Métodos de Monte Carlo
Sinónimos: Monte Carlo methods
Definición ampliada
Los métodos de Monte Carlo, o Monte Carlo methods, estiman una cantidad mediante muestras aleatorias repetidas [1]. La precisión depende del problema, de la forma de obtener muestras y de cuántas se usen; repetir una simulación mal planteada no corrige sus supuestos.
En aprendizaje por refuerzo, un uso específico consiste en estimar el valor de estados o acciones promediando retornos de episodios completos [2]. No todo método de Monte Carlo es aprendizaje por refuerzo, ni requiere una cadena de Markov.
Contexto histórico
Nicholas Metropolis y Stanislaw Ulam expusieron el método en un artículo de 1949 [1]. Sus aplicaciones se extendieron más allá de la física hacia estadística, decisión e IA.
Importancia actual
A fecha de septiembre de 2026, el muestreo aleatorio sigue siendo útil para aproximar integrales, explorar incertidumbre y evaluar modelos cuando un cálculo exacto es inviable. En refuerzo ofrece una alternativa a estimaciones que actualizan el valor paso a paso [2].
Aplicaciones
Generales
- Estimar resultados de muchas trayectorias simuladas.
- Aproximar probabilidades o valores esperados difíciles de obtener exactamente.
Sanitarias
- Simular incertidumbre en un modelo de planificación sanitaria antes de usarlo para decidir.
- Explorar escenarios hipotéticos de ocupación y tiempos de espera; la simulación por sí sola no prueba un beneficio asistencial.
Limitaciones
- En promedio, el error de muestreo disminuye con más simulaciones, pero el coste también crece.
- Si el modelo o los datos de entrada están sesgados, más muestras no eliminan ese sesgo.
- En refuerzo, esperar al final del episodio puede retrasar la actualización de valores [2].
Ejemplos
Para estimar el tiempo de espera de una consulta, se generan miles de días simulados con distinta demanda. El promedio y la dispersión describen el modelo; deben compararse con días reales antes de emplearlos para organizar la asistencia.