¿Qué Observarás?
- Puntos verdes cayendo dentro del círculo
- Puntos rojos cayendo fuera del círculo
- La estimación de π refinándose gradualmente
- Dígitos correctos (verde) vs incorrectos (rojo) en el display
- El gráfico de convergencia acercándose a π
- El error disminuyendo con más puntos
La Idea Fundamental
Imagina un círculo de radio 1 inscrito en un cuadrado de lado 2. Si lanzamos dardos aleatoriamente sobre el cuadrado, ¿qué fracción caerá dentro del círculo? La respuesta está íntimamente ligada al valor de π.
Área del Círculo
Un círculo de radio r = 1 tiene área A = πr² = π
Área del Cuadrado
Un cuadrado de lado 2 tiene área A = 2² = 4
La Proporción
Círculo/Cuadrado = π/4 ≈ 0.7854
Interpretación
~78.5% de los puntos aleatorios caen dentro del círculo
Derivación Paso a Paso
La Condición: ¿Dentro o Fuera?
Para cada punto (x, y) generado aleatoriamente en el cuadrado [-1, 1] × [-1, 1], determinamos si cae dentro del círculo unitario usando la ecuación del círculo:
Si la suma de los cuadrados es menor o igual a 1, el punto está dentro (verde). Si es mayor que 1, el punto está fuera (rojo).
Velocidad de Convergencia
La Regla del √n
El error en Monte Carlo disminuye proporcionalmente a 1/√n, donde n es el número de puntos. Esto tiene implicaciones prácticas importantes:
- Para reducir el error a la mitad, necesitas 4× más puntos
- Para un dígito extra de precisión, necesitas ~100× más puntos
- Después de un millón de puntos, solo tendrás ~3 dígitos correctos
| Puntos | Error Esperado | Dígitos Correctos (aprox) |
|---|---|---|
| 100 | ~10% | 1 |
| 10,000 | ~1% | 2 |
| 1,000,000 | ~0.1% | 3 |
| 100,000,000 | ~0.01% | 4 |
Experimentos Guiados
Experimento 1: Primeros Pasos
- Reinicia la simulación con
Reiniciar - Haz clic manualmente dentro del cuadrado para añadir puntos uno por uno
- Observa cómo la estimación de π salta erráticamente con pocos puntos
- Añade 10 puntos manualmente y anota la estimación
- ¿Qué tan lejos está del valor real 3.14159...?
Observación: Con muy pocos puntos, las fluctuaciones aleatorias dominan. Una estimación podría ser 2.8 o 3.6, muy lejos de π.
Experimento 2: Orden de Magnitud
- Reinicia y añade exactamente 100 puntos con el botón
+100 - Anota: estimación de π y número de dígitos correctos
- Reinicia y repite el experimento 3 veces
- Observa cómo cada ejecución da un resultado ligeramente diferente
Análisis: La naturaleza aleatoria significa que cada experimento produce un resultado diferente. Esto es fundamental en Monte Carlo: trabajamos con distribuciones de probabilidad, no certezas.
Experimento 3: Convergencia Visual
- Reinicia y pulsa
Iniciarcon velocidad de 10 puntos/frame - Observa el gráfico de convergencia en tiempo real
- Nota cómo la línea azul oscila alrededor de la línea punteada (π)
- Deja correr hasta 10,000 puntos y observa las oscilaciones reducirse
- Aumenta la velocidad a 100 y observa la convergencia acelerada
Insight: El gráfico de convergencia muestra la "memoria" del proceso. Las estimaciones tempranas pueden ser muy erróneas, pero el sistema "aprende" y se estabiliza.
Experimento 4: Los Límites del Método
- Añade 100,000 puntos de golpe con el botón correspondiente
- Observa cuántos dígitos correctos obtienes (típicamente 2-3)
- Activa "Desvanecer puntos" y añade más
- Reflexiona: ¿por qué la simulación no puede dar 10 dígitos de π?
Conclusión: Monte Carlo converge lentamente. Para calcular π con alta precisión se usan algoritmos determinísticos (series de Ramanujan, Chudnovsky), no métodos aleatorios.
¿Por Qué Se Llama "Monte Carlo"?
Historia del Método
Aguja de Buffon: El Conde de Buffon propone estimar π lanzando agujas sobre líneas paralelas. Primer método Monte Carlo "avant la lettre".
Proyecto Manhattan: Stanislaw Ulam, mientras jugaba solitario durante una convalecencia, concibe usar aleatoriedad para simular difusión de neutrones.
El nombre: Nicholas Metropolis sugiere "Monte Carlo" en referencia al famoso casino de Mónaco, por el rol del azar en el método.
Monte Carlo es fundamental en física, finanzas, machine learning, videojuegos (ray tracing) y cualquier problema donde la integración directa es imposible.
Método Geométrico vs Numérico
Hay dos formas de pensar en lo que hace esta simulación:
Interpretación Geométrica
Estamos midiendo el área del círculo usando "muestreo". Cada punto que cae dentro "vota" por el área del círculo.
Interpretación Probabilística
Estamos estimando la probabilidad de que un punto aleatorio en el cuadrado caiga dentro del círculo.
Ambas visiones son equivalentes matemáticamente, pero ilustran un principio profundo: el área bajo una curva puede interpretarse como una probabilidad. Esta conexión es la base de la integración de Monte Carlo.
Integración de Monte Carlo
El método para estimar π es un caso especial de un principio más general: podemos calcular cualquier integral lanzando puntos aleatorios.
Para nuestro problema de π, la función f(x,y) es 1 si x²+y² ≤ 1 y 0 en caso contrario. El promedio de esta función sobre el cuadrado da π/4.
Variantes y Mejoras
| Técnica | Descripción | Mejora |
|---|---|---|
| Monte Carlo básico | Puntos uniformemente aleatorios | Referencia |
| Stratified Sampling | Dividir el espacio en celdas | ~30% menos error |
| Quasi-Monte Carlo | Secuencias de baja discrepancia | Error ∝ 1/n (no 1/√n) |
| Importance Sampling | Muestrear más donde importa | Variable, puede ser 10× |
Conexiones Interdisciplinarias
Física de Partículas
CERN usa Monte Carlo para simular colisiones. Cada experimento genera millones de eventos aleatorios para comparar con datos reales.
Finanzas Cuantitativas
Valoración de opciones exóticas mediante simulación de trayectorias aleatorias del precio del activo subyacente.
Gráficos por Computadora
Ray tracing en películas modernas usa Monte Carlo para calcular iluminación global. Cada rayo es un "punto aleatorio".
Inteligencia Artificial
Monte Carlo Tree Search (MCTS) impulsa AlphaGo y otros sistemas de IA para juegos.
Tablero de Galton
Nuestra simulación del Tablero de Galton también usa aleatoriedad para demostrar la distribución normal.
Termodinámica
El algoritmo de Metropolis (Monte Carlo) simula sistemas a temperatura finita en física estadística.
Números Aleatorios: El Corazón del Método
Math.random() de JavaScript.
Un mal generador de números aleatorios puede sesgar los resultados de Monte Carlo. Por ejemplo, si los puntos tienden a agruparse en patrones, la estimación de π será incorrecta de forma sistemática.
Para Explorar Más
- Aguja de Buffon: Otro método clásico para estimar π
- Algoritmo de Metropolis: Monte Carlo para sistemas físicos
- Secuencias de Halton: Quasi-Monte Carlo en detalle
- Teorema del Límite Central: Por qué el error va como 1/√n
- Serie de Chudnovsky: Cómo se calcula π a billones de dígitos