I.
CARACTERÍSTICA DE CONVERGENCIA
DEL MONTE CARLO
La convergencia se define como la situación
en la cual los valores que se presentan como
respuesta a una simulación o un 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.
Fig1. Proceso de Convergencia en la evaluación
del Método de Monte Carlo
Su precisión de la simulación de Monte Carlo es
determinada por los factores probabilísticos y el
número de muestras requeridas, lo que hace que
el método sea independiente del tamaño del
sistema, y apropiado para sistemas de gran
escala.
Una buena simulación puede resultar muy
compleja, debido al gran número de variables
que intervienen y requiere gran esfuerzo de
computo.
En este sentido, es posible demostrar
que el valor de 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)′)
En donde 𝜎(𝐸(𝐹)) corresponde a
desviación estándar de 𝐸(𝐹), determina por la
ecuación:
𝜎 2 (𝐹)
𝜎(𝐸(𝐹)′) = √
𝑁𝑀
Así mismo, el valor de 𝜎 2 (𝐹) también
es desconocido
Por lo que es necesario utilizar el
estimador definido en la ecuación:
∑𝑁𝑀
𝑗=1(𝐹(𝑋𝑗 ) − 𝐸(𝐹)′
2
𝜎 2 (𝐹)′ =
(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.

II. REFERENCIAS

[1] F. A. Imbarack Charad, «Elaboración

de una herramienta computacional para
la evaluación de la confiabilidad de
sistemas de transmisión electricos,»
PONTIFICIA UNIVERSIDAD
CATOLICA DE CHILE, Santiago de
Chile, 2006.