Método de Montecarlo

Gonzalo Fabricio Guzmán Rodriguez, Student Member, IEEE,

Luis Fernando Hidalgo López, Student Member, IEEE,
Jorge Luis Jervis Pacheco, Student Member, IEEE,
Nathaly Ivette Mantilla Calderón, Student Member, IEEE,
Mario Gustavo Padilla Camuendo, Student Member, IEEE
Cristhian Damián Vega Guacollantes, Student Member, IEEE,
Víctor Hugo Villavicencio Redrobán, Student Member, IEEE,
muestreos estadísticos en una computadora. El método es
aplicable a cualquier tipo de problema, ya sea estocástico o
Resumen- En el presente artículo se estudiará a detalle el determinístico. Generalmente en estadística los modelos
funcionamiento de la simulación o método de Monte Carlo, aleatorios se usan para simular fenómenos que poseen algún
mostrando sus principales características de proceso y como componente aleatorio. Pero en el método Monte Carlo, por otro
su uso adecuado en los problemas de ingeniería puede llevar lado, el objeto de la investigación es el objeto en sí mismo, un
a la solución de fenómenos que poseen componentes suceso aleatorio o pseudo aleatorio se usa para estudiar el
aleatorios por medio de la simulación de números aleatorios, modelo.
mediante el estudio de una simulación de dicha metodología
A veces la aplicación del método Monte Carlo se usa para
utilizando el lenguaje técnico de modelación matemática
analizar problemas que no tienen un componente aleatorio
Matlab®,
explícito; en estos casos un parámetro determinista del
problema se expresa como una distribución aleatoria y se
Términos del Índice: Aleatorio, método, modelo, resultado,
simulación, variable simula dicha distribución.

II. MÉTODO DE MONTECARLO

I. INTRODUCCIÓN
III. GENERACIÓN DE NÚMEROS ALEATORIOS
El objetivo primordial de un sistema eléctrico de potencia es a) Mecanismos demasiado lentos
el de abastecer de energía eléctrica a sus clientes, considerando b) Método de los Centros Cuadrados
que esta acción debe realizarse de la manera más económica c) Métodos Congruenciales
posible y dentro de los niveles de confiabilidad aceptable. d) Método de Rechazo

Los clientes conectados a las redes del sistema eléctrico

esperan que el suministro de energía esté continuamente
disponible, respondiendo en forma inmediata a las
fluctuaciones de la demanda. Sin embargo, en la práctica, este
escenario de suministro permanente asegurado no es siempre
alcanzable, debido a que el sistema eléctrico está expuesto a
fallas de origen aleatorio, que frecuentemente se encuentran
fuera del control del operador.
El Método de Rechazo también es utilizado para obtener
números aleatorios de una distribución continua. Para explicar
los conceptos que intervienen en esta técnica, se describirá el
ejemplo de la trayectoria libre media. La trayectoria libre media
λ, es el valor esperado de la distancia R entre dos colisiones que
sufre una partícula en el sistema. Se sabe que la función de
densidad de probabilidad de R es:

Es por eso que estudiaremos la metodología de Monte Carlo 𝑝(𝑅) = 𝜎𝑒 −𝜎𝑅

aplicada a la evaluación de la confiabilidad en sistemas
eléctricos de potencia, la misma que incide en la última fase del donde σ es la sección eficaz. Entonces:
esquema general de los experimentos de simulación,
constituyendo uno de los métodos de estimación bastante
potentes de parámetros de interés del sistema real.

Mas técnicamente, un Monte Carlo es un proceso estocástico

numérico, es decir, una secuencia de estados cuya evolución
viene determinada por sucesos aleatorios. Y
que combina conceptos estadísticos (muestreo aleatorio)
con la capacidad que tienen los ordenadores para generar núm
eros pseudo‐ aleatorios y automatizar cálculos.
El Método de Monte Carlo da solución a una gran variedad
de problemas matemáticos haciendo experimentos con
Esta relación tiene sentido físico y se puede comprobar
experimentalmente.
El llamado método de rechazo se utiliza por MCNP cuando se
desea encontrar por ejemplo las Rn de 10 000 000 partículas
que correspondan a dicha función de densidad p(R). Este
procedimiento genera primero dos números aleatorios ξ1 y ξ2
entre 0 y 1. Después se obtiene un valor aleatorio de la distancia
tal que a < R < b, interpolando con:
𝑅 = 𝑎 + (𝑏 − 𝑎)ξ1
Finalmente se rechaza el valor de R si ξ2 > p (R)
ya que no corresponde a dicha función de densidad de
probabilidad; y se acepta y guarda para futuros cálculos si ξ2 <
p(R).
e) Distribución Normal
El Método Polar es la técnica más utilizada para encontrar
números aleatorios a partir de una distribución normal (σ=1,
µ=0). El procedimiento es:
1. Generar dos números aleatorios uniformes (U1, U2) en el
rango [0,1].
2. Obtener V1=2U1-1 y V2=2U2-1, para conseguir dos números
uniformemente distribuidos en [-1,1].
3. Calcular 𝑆 = 𝑉12 + 𝑉22
4. Si S ≥ 1, regresar al paso 1. Si S < 1, calcular los números
aleatorios normalmente distribuidos, X1 y X2, a partir de:
−2 𝐿𝑛 𝑆 −2 𝐿𝑛 𝑆
𝑋1 = 𝑉1 √ y 𝑋2 = 𝑉2 √
𝑆 𝑆
Si la distribución normal tiene una media µ y una desviación
estándar σ, entonces la variable aleatoria Y se obtiene con 𝑌𝑛 =
𝜇 + 𝜎𝑋𝑛
La teoría detrás de este método consiste en encontrar las
coordenadas de un punto aleatorio uniformemente distribuido,
(V1, V2), dentro de un círculo unitario S. Convirtiendo a
coordenadas polares, 𝑉 = 𝑅𝑐𝑜𝑠Θ y 𝑉2 = 𝑅𝑠𝑖𝑛Θ, obtenemos
𝑆 = 𝑅2 , 𝑋1 = 𝑅′𝑐𝑜𝑠Θ y 𝑋2 = 𝑅′𝑠𝑖𝑛Θ , donde
𝑅′ = √−2 𝐿𝑛 𝑆. Θ está uniformemente distribuida entre 0 y 2π;
y la probabilidad de que 𝑅′ ≤ 𝑟 es igual a la probabilidad de
−𝑟 2⁄
que 𝑆 ≥ 𝑒 2, que al tratarse de un circulo unitario se tiene
−𝑟 2
que 1 − 𝑒 ⁄2 ≥ 0. Por consiguiente, la probabilidad de que
−𝑟 2⁄
R’ se encuentre entre r y r+dr es la derivada de 1 − 𝑒
−𝑟 2
es decir, 𝑟𝑒 ⁄2 𝑑𝑟 ; de la misma manera, la probabilidad de
1
que Θ se encuentre entre θ y θ+dθ es 𝑑𝜃. Regresando a
2𝜋
coordenadas cartesianas, tenemos:
donde se puede observar que X1 y X2 corresponden a una
distribución normal y además son independientes.
f) Distribución Exponencial
El tiempo transcurrido entre la emisión de dos partículas por
una fuente radioactiva tiene una distribución exponencial con
media µ, si en promedio una partícula es emitida cada µ
−𝑥
segundos. El proceso se describe por 𝐹(𝑥) = 1 − 𝑒 ⁄𝜇 .
Aunque existen otros métodos para obtener números aleatorios
con esta distribución, el denominado Método Logarítmico es
el más utilizado por su simplicidad. Si y = F(x), entonces
𝑥 = 𝐹 −1 (𝑦) = −𝜇 ln(1 − 𝑦). Generando un número aleatorio
uniformemente distribuido, U, se obtiene una variable
aleatoria X con una distribución exponencial a partir de:
𝑥 = −𝜇 ln(1 − 𝑈)
g) Vectores Aleatorios
Para completar la simulación de todo sistema físico, es
necesario saber la orientación de una partícula después de que
sufre una interacción. En el método más sencillo para
seleccionar una orientación aleatoria en tres dimensiones, se
debe primero generar un número aleatorio uniforme U en el
rango [0, 1]. U se escala para obtener un número aleatorio φ que
este uniformemente distribuido entre [0, 2π], es decir, φ =
2πU. De manera similar se obtiene un número aleatorio ω
distribuido uniformemente entre -1 y 1. Las coordenadas del
vector de orientación son:
𝑥 = √1 − 𝜔 2 cos 𝜑
𝑦 = √1 − 𝜔 2 sin 𝜑
𝑧=𝜔
h) Error Relativo
Existe una diferencia entre el valor esperado verdadero de una
función f y el valor de la misma función cuando solo se toma un
muestreo de N variables estadísticas independientes (Número
de partículas a simular). Para saber si nuestra simulación arroja
un resultado confiable, es importante tomar en cuenta el error
relativo R. Este dato representa la precisión estadística y es
calculado por el programa a partir cada historia aleatoria.
El error esperado en (f) estima con la desviación estándar, ya
que:
Sin embargo, como no se tiene un número infinito de variables,
2 , el error se estima considerando cada selección aleatoria como
un estimador independiente de (f)N así:
La suma de las desviaciones estándar, ξ2𝑠𝑢𝑚 , es N veces el valor
de δ2𝑁 . Por consiguiente, el error de expectación es:
ξ𝑠𝑢𝑚 = √𝑁𝛿𝑁
El error relativo es la media de dicho error de expectación, de
tal manera que:
 ξ𝑠𝑢𝑚 𝛿𝑁
𝑅= =
𝑁 √𝑁
1
Es importante recalcar que R es proporcional a , es decir,
√𝑁
mientras mayor sea el número de partículas simuladas se podrá
obtener un resultado más preciso. Para reducir el error relativo
en una simulación se puede aumentar N o reducir el valor de
𝛿𝑁 .

La Tabla 2.1 resume el significado del valor de R.

Fig1. Proceso de Convergencia en la evaluación del Método
Rango de R Calidad de la de Monte Carlo
simulación
0.5 a 1.0 Sin sentido Su precisión de la simulación de Monte Carlo es determinada
por los factores probabilísticos y el número de muestras
0.2 a 0.5 Mala requeridas, lo que hace que el método sea independiente del
0.1 a 0.2 Cuestionables tamaño del sistema, y apropiado para sistemas de gran escala.
Una buena simulación puede resultar muy compleja, debido al
< 0.10 Generalmente gran número de variables que intervienen y requiere gran
aceptables esfuerzo de computo.
excepto para
detectores En este sentido, es posible demostrar que el valor de
puntuales E(F) se encuentra en el rango determinado por la ecuación:
𝐸(𝐹)′ − 1,96 ∙ 𝜎(𝐸(𝐹)′) ≤ 𝐸(𝐹) ≤ 𝐸(𝐹)′ + 1,96 ∙ 𝜎(𝐸(𝐹)′)
< 0.05 Generalmente
En donde 𝜎(𝐸(𝐹)) corresponde a desviación estándar
aceptables
de 𝐸(𝐹), determina por la ecuación:
para
detectores
puntuales 𝜎 2 (𝐹)
Tabla 1: Error Relativo en MCNP.
𝜎(𝐸(𝐹)′) = √
𝑁𝑀

IV. CARACTERÍSTICAS DE CONVERGENCIA DEL MÉTODO Así mismo, el valor de 𝜎 2 (𝐹) también es desconocido
DE MONTECARLO
Por lo que es necesario utilizar el estimador definido
en la ecuación:

La convergencia se define como la situación en la cual los ∑𝑁𝑀

𝑗=1(𝐹(𝑋𝑗 ) − 𝐸(𝐹)′
2

valores que se presentan como respuesta a una simulación o un 𝜎 2 (𝐹)′ =

experimento. Se acercan a un valor constante definido por la
respuesta real de tal experimento o simulación.
Como se ha presentado, el método de Monte Carlo considera
el cálculo de una estimación de la esperanza de la función de
prueba, E(F), mediante el promedio de aquellas funciones
calculadas para una cantidad determinada de períodos
simulados, E(F)’.
A. Criterio de Convergencia
La aplicación del método de Monte Carlo, arroja un cierto
número de valores los cuáles son igual al número de veces que
se realizó el experimento, para ello es necesario un análisis
estadístico de los estados simulados y de los valores obtenidos.
Para así saber cuándo la simulación ha alcanzado un valor
aceptable, un valor que sea real y que pueda ser de utilidad para
el usuario.
(𝑁𝑀 − 1)
Por otra parte, una medida de la incertidumbre asociada al
estimador de la esperanza de la función de prueba, usualmente
representada como una incertidumbre relativa, o coeficiente de
variación representado por la ecuación:
√𝜎 2 (𝐸(𝐹)′)
𝛽=
𝐸(𝐹)′
Esta incertidumbre relativa corresponde, entonces, el
cociente entre la desviación estándar del estimador de la
esperanza de la función de prueba y el valor del estimador de
la esperanza de la función de prueba.
Finalmente, el coeficiente de variación β puede redefinirse
en función del número de simulaciones de la forma que
muestra la Ecuación:
 2
√𝜎 (𝐹)
𝑁𝑀
𝛽=
𝐸(𝐹)′
B. Reducción de Varianza
La variación de la estimación de la esperanza de la función
de prueba es proporcional a la variación de la función de
prueba e inversamente proporcional al número de muestras.
La obtención de un coeficiente de variación determinado
depende de tres variables, las que son:
 La varianza de la función de prueba,
 El número de muestras
 La estimación de la esperanza de la función de
prueba.
Un menor coeficiente de variación, al ser éste definido
como un cociente, se necesita que el numerador sea
relativamente pequeño o que el denominador sea
relativamente grande.
El inconveniente radica en que la variable del denominador
es el estimador de la esperanza de la función de prueba, sobre
el cual no se puede influir directamente. Esto limita a dos las
posibilidades de obtención de un coeficiente de variación
reducido.
La más directa de estas posibilidades corresponde a
incrementar el número de muestras, sin embargo, es muy
costosa desde el punto de vista de los recursos
computacionales y lo que se quiere es obtener resultados
precisos con el menor número de muestras posibles.
Sí en cualquier punto de la implementación es posible
reemplazar el valor de una estimación por el valor real del
parámetro estimado, esto se traduce en una reducción del error
final de muestreo.
Así, la reducción de varianza es una forma de hacer mejor
uso de la información existente conocida.
La forma que toma tal información determina el tipo de
técnica de reducción de varianza que puede ser utilizada,
mientras mayor sea cantidad de información existente
conocida, más efectiva será la reducción de varianza.
Tres métodos de reducción de varianza ampliamente
aplicados en evaluación de la confiabilidad:
 Variables antitéticas
 Variables de control
 Muestreo por importancia de estados.
V. FLUJOGRAMAS
VI. FALLAS DEL PROGRAMA
VII. REFERENCIAS
VII. CONCLUSIONES
En conclusión,
VII. AUTORES
Luis Fernando Hidalgo López was born in
Ambato, Ambato, Ecuador, in 1996. He
completed his primary studies at Centro
Educativo San Pio X, later he completed
secondary studies at Centro Educativo San
Pio X where he obtained his bachelor's
degree in mathematical physics in 2014. He
is currently studying at the Universidad
Politécnica Salesiana in the Electrical
Engineering career at Kennedy campus.
Nathaly Ivette Mantilla Calderon was
born in Quito, Ecuador, in 1995. She
completed his primary studies at Centro
Educativo Integral Antonio Flores.
Afterwards she completed secondary
studies at the Hypatia Cárdenas de
Bustamante school where she obtained her
bachelor's degree in Mathematical Physics
in 2013. She is
currently studying at the Salesiana Polytechnic University in
the career of Electrical Engineering campus Kennedy.
Cristhian Damian Vega
Guacollantes was born in Quito, Ecuador
in 1995. He completed his primary studies
at the "Carlos Aguilar" educational center,
and afterwards he completed secondary
studies at Colegio Técnico Salesiano Don
Bosco, where he obtained his technical
bachelor's degree in Facilities, Equipment
and Electrical Machines in 2013. He is currently studying at
the Universidad Politécnica Salesiana in the Electrical
Engineering career at Kennedy campus.
Víctor H. Villavicencio was born in Santo
Domingo de los Colorados, Ecuador in
1994. He received his bachelor’s degree in
Unidad Educativa Marista “Pío XII” and he
is currently studying toward his B.Sc. in
Electrical Engineering at Universidad
Politécnica Salesiana (UPS), Quito,
Pichincha, Ecuador.
 Jorge Luis Jervis Pacheco (1992) was born
in El Carmen, Manabí, Ecuador, on
September 11, 1992. He completed his
primary studies at the "Helena Cortés
Bedoya" School. He graduated from the
Salesian Technical School "Don Bosco", and
is currently studying the 7th level of the
Electrical Engineering Degree at the
Salesian Polytechnic University.
He has worked in various areas, being his last place of work the
company SAYCONT S.A. , in which he worked as an
automation and control technician, as well as an installer.
Among his different distinctions he has obtained: Escort of the
Pavilion of the City of Quito, both in the school and in the
school, several times president of the course, distinctions for the
best student of the school year, as well as multiple prizes in the
contests in which he has participated. Finally, list any awards
and work for IEEE committees and publications.