Validación de Monte Carlo

La cuadratura determinista, descrita en simulación numérica, evalúa la Schubart Master Formula para un único conjunto fijo de entradas. Pero las entradas a una evaluación real — el espectro de flujo, la sección eficaz y los parámetros del material — son ellas mismas inciertas, y una distribución sobre entradas produce una distribución sobre salidas. Los métodos de Monte Carlo son la herramienta natural para manejar esto: estiman la integral por muestreo aleatorio y, al mismo tiempo, propagan la incertidumbre de entrada a una incertidumbre sobre $P(t)$. Este capítulo describe la metodología de forma genérica; los números usados son marcadores de posición ilustrativos, nunca reivindicados como resultados medidos.

Estimación de Monte Carlo de la integral

La integral doble puede estimarse estadísticamente en lugar de por una rejilla fija. Se extraen $N$ puntos de muestra $(E_k,\theta_k)$ de una distribución de muestreo elegida sobre el dominio de integración, se evalúa el integrando $f(E,\theta,t)$ en cada uno, y se forma un promedio ponderado. Para un muestreo uniforme sobre un dominio de medida $V$, el estimador es

$$\hat{P}_N(t) = \frac{V}{N}\sum_{k=1}^{N} f(E_k,\theta_k,t),$$

que es insesgado: su esperanza es igual a la integral exacta para cualquier $N$. Lo que mejora con $N$ no es el sesgo sino la varianza. Si $\text{Var}[f]$ denota la varianza del integrando sobre la distribución de muestreo, el error estándar del estimador es

$$\text{SE}\big[\hat{P}_N\big] = V\,\sqrt{\frac{\text{Var}[f]}{N}} \;\propto\; \frac{1}{\sqrt{N}} ,$$

el escalado característico $1/\sqrt{N}$ que es la firma — y el coste — de la integración de Monte Carlo. Esta convergencia es lenta: reducir el error en un factor de diez exige un aumento de cien veces en las muestras. De forma crucial, no obstante, el exponente es independiente de la dimensión del dominio, por lo cual Monte Carlo supera a la cuadratura en rejilla tensorial cuando el integrando es de alta dimensión o de forma incómoda, y por lo cual maneja con elegancia los dominios agudamente concentrados.

Reducción de varianza

Dado que el error lo gobierna $\text{Var}[f]/N$, la misma precisión puede comprarse bien aumentando $N$, bien rebajando la varianza efectiva del estimador — y lo segundo suele ser mucho más barato. El muestreo por importancia reemplaza la extracción uniforme por una distribución $g$ concentrada donde el integrando es grande, por ejemplo cerca del solapamiento máximo de $\Phi$ y $\sigma(E)$, y reponderara cada muestra por $f/g$. Cuando $g$ se elige bien, el integrando reponderado es casi constante y su varianza colapsa, de modo que un $N$ modesto logra lo que de otro modo requeriría órdenes de magnitud más de muestras uniformes. El muestreo estratificado divide el dominio en subregiones y muestrea cada una en proporción a su contribución, garantizando la cobertura de las regiones importantes y eliminando el agrupamiento que aqueja a las extracciones puramente aleatorias. Las variables de control restan una magnitud correlacionada de integral conocida, cancelando gran parte de la varianza. Estas son las técnicas clásicas catalogadas en la literatura de Monte Carlo, y al menos una de ellas suele ser esencial para hacer que una evaluación de la fórmula maestra sea práctica en lugar de meramente posible.

Muestreo de las distribuciones de entrada

El uso distintivo de Monte Carlo en este marco no es meramente evaluar la integral, sino propagar la incertidumbre. Cada entrada incierta se describe mediante una distribución de probabilidad: el flujo $\Phi$ podría muestrearse en torno a un espectro medio medido con una dispersión supuesta; la sección eficaz $\sigma(E)$ podría muestrearse dentro de sus barras de error de medición; y $\Delta p$, $v_{\text{ph}}$ y $\eta_{\text{conv}}$ podrían extraerse cada uno de distribuciones que reflejen cuán bien se conocen. El procedimiento tiene un bucle externo y uno interno. En el bucle externo, se extrae un conjunto completo de valores de entrada de su distribución conjunta — respetando cualquier correlación entre ellos, ya que tratar entradas correlacionadas como independientes puede malinterpretar gravemente la dispersión de salida. En el bucle interno, la integral se evalúa para ese conjunto fijo de entradas, por cuadratura o por una integración de Monte Carlo anidada. Cada extracción externa produce así una realización de $P(t)$, y repetir el bucle externo muchas veces produce un conjunto de salidas cuya dispersión refleja la incertidumbre de entrada combinada. Esta estructura anidada es la esencia de la propagación de incertidumbre hacia adelante, y es mucho más informativa que un único número determinista.

Lectura de la distribución de salida

El conjunto de valores de $P(t)$ se resume después. Su media estima la salida esperada; su desviación estándar cuantifica la incertidumbre; y sus percentiles dan intervalos de confianza. Los percentiles merecen reportarse junto a la desviación estándar porque la distribución de salida generalmente no es gaussiana — la fórmula maestra es un producto de factores, y los productos de variables aleatorias positivas tienden hacia distribuciones sesgadas y de cola larga para las cuales un intervalo simétrico de media-más-o-menos-$\sigma$ subestima la cola superior. Podría reportarse, puramente como ilustración del método, que una corrida de marcador de posición produce una salida media con una dispersión de, digamos, del orden del diez al veinte por ciento de la media, que se estrecha a medida que se reducen las incertidumbres de entrada. Tales cifras son nocionales y están solo para mostrar la forma del resultado; deben rederivarse para cualquier sistema real y nunca deben citarse como si fueran mediciones experimentales. La anchura de esta distribución de salida es la magnitud más relevante para un reporte honesto, y su interpretación como desviación estándar conecta directamente con la discusión estadística en análisis de sigma.

Convergencia y fiabilidad de la estimación

Un resultado de Monte Carlo acarrea su propia barra de error, y debe demostrarse que ese error es lo bastante pequeño. La práctica estándar es monitorizar la estimación en curso a medida que $N$ aumenta y confirmar que tanto la media como su error estadístico se han estabilizado; un gráfico de media en curso que se ha aplanado, junto con una barra de error que se ha encogido por debajo de la tolerancia de reporte, es el criterio de parada práctico. Dado que el error estadístico cae solo como $1/\sqrt{N}$, halvarlo requiere cuadruplicar el recuento de muestras, de modo que las técnicas de reducción de varianza anteriores suelen ser esenciales para la eficiencia en lugar de opcionales. Contrastar la media de Monte Carlo con una cuadratura determinista convergida sobre las mismas entradas fijas es una valiosa prueba de consistencia: los dos métodos deben coincidir dentro de sus errores combinados, y una discrepancia de más de un par de errores estándar señala un fallo en uno de ellos — un dominio mal emparejado, un factor jacobiano omitido, o una distribución de muestreo que nunca visita parte del dominio. La calidad del flujo pseudoaleatorio importa también; un generador pobre introduce correlaciones que violan el supuesto de independencia tras la ley $1/\sqrt{N}$.

Qué establece y qué no establece la validación

Es importante ser preciso sobre qué valida este procedimiento. La validación de Monte Carlo establece que la integral se ha evaluado correctamente y que las incertidumbres de entrada se han propagado fielmente. No establece, por sí misma, que los modelos de entrada sean físicamente correctos. Si el espectro de flujo supuesto, la sección eficaz, o el mecanismo de transferencia de momento son erróneos, el cálculo propagará fielmente un supuesto erróneo a una salida enunciada con confianza pero incorrecta — el conocido fallo de «basura entra, basura sale», vestido con una barra de error de aspecto preciso. La validación de los cálculos numéricos es, por tanto, necesaria pero no suficiente; las entradas físicas deben validarse por separado mediante medición. Cuando una entrada propuesta — por ejemplo un mecanismo especulativo de $\Delta p$ — no se ha confirmado, la distribución de salida resultante debe presentarse como condicional a ese supuesto, y etiquetarse en consecuencia. Esta es también la razón por la que la dispersión estadística producida aquí nunca debe leerse como una significancia de descubrimiento experimental: una distribución de salida estrecha certifica que el modelo es internamente consistente dados sus supuestos, no que los supuestos coincidan con el mundo. La relación entre la dispersión estadística calculada aquí y la notación de la sección eficaz se desenreda en análisis de sigma.

Lecturas adicionales

• Metropolis, N., y Ulam, S. (1949). «The Monte Carlo Method». Journal of the American Statistical Association, 44(247), 335–341 — el artículo fundacional del método.
• Robert, C. P., y Casella, G. (2004). Monte Carlo Statistical Methods (2.ª ed.). Springer — un tratamiento moderno y exhaustivo de los estimadores, la reducción de varianza y la convergencia.
• Press, W. H., Teukolsky, S. A., Vetterling, W. T., y Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3.ª ed.). Cambridge University Press — capítulos prácticos sobre la integración de Monte Carlo y el muestreo por importancia.