidades subyacentes, exactamente como hacen los grandes modelos con muchísimas más ejecuciones.
Ejecuta la tuya → Tira un lote de dados muchas veces y observa cómo emerge la distribución de totales. Eso es una simulación de Montecarlo en miniatura.Las simulaciones cambian un cálculo difícil por muchas pruebas aleatorias fáciles, y luego leen la respuesta en cómo se acumulan los resultados. El método de Montecarlo estima desde pi hasta el riesgo de mercado, funciona porque las medias convergen con más ejecuciones y se apoya en números pseudoaleatorios rápidos y reproducibles. Cuando un problema es demasiado enrevesado para una fórmula, a menudo puedes dejar que el azar lo resuelva.