{"id":557,"date":"2026-07-22T08:17:36","date_gmt":"2026-07-22T08:17:36","guid":{"rendered":"https:\/\/matforge.org\/?p=557","raw":"https:\/\/matforge.org\/?p=557"},"modified":"2026-07-22T08:17:36","modified_gmt":"2026-07-22T08:17:36","slug":"monte-carlo-methods-for-scientific-simulations","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/","title":{"rendered":"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python","raw":"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 9<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Los m\u00e9todos de Monte Carlo utilizan muestreos aleatorios para estimar los resultados de los problemas que son demasiado complejos para las soluciones anal\u00edticas. Al ejecutar miles o millones de ensayos simulados con entradas aleatorias, puede mapear el rango de comportamiento posible en un modelo cient\u00edfico.<\/p>\n<p>Estos m\u00e9todos son \u00fatiles para los l\u00edmites de incertidumbre, el an\u00e1lisis de sensibilidad, el modelado de materiales, la simulaci\u00f3n probabil\u00edstica y la integraci\u00f3n num\u00e9rica de alta dimensi\u00f3n.<\/p>\n<h2>Comida clave<\/h2>\n<ul>\n<li>Los m\u00e9todos de Monte Carlo reemplazan los c\u00e1lculos deterministas con un muestreo aleatorio repetido. Son \u00fatiles para integrales de alta dimensi\u00f3n, modelado probabil\u00edstico y cuantificaci\u00f3n de incertidumbre.<\/li>\n<li>El error est\u00e1ndar disminuye proporcionalmente a <code>1 \/ \u221aN<\/code>. Esto significa que necesita 100 veces m\u00e1s muestras para reducir el error 10 veces.<\/li>\n<li>Los m\u00e9todos cuasi-Monte Carlo utilizan puntos deterministas de baja discrepancia, como las secuencias SOBOL o HALTON, para mejorar la convergencia de integrando suaves.<\/li>\n<li>La pila cient\u00edfica de Python, que incluye Numpy, Scipy, QMCPY, Monaco y UQPY, admite el muestreo, el monitoreo de convergencia y el an\u00e1lisis de incertidumbre.<\/li>\n<\/ul>\n<h2>Respuesta r\u00e1pida: \u00bfQu\u00e9 son los m\u00e9todos de Monte Carlo?<\/h2>\n<p>Los m\u00e9todos de Monte Carlo son t\u00e9cnicas computacionales que estiman los resultados num\u00e9ricos mediante muestreo aleatorio repetido. En lugar de resolver una ecuaci\u00f3n compleja anal\u00edticamente, tomas muestras de entradas de distribuciones de probabilidad, ejecutas el modelo, recopilas la salida y repites.<\/p>\n<p>La distribuci\u00f3n de salida revela el rango de posibles comportamientos y la incertidumbre asociada con ellos.<\/p>\n<p>En la computaci\u00f3n cient\u00edfica, los m\u00e9todos de Monte Carlo son comunes cuando un modelo depende de entradas inciertas, cuando las redes deterministas se vuelven demasiado caras o cuando las ecuaciones subyacentes no tienen una soluci\u00f3n de forma cerrada.<\/p>\n<h2>Por qu\u00e9 importan los m\u00e9todos de Monte Carlo en la computaci\u00f3n cient\u00edfica<\/h2>\n<h3>El problema de la dimensionalidad<\/h3>\n<p>Los m\u00e9todos de cuadr\u00edcula deterministas escalan poco con la dimensi\u00f3n. Una cuadr\u00edcula con 100 puntos en cada una de las 10 dimensiones requiere aproximadamente <code>100\u00b9\u2070<\/code>, o <code>10\u00b2\u2070<\/code>, evaluaciones.<\/p>\n<p>Los m\u00e9todos de Monte Carlo evitan esta explosi\u00f3n en la red. Su tasa de convergencia es lenta, pero no depende directamente de la dimensi\u00f3n de la misma manera. Esto hace que Monte Carlo sea pr\u00e1ctico para la cuantificaci\u00f3n de incertidumbre de alta dimensi\u00f3n.<\/p>\n<h3>Cuando Monte Carlo supera los m\u00e9todos deterministas<\/h3>\n<p>Las redes deterministas sufren de la maldici\u00f3n de la dimensionalidad. Escala de m\u00e9todos de Monte Carlo como <code>O(N\u207b\u00b9\/\u00b2)<\/code>, que es independiente de la dimensi\u00f3n en la estimaci\u00f3n de convergencia est\u00e1ndar.<\/p>\n<p>Para problemas con muchos par\u00e1metros inciertos, como el an\u00e1lisis de sensibilidad en muchas propiedades del material o la integraci\u00f3n de alta dimensi\u00f3n, Monte Carlo puede ser la \u00fanica opci\u00f3n pr\u00e1ctica.<\/p>\n<h3>Malentendido com\u00fan<\/h3>\n<p>Un error com\u00fan es usar Monte Carlo para predecir un ensayo espec\u00edfico. Monte Carlo no te dice exactamente lo que suceder\u00e1 en un experimento. Le dice la distribuci\u00f3n de posibles resultados en muchas realizaciones.<\/p>\n<p>Usas esa distribuci\u00f3n para tomar decisiones. Por ejemplo, puede informar que existe un 5% de posibilidades de que una propiedad material caiga por debajo de un umbral.<\/p>\n<h2>C\u00f3mo funcionan los m\u00e9todos de Monte Carlo<\/h2>\n<h3>La ley de los grandes n\u00fameros<\/h3>\n<p>Los m\u00e9todos de Monte Carlo se basan en la ley de grandes n\u00fameros. Si <code>X\u2081, X\u2082, ..., X\u2099<\/code> son variables aleatorias independientes e id\u00e9nticamente distribuidas con la media <code>\u03bc<\/code>, entonces el promedio de la muestra converge con el valor esperado real a medida que crece el recuento de muestras.<\/p>\n<pre><code>X\u0304_N = (1 \/ N) \u03a3 X\u1d62 \u2192 \u03bc as N \u2192 \u221e\n<\/code><\/pre>\n<p>Esto garantiza que el promedio de la muestra se vuelve m\u00e1s confiable a medida que aumenta el n\u00famero de muestras.<\/p>\n<h3>El teorema del l\u00edmite central y los intervalos de confianza<\/h3>\n<p>El teorema del l\u00edmite central explica por qu\u00e9 el error de Monte Carlo a menudo se distribuye aproximadamente normalmente para grandes tama\u00f1os de muestra.<\/p>\n<pre><code>\u221aN(X\u0304_N - \u03bc) \u2192 Normal(0, \u03c3\u00b2)\n<\/code><\/pre>\n<p>Esto da el error est\u00e1ndar:<\/p>\n<pre><code>SE = \u03c3 \/ \u221aN\n<\/code><\/pre>\n<p>Un intervalo de confianza com\u00fan del 95% es:<\/p>\n<pre><code>X\u0304_N \u00b1 1.96 \u00d7 SE\n<\/code><\/pre>\n<p>La implicaci\u00f3n pr\u00e1ctica es importante. Para reducir el error de simulaci\u00f3n en 10 veces, por lo general necesita 100 veces m\u00e1s muestras.<\/p>\n<h2>M\u00e9todos de muestreo de Monte Carlo<\/h2>\n<h3>Monte Carlo est\u00e1ndar<\/h3>\n<p>El est\u00e1ndar Monte Carlo utiliza secuencias pseudoaleatorias para muestrear el dominio de entrada. Los generadores de n\u00fameros aleatorios de Numpy suelen ser suficientes para los flujos de trabajo iniciales.<\/p>\n<p>Ventajas:<\/p>\n<ul>\n<li>F\u00e1cil de implementar.<\/li>\n<li>El comportamiento de convergencia es bien entendido.<\/li>\n<li>\u00datil para la propagaci\u00f3n de la incertidumbre de alta dimensi\u00f3n.<\/li>\n<\/ul>\n<p>Limitaciones:<\/p>\n<ul>\n<li>La convergencia es lenta, con <code>O(N\u207b\u00b9\/\u00b2)<\/code> decaimiento de error.<\/li>\n<li>Las muestras aleatorias pueden agruparse y dejar lagunas.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\n\n# Simple Monte Carlo integration\nN = 1_000_000\n\nx = np.random.uniform(0, np.pi, N)\nintegrand = np.sin(x)\n\n# Integral over [0, pi] = interval length * average value\nmc_estimate = np.pi * np.mean(integrand)\nmc_std = np.pi * np.std(integrand) \/ np.sqrt(N)\n\nprint(f\"MC estimate: {mc_estimate:.6f} \u00b1 {1.96 * mc_std:.6f}\")\n<\/code><\/pre>\n<h3>Cuasi-Monte Carlo<\/h3>\n<p>Cuasi-Monte Carlo reemplaza los n\u00fameros pseudoaleatorios con secuencias deterministas de baja discrepancia. Estos puntos llenan el dominio de manera m\u00e1s uniforme que las muestras aleatorias.<\/p>\n<p>Las secuencias comunes incluyen las secuencias Sobol y Halton. Para integrandos suaves, QMC puede converger m\u00e1s r\u00e1pido que Monte Carlo est\u00e1ndar.<\/p>\n<p>Ventajas:<\/p>\n<ul>\n<li>Convergencia m\u00e1s r\u00e1pida para problemas dimensionales suaves a moderados.<\/li>\n<li>A menudo da estimaciones m\u00e1s precisas con menos muestras.<\/li>\n<li>Las secuencias deterministas mejoran la reproducibilidad.<\/li>\n<\/ul>\n<p>Limitaciones:<\/p>\n<ul>\n<li>Los beneficios disminuyen para integrandos discontinuos o ruidosos.<\/li>\n<li>El rendimiento puede degradarse en dimensiones muy altas.<\/li>\n<li>La estimaci\u00f3n de errores requiere QMC aleatorizado.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\nfrom scipy.stats import qmc\n\n# QMC integration using a Sobol sequence\nm = 20\nN = 2**m\n\nsampler = qmc.Sobol(d=1, scramble=False)\nsample = sampler.random_base2(m=m)\n\nx = qmc.scale(sample, [0], [np.pi]).ravel()\nintegrand = np.sin(x)\n\nqmc_estimate = np.pi * np.mean(integrand)\n\nprint(f\"QMC estimate: {qmc_estimate:.6f}\")\n<\/code><\/pre>\n<p>La secuencia SOBOL est\u00e1 dise\u00f1ada para cubrir el espacio multidimensional de manera uniforme. La ventaja es m\u00e1s visible para integrandos suaves en dimensiones bajas o moderadas.<\/p>\n<h3>cuasi-monte carlo aleatorizado<\/h3>\n<p>El QMC puro es determinista, lo que hace que la estimaci\u00f3n de errores probabil\u00edsticos sea m\u00e1s dif\u00edcil. El cuasi-monte carlo aleatorizado resuelve esto al codificar o cambiar secuencias de baja discrepancia.<\/p>\n<p>RQMC mantiene muchos beneficios de QMC al tiempo que permite intervalos de confianza. Esto lo hace atractivo para los flujos de trabajo de cuantificaci\u00f3n de incertidumbre de producci\u00f3n.<\/p>\n<h3>Muestreo de hipercubo estratificado y latino<\/h3>\n<p>El muestreo estratificado divide el dominio de entrada en subregiones y extrae muestras de cada regi\u00f3n. Esto asegura una mejor cobertura que el muestreo aleatorio puro.<\/p>\n<p>El muestreo de hipercubo latino utiliza una idea similar y se usa ampliamente para el an\u00e1lisis de sensibilidad global. Proporciona una mejor cobertura que Monte Carlo est\u00e1ndar con menos muestras en muchos casos pr\u00e1cticos.<\/p>\n<h2>Monte Carlo en Ciencia de Materiales y Simulaci\u00f3n<\/h2>\n<p>El ecosistema de Python para los m\u00e9todos de Monte Carlo en la computaci\u00f3n cient\u00edfica ha madurado significativamente. Las bibliotecas ahora cubren la simulaci\u00f3n molecular, el Monte Carlo cin\u00e9tico, la cuantificaci\u00f3n de la incertidumbre y los flujos de trabajo de muestreo.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Biblioteca<\/th>\n<th>Foco<\/th>\n<th>caracter\u00edstica clave<\/th>\n<\/tr>\n<tr>\n<td>Mosdef-gomc<\/td>\n<td>Simulaci\u00f3n molecular<\/td>\n<td>Interfaz Python para Monte Carlo cl\u00e1sico con motor GOMC<\/td>\n<\/tr>\n<tr>\n<td>MC-MC<\/td>\n<td>Simulaciones a escala at\u00f3mica<\/td>\n<td>Funcionalidad Monte Carlo para el entorno de simulaci\u00f3n at\u00f3mica<\/td>\n<\/tr>\n<tr>\n<td>KmCpy<\/td>\n<td>Monte Carlo cin\u00e9tico<\/td>\n<td>Monte Carlo sin rechazo sin rechazo con modelos de expansi\u00f3n de cluster<\/td>\n<\/tr>\n<tr>\n<td>py-MCD<\/td>\n<td>Din\u00e1mica molecular<\/td>\n<td>Capa de flujo de trabajo para h\u00edbrido Monte Carlo con aceleraci\u00f3n GPU<\/td>\n<\/tr>\n<tr>\n<td>dl_monte<\/td>\n<td>General Monte Carlo<\/td>\n<td>Monte Carlo multiprop\u00f3sito de c\u00f3digo abierto con muchos campos de fuerza<\/td>\n<\/tr>\n<tr>\n<td>M\u00f3naco<\/td>\n<td>Cuantificaci\u00f3n de incertidumbre<\/td>\n<td>Biblioteca de Python para el an\u00e1lisis de incertidumbre de Monte Carlo<\/td>\n<\/tr>\n<tr>\n<td>uqpy<\/td>\n<td>Cuantificaci\u00f3n de incertidumbre<\/td>\n<td>UQ completo con muestreo MC, LHS, SOBOL y de importancia<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Configuraci\u00f3n de un flujo de trabajo de Monte Carlo en Python<\/h2>\n<h3>Paso 1: Defina su modelo y entradas inciertas<\/h3>\n<p>Comience identificando qu\u00e9 entradas son inciertas y asign\u00e1ndoles distribuciones. No prefieras las distribuciones uniformes solo porque son f\u00e1ciles.<\/p>\n<p>Las propiedades del material, las condiciones de contorno y los estados iniciales pueden seguir distribuciones gaussianas, logar\u00edtmicas, normales, de Weibull o acotadas basadas en la incertidumbre de medici\u00f3n experimental.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\nn_samples = 100_000\n\n# Material properties with example distributions\nthermal_conductivity = np.random.normal(15.0, 2.0, n_samples)\ndensity = np.random.normal(7800, 150, n_samples)\nspecific_heat = np.random.normal(500, 30, n_samples)\n\n# Time-dependent or rate-like parameter\nreaction_rate = np.random.lognormal(0.5, 0.2, n_samples)\n<\/code><\/pre>\n<h3>Paso 2: Ejecute la simulaci\u00f3n de Monte Carlo<\/h3>\n<p>Para cada conjunto de muestras, eval\u00fae su modelo. En la ciencia de los materiales, esto puede ser un solucionador de ecuaci\u00f3n de calor, un modelo de campo de fase o una funci\u00f3n de predicci\u00f3n de propiedades.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef thermal_response(k, rho, cp, time):\n    \"\"\"Simplified thermal response model.\"\"\"\n    return k \/ (rho * cp) * np.sqrt(time)\n\noutputs = thermal_response(\n    thermal_conductivity,\n    density,\n    specific_heat,\n    time=100\n)\n\nmean_response = np.mean(outputs)\nstd_response = np.std(outputs)\nci_lower = np.percentile(outputs, 2.5)\nci_upper = np.percentile(outputs, 97.5)\n\nprint(f\"Mean response: {mean_response:.4f}\")\nprint(f\"Standard deviation: {std_response:.4f}\")\nprint(f\"95% CI: [{ci_lower:.4f}, {ci_upper:.4f}]\")\n<\/code><\/pre>\n<h3>Paso 3: Monitorea la convergencia<\/h3>\n<p>Seguimiento de la estimaci\u00f3n a medida que aumenta el n\u00famero de muestras. Una simulaci\u00f3n bien convergente deber\u00eda mostrar una media de ejecuci\u00f3n estabilizadora y un error est\u00e1ndar de estrechamiento.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nimport matplotlib.pyplot as plt\n\nconvergence_data = []\n\nfor n in [100, 500, 1000, 5000, 10000, 50000, 100000]:\n    partial = outputs[:n]\n    mean = np.mean(partial)\n    stderr = np.std(partial) \/ np.sqrt(n)\n    convergence_data.append((n, mean, stderr))\n\nn_values, means, stderrs = zip(*convergence_data)\n\nplt.errorbar(n_values, means, yerr=stderrs, marker=\"o\")\nplt.xscale(\"log\")\nplt.xlabel(\"Number of samples\")\nplt.ylabel(\"Running mean\")\nplt.title(\"Monte Carlo convergence monitoring\")\nplt.savefig(\"monte-carlo-convergence.svg\")\n<\/code><\/pre>\n<h2>Cu\u00e1ndo usar MC est\u00e1ndar vs QMC frente a muestreo estratificado<\/h2>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Gui\u00f3n<\/th>\n<th>M\u00e9todo recomendado<\/th>\n<th>Por qu\u00e9<\/th>\n<\/tr>\n<tr>\n<td>Incertidumbre de alta dimensi\u00f3n, como m\u00e1s de 10 dimensiones<\/td>\n<td>Monte Carlo est\u00e1ndar<\/td>\n<td>La ventaja de QMC puede degradarse, mientras que MC sigue siendo ampliamente confiable<\/td>\n<\/tr>\n<tr>\n<td>Integrando suave con dimensi\u00f3n moderada<\/td>\n<td>QMC con secuencias SOBOL<\/td>\n<td>Convergencia m\u00e1s r\u00e1pida y menos muestras para la misma precisi\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Integrando discontinuo o ruidoso<\/td>\n<td>Monte Carlo est\u00e1ndar<\/td>\n<td>La ventaja de QMC a menudo desaparece para funciones no suaves<\/td>\n<\/tr>\n<tr>\n<td>Necesita l\u00edmites de error y convergencia m\u00e1s r\u00e1pida<\/td>\n<td>QMC aleatorizado<\/td>\n<td>Conserva los beneficios de QMC al tiempo que permite la estimaci\u00f3n de errores probabil\u00edsticos<\/td>\n<\/tr>\n<tr>\n<td>An\u00e1lisis de sensibilidad global<\/td>\n<td>Muestreo de Hipercubo Latino<\/td>\n<td>Mejora la cobertura y apoya la reducci\u00f3n eficiente de la varianza<\/td>\n<\/tr>\n<tr>\n<td>Estricta reproducibilidad sin variaci\u00f3n aleatoria<\/td>\n<td>CC<\/td>\n<td>Las secuencias deterministas son reproducibles por construcci\u00f3n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Lo que recomendamos<\/h3>\n<p>Para la mayor\u00eda de los flujos de trabajo de ciencia de materiales y simulaci\u00f3n cient\u00edfica, el muestreo estratificado o el muestreo de hipercubo latino proporciona un buen equilibrio entre el rigor estad\u00edstico y la eficiencia computacional.<\/p>\n<p>Use QMC cuando la respuesta del modelo sea suave y la dimensionalidad sea moderada. Use QMC aleatorizado cuando necesite una estimaci\u00f3n de intervalo de confianza y de convergencia m\u00e1s r\u00e1pida.<\/p>\n<h2>Errores comunes y c\u00f3mo evitarlos<\/h2>\n<h3>1. Usar muy pocas muestras<\/h3>\n<p>El error m\u00e1s com\u00fan es ejecutar muy pocas muestras y tratar el resultado como definitivo. Siempre informe los intervalos de error y de confianza est\u00e1ndar con estimaciones puntuales. Supervise la convergencia con la media de ejecuci\u00f3n y el error est\u00e1ndar.<\/p>\n<h3>2. Supuestos de distribuci\u00f3n err\u00f3neos<\/h3>\n<p>No asigne distribuciones uniformes a cada par\u00e1metro de forma predeterminada. Use rangos de incertidumbre medidos cuando est\u00e9n disponibles. Una distribuci\u00f3n uniforme puede sobrestimar las colas, mientras que una distribuci\u00f3n normal puede tergiversar los par\u00e1metros acotados.<\/p>\n<h3>3. Ignorar la autocorrelaci\u00f3n<\/h3>\n<p>En Markov-Chain Monte Carlo o Kinetic Monte Carlo, se pueden correlacionar muestras sucesivas. La f\u00f3rmula de error est\u00e1ndar asume la independencia. Si las muestras est\u00e1n autocorrelacionadas, calcule el tama\u00f1o de muestra efectivo o el tiempo de autocorrelaci\u00f3n integrado antes de interpretar los resultados.<\/p>\n<h3>4. No documentar semillas aleatorias<\/h3>\n<p>La reproducibilidad requiere rastrear semillas aleatorias y configuraciones de generador de n\u00fameros aleatorios. Cualquier persona que reproduzca el flujo de trabajo deber\u00eda poder generar la misma secuencia de muestra cuando sea necesario.<\/p>\n<h2>Monitoreo de convergencia y detenci\u00f3n de reglas<\/h2>\n<p>Una simulaci\u00f3n de Monte Carlo se completa solo cuando la estimaci\u00f3n se ha estabilizado lo suficiente como para la decisi\u00f3n que debe tomar.<\/p>\n<p>Las reglas de parada comunes incluyen:<\/p>\n<ul>\n<li>Tama\u00f1o de muestra fijo. Elija <code>N<\/code> seg\u00fan el presupuesto computacional y la tolerancia al error de destino.<\/li>\n<li>Intervalo de confianza de ancho fijo. Detener cuando el ancho del intervalo de confianza cae por debajo de un umbral.<\/li>\n<li>criterio de convergencia. Detener cuando la media de ejecuci\u00f3n cambia menos que una tolerancia elegida entre lotes.<\/li>\n<\/ul>\n<p>La regla correcta depende de si su flujo de trabajo tiene un presupuesto dif\u00edcil o un requisito de precisi\u00f3n. En las canalizaciones de investigaci\u00f3n, los intervalos de confianza de ancho fijo suelen ser los m\u00e1s \u00fatiles.<\/p>\n<h2>Qu\u00e9 evitar<\/h2>\n<ul>\n<li>Ejecuci\u00f3n de simulaciones individuales sin cuantificar la incertidumbre. Eso no es Monte Carlo; Es solo una simulaci\u00f3n.<\/li>\n<li>Reportando una estimaci\u00f3n de Monte Carlo como un valor preciso. Incluya siempre la incertidumbre, como un intervalo de confianza o un error est\u00e1ndar.<\/li>\n<li>Uso de muestreo determinista de cuadr\u00edcula para espacios de par\u00e1metros de alta dimensi\u00f3n. Esto lleva a la maldici\u00f3n de la dimensionalidad.<\/li>\n<li>Ignorar la autocorrelaci\u00f3n en los flujos de trabajo MCMC o cin\u00e9ticos de Monte Carlo.<\/li>\n<li>Asumiendo la convergencia de una trama media en ejecuci\u00f3n. Compruebe tambi\u00e9n las tendencias de error est\u00e1ndar.<\/li>\n<\/ul>\n<h2>Resumen y pr\u00f3ximos pasos<\/h2>\n<p>Los m\u00e9todos de Monte Carlo son una herramienta central para la cuantificaci\u00f3n de la incertidumbre y el modelado probabil\u00edstico en la computaci\u00f3n cient\u00edfica. Proporcionan:<\/p>\n<ol>\n<li>Escalabilidad independiente de la dimensi\u00f3n para problemas de alta dimensi\u00f3n.<\/li>\n<li>Fundamento estad\u00edstico a trav\u00e9s de la ley de grandes n\u00fameros y teorema del l\u00edmite central.<\/li>\n<li>Estimaciones pr\u00e1cticas de incertidumbre a trav\u00e9s de intervalos de confianza.<\/li>\n<li>Estrategias de muestreo flexibles como MC est\u00e1ndar, QMC, LHS y RQMC.<\/li>\n<\/ol>\n<p>Si est\u00e1 comenzando con la simulaci\u00f3n de Monte Carlo, comience con Hipercubo latino o muestreo estratificado en Python. Use <code>numpy.random<\/code> o <code>scipy.stats.qmc<\/code> para los experimentos iniciales, luego pase a las bibliotecas UQ dedicadas a medida que sus modelos se vuelvan m\u00e1s complejos.<\/p>\n<h3>Pr\u00f3ximos pasos<\/h3>\n<ul>\n<li>Caracterizar entradas inciertas experimentalmente en lugar de adivinar distribuciones.<\/li>\n<li>Comience con 1000 muestras y verifique la convergencia, luego ampl\u00ede.<\/li>\n<li>Informe los intervalos de error y de confianza est\u00e1ndar con las estimaciones puntuales.<\/li>\n<li>Documentar semillas aleatorias y secuencias de muestreo para la reproducibilidad.<\/li>\n<\/ul>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para temas relacionados en flujos de trabajo de simulaci\u00f3n cient\u00edfica:<\/p>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">Verificaci\u00f3n y validaci\u00f3n para simulaciones PDE<\/a> \u2014 Marco de V&amp;v que incluye la cuantificaci\u00f3n de la incertidumbre.<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">de ecuaciones a simulaciones: la canalizaci\u00f3n de modelado<\/a> \u2014 Flujo de trabajo de simulaci\u00f3n de extremo a extremo desde ecuaciones hasta resultados validados.<\/li>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">Surrogadores de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas<\/a>: cu\u00e1ndo usar sustitutos frente al muestreo de Monte Carlo.<\/li>\n<li><a href=\"\/reproducible-research-workflows-docker-and-conda-for-simulation-projects\/\">Flujos de trabajo de investigaci\u00f3n reproducibles<\/a> \u2014 Pr\u00e1cticas de reproducibilidad para canalizaciones de simulaci\u00f3n.<\/li>\n<\/ul>\n<h2>referencias<\/h2>\n<ol>\n<li>Caflisch, R. E., &amp; Mosolova, N. (1998). <em>M\u00e9todos Monte Carlo y Cuasi-Monte Carlo<\/em>. Informe de CAM de UCLA.<\/li>\n<li>Oberkampf, W. L., &amp; Roy, C. J. (2010). <em>Verificaci\u00f3n y validaci\u00f3n en computaci\u00f3n cient\u00edfica<\/em>. Prensa de la Universidad de Cambridge.<\/li>\n<li>Sorokin, A. G. (2024). <em>un marco de Python para algoritmos cuasi-monte carlo<\/em>. Revista de software de c\u00f3digo abierto.<\/li>\n<li>Shambaugh, W. S., et al. (2022). <em>Monaco: una biblioteca de Monte Carlo para realizar an\u00e1lisis de incertidumbre<\/em>. Procedimientos cient\u00edficos.<\/li>\n<li>Tsapetis, D., et al. (2023). <em>UQPY V4.1: Cuantificaci\u00f3n de incertidumbre con Python<\/em>. Avances en Pron\u00f3sticos e Ingenier\u00eda de Confiabilidad.<\/li>\n<li>Tenn\u00f8e, S., et al. (2018). <em>UncertainPy: una caja de herramientas de Python para la cuantificaci\u00f3n de la incertidumbre y el an\u00e1lisis de sensibilidad<\/em>. Fronteras en Neuroinform\u00e1tica.<\/li>\n<li>Caso, G., et al. (2025). <em>M\u00e9todos de Monte Carlo para un mejor precio de derivados<\/em>. Preimpresi\u00f3n de Arxiv.<\/li>\n<li>Van Huffel, M. E. (2026). <em>Secuencias neuronales de baja discrepancia<\/em>. Revisi\u00f3n abierta.<\/li>\n<\/ol>\n<h2>\u00bfNecesita ayuda para implementar los m\u00e9todos de Monte Carlo para su simulaci\u00f3n?<\/h2>\n<p>Si est\u00e1 luchando con tuber\u00edas de cuantificaci\u00f3n de incertidumbre, estrategia de muestreo, monitoreo de convergencia o validaci\u00f3n de Monte Carlo, nuestro equipo puede ayudarlo. Nos especializamos en marcos de simulaci\u00f3n basados en Python y podemos guiarlo desde scripts de muestreo b\u00e1sico hasta flujos de trabajo de UQ de producci\u00f3n.<\/p>\n","protected":false,"raw":"<p>Los m\u00e9todos de Monte Carlo utilizan muestreos aleatorios para estimar los resultados de los problemas que son demasiado complejos para las soluciones anal\u00edticas. Al ejecutar miles o millones de ensayos simulados con entradas aleatorias, puede mapear el rango de comportamiento posible en un modelo cient\u00edfico.<\/p>\n<p>Estos m\u00e9todos son \u00fatiles para los l\u00edmites de incertidumbre, el an\u00e1lisis de sensibilidad, el modelado de materiales, la simulaci\u00f3n probabil\u00edstica y la integraci\u00f3n num\u00e9rica de alta dimensi\u00f3n.<\/p>\n<h2>Comida clave<\/h2>\n<ul>\n<li>Los m\u00e9todos de Monte Carlo reemplazan los c\u00e1lculos deterministas con un muestreo aleatorio repetido. Son \u00fatiles para integrales de alta dimensi\u00f3n, modelado probabil\u00edstico y cuantificaci\u00f3n de incertidumbre.<\/li>\n<li>El error est\u00e1ndar disminuye proporcionalmente a <code>1 \/ \u221aN<\/code>. Esto significa que necesita 100 veces m\u00e1s muestras para reducir el error 10 veces.<\/li>\n<li>Los m\u00e9todos cuasi-Monte Carlo utilizan puntos deterministas de baja discrepancia, como las secuencias SOBOL o HALTON, para mejorar la convergencia de integrando suaves.<\/li>\n<li>La pila cient\u00edfica de Python, que incluye Numpy, Scipy, QMCPY, Monaco y UQPY, admite el muestreo, el monitoreo de convergencia y el an\u00e1lisis de incertidumbre.<\/li>\n<\/ul>\n<h2>Respuesta r\u00e1pida: \u00bfQu\u00e9 son los m\u00e9todos de Monte Carlo?<\/h2>\n<p>Los m\u00e9todos de Monte Carlo son t\u00e9cnicas computacionales que estiman los resultados num\u00e9ricos mediante muestreo aleatorio repetido. En lugar de resolver una ecuaci\u00f3n compleja anal\u00edticamente, tomas muestras de entradas de distribuciones de probabilidad, ejecutas el modelo, recopilas la salida y repites.<\/p>\n<p>La distribuci\u00f3n de salida revela el rango de posibles comportamientos y la incertidumbre asociada con ellos.<\/p>\n<p>En la computaci\u00f3n cient\u00edfica, los m\u00e9todos de Monte Carlo son comunes cuando un modelo depende de entradas inciertas, cuando las redes deterministas se vuelven demasiado caras o cuando las ecuaciones subyacentes no tienen una soluci\u00f3n de forma cerrada.<\/p>\n<h2>Por qu\u00e9 importan los m\u00e9todos de Monte Carlo en la computaci\u00f3n cient\u00edfica<\/h2>\n<h3>El problema de la dimensionalidad<\/h3>\n<p>Los m\u00e9todos de cuadr\u00edcula deterministas escalan poco con la dimensi\u00f3n. Una cuadr\u00edcula con 100 puntos en cada una de las 10 dimensiones requiere aproximadamente <code>100\u00b9\u2070<\/code>, o <code>10\u00b2\u2070<\/code>, evaluaciones.<\/p>\n<p>Los m\u00e9todos de Monte Carlo evitan esta explosi\u00f3n en la red. Su tasa de convergencia es lenta, pero no depende directamente de la dimensi\u00f3n de la misma manera. Esto hace que Monte Carlo sea pr\u00e1ctico para la cuantificaci\u00f3n de incertidumbre de alta dimensi\u00f3n.<\/p>\n<h3>Cuando Monte Carlo supera los m\u00e9todos deterministas<\/h3>\n<p>Las redes deterministas sufren de la maldici\u00f3n de la dimensionalidad. Escala de m\u00e9todos de Monte Carlo como <code>O(N\u207b\u00b9\/\u00b2)<\/code>, que es independiente de la dimensi\u00f3n en la estimaci\u00f3n de convergencia est\u00e1ndar.<\/p>\n<p>Para problemas con muchos par\u00e1metros inciertos, como el an\u00e1lisis de sensibilidad en muchas propiedades del material o la integraci\u00f3n de alta dimensi\u00f3n, Monte Carlo puede ser la \u00fanica opci\u00f3n pr\u00e1ctica.<\/p>\n<h3>Malentendido com\u00fan<\/h3>\n<p>Un error com\u00fan es usar Monte Carlo para predecir un ensayo espec\u00edfico. Monte Carlo no te dice exactamente lo que suceder\u00e1 en un experimento. Le dice la distribuci\u00f3n de posibles resultados en muchas realizaciones.<\/p>\n<p>Usas esa distribuci\u00f3n para tomar decisiones. Por ejemplo, puede informar que existe un 5% de posibilidades de que una propiedad material caiga por debajo de un umbral.<\/p>\n<h2>C\u00f3mo funcionan los m\u00e9todos de Monte Carlo<\/h2>\n<h3>La ley de los grandes n\u00fameros<\/h3>\n<p>Los m\u00e9todos de Monte Carlo se basan en la ley de grandes n\u00fameros. Si <code>X\u2081, X\u2082, ..., X\u2099<\/code> son variables aleatorias independientes e id\u00e9nticamente distribuidas con la media <code>\u03bc<\/code>, entonces el promedio de la muestra converge con el valor esperado real a medida que crece el recuento de muestras.<\/p>\n<pre><code>X\u0304_N = (1 \/ N) \u03a3 X\u1d62 \u2192 \u03bc as N \u2192 \u221e\n<\/code><\/pre>\n<p>Esto garantiza que el promedio de la muestra se vuelve m\u00e1s confiable a medida que aumenta el n\u00famero de muestras.<\/p>\n<h3>El teorema del l\u00edmite central y los intervalos de confianza<\/h3>\n<p>El teorema del l\u00edmite central explica por qu\u00e9 el error de Monte Carlo a menudo se distribuye aproximadamente normalmente para grandes tama\u00f1os de muestra.<\/p>\n<pre><code>\u221aN(X\u0304_N - \u03bc) \u2192 Normal(0, \u03c3\u00b2)\n<\/code><\/pre>\n<p>Esto da el error est\u00e1ndar:<\/p>\n<pre><code>SE = \u03c3 \/ \u221aN\n<\/code><\/pre>\n<p>Un intervalo de confianza com\u00fan del 95% es:<\/p>\n<pre><code>X\u0304_N \u00b1 1.96 \u00d7 SE\n<\/code><\/pre>\n<p>La implicaci\u00f3n pr\u00e1ctica es importante. Para reducir el error de simulaci\u00f3n en 10 veces, por lo general necesita 100 veces m\u00e1s muestras.<\/p>\n<h2>M\u00e9todos de muestreo de Monte Carlo<\/h2>\n<h3>Monte Carlo est\u00e1ndar<\/h3>\n<p>El est\u00e1ndar Monte Carlo utiliza secuencias pseudoaleatorias para muestrear el dominio de entrada. Los generadores de n\u00fameros aleatorios de Numpy suelen ser suficientes para los flujos de trabajo iniciales.<\/p>\n<p>Ventajas:<\/p>\n<ul>\n<li>F\u00e1cil de implementar.<\/li>\n<li>El comportamiento de convergencia es bien entendido.<\/li>\n<li>\u00datil para la propagaci\u00f3n de la incertidumbre de alta dimensi\u00f3n.<\/li>\n<\/ul>\n<p>Limitaciones:<\/p>\n<ul>\n<li>La convergencia es lenta, con <code>O(N\u207b\u00b9\/\u00b2)<\/code> decaimiento de error.<\/li>\n<li>Las muestras aleatorias pueden agruparse y dejar lagunas.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\n\n# Simple Monte Carlo integration\nN = 1_000_000\n\nx = np.random.uniform(0, np.pi, N)\nintegrand = np.sin(x)\n\n# Integral over [0, pi] = interval length * average value\nmc_estimate = np.pi * np.mean(integrand)\nmc_std = np.pi * np.std(integrand) \/ np.sqrt(N)\n\nprint(f\"MC estimate: {mc_estimate:.6f} \u00b1 {1.96 * mc_std:.6f}\")\n<\/code><\/pre>\n<h3>Cuasi-Monte Carlo<\/h3>\n<p>Cuasi-Monte Carlo reemplaza los n\u00fameros pseudoaleatorios con secuencias deterministas de baja discrepancia. Estos puntos llenan el dominio de manera m\u00e1s uniforme que las muestras aleatorias.<\/p>\n<p>Las secuencias comunes incluyen las secuencias Sobol y Halton. Para integrandos suaves, QMC puede converger m\u00e1s r\u00e1pido que Monte Carlo est\u00e1ndar.<\/p>\n<p>Ventajas:<\/p>\n<ul>\n<li>Convergencia m\u00e1s r\u00e1pida para problemas dimensionales suaves a moderados.<\/li>\n<li>A menudo da estimaciones m\u00e1s precisas con menos muestras.<\/li>\n<li>Las secuencias deterministas mejoran la reproducibilidad.<\/li>\n<\/ul>\n<p>Limitaciones:<\/p>\n<ul>\n<li>Los beneficios disminuyen para integrandos discontinuos o ruidosos.<\/li>\n<li>El rendimiento puede degradarse en dimensiones muy altas.<\/li>\n<li>La estimaci\u00f3n de errores requiere QMC aleatorizado.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\nfrom scipy.stats import qmc\n\n# QMC integration using a Sobol sequence\nm = 20\nN = 2**m\n\nsampler = qmc.Sobol(d=1, scramble=False)\nsample = sampler.random_base2(m=m)\n\nx = qmc.scale(sample, [0], [np.pi]).ravel()\nintegrand = np.sin(x)\n\nqmc_estimate = np.pi * np.mean(integrand)\n\nprint(f\"QMC estimate: {qmc_estimate:.6f}\")\n<\/code><\/pre>\n<p>La secuencia SOBOL est\u00e1 dise\u00f1ada para cubrir el espacio multidimensional de manera uniforme. La ventaja es m\u00e1s visible para integrandos suaves en dimensiones bajas o moderadas.<\/p>\n<h3>cuasi-monte carlo aleatorizado<\/h3>\n<p>El QMC puro es determinista, lo que hace que la estimaci\u00f3n de errores probabil\u00edsticos sea m\u00e1s dif\u00edcil. El cuasi-monte carlo aleatorizado resuelve esto al codificar o cambiar secuencias de baja discrepancia.<\/p>\n<p>RQMC mantiene muchos beneficios de QMC al tiempo que permite intervalos de confianza. Esto lo hace atractivo para los flujos de trabajo de cuantificaci\u00f3n de incertidumbre de producci\u00f3n.<\/p>\n<h3>Muestreo de hipercubo estratificado y latino<\/h3>\n<p>El muestreo estratificado divide el dominio de entrada en subregiones y extrae muestras de cada regi\u00f3n. Esto asegura una mejor cobertura que el muestreo aleatorio puro.<\/p>\n<p>El muestreo de hipercubo latino utiliza una idea similar y se usa ampliamente para el an\u00e1lisis de sensibilidad global. Proporciona una mejor cobertura que Monte Carlo est\u00e1ndar con menos muestras en muchos casos pr\u00e1cticos.<\/p>\n<h2>Monte Carlo en Ciencia de Materiales y Simulaci\u00f3n<\/h2>\n<p>El ecosistema de Python para los m\u00e9todos de Monte Carlo en la computaci\u00f3n cient\u00edfica ha madurado significativamente. Las bibliotecas ahora cubren la simulaci\u00f3n molecular, el Monte Carlo cin\u00e9tico, la cuantificaci\u00f3n de la incertidumbre y los flujos de trabajo de muestreo.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Biblioteca<\/th>\n<th>Foco<\/th>\n<th>caracter\u00edstica clave<\/th>\n<\/tr>\n<tr>\n<td>Mosdef-gomc<\/td>\n<td>Simulaci\u00f3n molecular<\/td>\n<td>Interfaz Python para Monte Carlo cl\u00e1sico con motor GOMC<\/td>\n<\/tr>\n<tr>\n<td>MC-MC<\/td>\n<td>Simulaciones a escala at\u00f3mica<\/td>\n<td>Funcionalidad Monte Carlo para el entorno de simulaci\u00f3n at\u00f3mica<\/td>\n<\/tr>\n<tr>\n<td>KmCpy<\/td>\n<td>Monte Carlo cin\u00e9tico<\/td>\n<td>Monte Carlo sin rechazo sin rechazo con modelos de expansi\u00f3n de cluster<\/td>\n<\/tr>\n<tr>\n<td>py-MCD<\/td>\n<td>Din\u00e1mica molecular<\/td>\n<td>Capa de flujo de trabajo para h\u00edbrido Monte Carlo con aceleraci\u00f3n GPU<\/td>\n<\/tr>\n<tr>\n<td>dl_monte<\/td>\n<td>General Monte Carlo<\/td>\n<td>Monte Carlo multiprop\u00f3sito de c\u00f3digo abierto con muchos campos de fuerza<\/td>\n<\/tr>\n<tr>\n<td>M\u00f3naco<\/td>\n<td>Cuantificaci\u00f3n de incertidumbre<\/td>\n<td>Biblioteca de Python para el an\u00e1lisis de incertidumbre de Monte Carlo<\/td>\n<\/tr>\n<tr>\n<td>uqpy<\/td>\n<td>Cuantificaci\u00f3n de incertidumbre<\/td>\n<td>UQ completo con muestreo MC, LHS, SOBOL y de importancia<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h2>Configuraci\u00f3n de un flujo de trabajo de Monte Carlo en Python<\/h2>\n<h3>Paso 1: Defina su modelo y entradas inciertas<\/h3>\n<p>Comience identificando qu\u00e9 entradas son inciertas y asign\u00e1ndoles distribuciones. No prefieras las distribuciones uniformes solo porque son f\u00e1ciles.<\/p>\n<p>Las propiedades del material, las condiciones de contorno y los estados iniciales pueden seguir distribuciones gaussianas, logar\u00edtmicas, normales, de Weibull o acotadas basadas en la incertidumbre de medici\u00f3n experimental.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\nn_samples = 100_000\n\n# Material properties with example distributions\nthermal_conductivity = np.random.normal(15.0, 2.0, n_samples)\ndensity = np.random.normal(7800, 150, n_samples)\nspecific_heat = np.random.normal(500, 30, n_samples)\n\n# Time-dependent or rate-like parameter\nreaction_rate = np.random.lognormal(0.5, 0.2, n_samples)\n<\/code><\/pre>\n<h3>Paso 2: Ejecute la simulaci\u00f3n de Monte Carlo<\/h3>\n<p>Para cada conjunto de muestras, eval\u00fae su modelo. En la ciencia de los materiales, esto puede ser un solucionador de ecuaci\u00f3n de calor, un modelo de campo de fase o una funci\u00f3n de predicci\u00f3n de propiedades.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef thermal_response(k, rho, cp, time):\n    \"\"\"Simplified thermal response model.\"\"\"\n    return k \/ (rho * cp) * np.sqrt(time)\n\noutputs = thermal_response(\n    thermal_conductivity,\n    density,\n    specific_heat,\n    time=100\n)\n\nmean_response = np.mean(outputs)\nstd_response = np.std(outputs)\nci_lower = np.percentile(outputs, 2.5)\nci_upper = np.percentile(outputs, 97.5)\n\nprint(f\"Mean response: {mean_response:.4f}\")\nprint(f\"Standard deviation: {std_response:.4f}\")\nprint(f\"95% CI: [{ci_lower:.4f}, {ci_upper:.4f}]\")\n<\/code><\/pre>\n<h3>Paso 3: Monitorea la convergencia<\/h3>\n<p>Seguimiento de la estimaci\u00f3n a medida que aumenta el n\u00famero de muestras. Una simulaci\u00f3n bien convergente deber\u00eda mostrar una media de ejecuci\u00f3n estabilizadora y un error est\u00e1ndar de estrechamiento.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nimport matplotlib.pyplot as plt\n\nconvergence_data = []\n\nfor n in [100, 500, 1000, 5000, 10000, 50000, 100000]:\n    partial = outputs[:n]\n    mean = np.mean(partial)\n    stderr = np.std(partial) \/ np.sqrt(n)\n    convergence_data.append((n, mean, stderr))\n\nn_values, means, stderrs = zip(*convergence_data)\n\nplt.errorbar(n_values, means, yerr=stderrs, marker=\"o\")\nplt.xscale(\"log\")\nplt.xlabel(\"Number of samples\")\nplt.ylabel(\"Running mean\")\nplt.title(\"Monte Carlo convergence monitoring\")\nplt.savefig(\"monte-carlo-convergence.svg\")\n<\/code><\/pre>\n<h2>Cu\u00e1ndo usar MC est\u00e1ndar vs QMC frente a muestreo estratificado<\/h2>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Gui\u00f3n<\/th>\n<th>M\u00e9todo recomendado<\/th>\n<th>Por qu\u00e9<\/th>\n<\/tr>\n<tr>\n<td>Incertidumbre de alta dimensi\u00f3n, como m\u00e1s de 10 dimensiones<\/td>\n<td>Monte Carlo est\u00e1ndar<\/td>\n<td>La ventaja de QMC puede degradarse, mientras que MC sigue siendo ampliamente confiable<\/td>\n<\/tr>\n<tr>\n<td>Integrando suave con dimensi\u00f3n moderada<\/td>\n<td>QMC con secuencias SOBOL<\/td>\n<td>Convergencia m\u00e1s r\u00e1pida y menos muestras para la misma precisi\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Integrando discontinuo o ruidoso<\/td>\n<td>Monte Carlo est\u00e1ndar<\/td>\n<td>La ventaja de QMC a menudo desaparece para funciones no suaves<\/td>\n<\/tr>\n<tr>\n<td>Necesita l\u00edmites de error y convergencia m\u00e1s r\u00e1pida<\/td>\n<td>QMC aleatorizado<\/td>\n<td>Conserva los beneficios de QMC al tiempo que permite la estimaci\u00f3n de errores probabil\u00edsticos<\/td>\n<\/tr>\n<tr>\n<td>An\u00e1lisis de sensibilidad global<\/td>\n<td>Muestreo de Hipercubo Latino<\/td>\n<td>Mejora la cobertura y apoya la reducci\u00f3n eficiente de la varianza<\/td>\n<\/tr>\n<tr>\n<td>Estricta reproducibilidad sin variaci\u00f3n aleatoria<\/td>\n<td>CC<\/td>\n<td>Las secuencias deterministas son reproducibles por construcci\u00f3n<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h3>Lo que recomendamos<\/h3>\n<p>Para la mayor\u00eda de los flujos de trabajo de ciencia de materiales y simulaci\u00f3n cient\u00edfica, el muestreo estratificado o el muestreo de hipercubo latino proporciona un buen equilibrio entre el rigor estad\u00edstico y la eficiencia computacional.<\/p>\n<p>Use QMC cuando la respuesta del modelo sea suave y la dimensionalidad sea moderada. Use QMC aleatorizado cuando necesite una estimaci\u00f3n de intervalo de confianza y de convergencia m\u00e1s r\u00e1pida.<\/p>\n<h2>Errores comunes y c\u00f3mo evitarlos<\/h2>\n<h3>1. Usar muy pocas muestras<\/h3>\n<p>El error m\u00e1s com\u00fan es ejecutar muy pocas muestras y tratar el resultado como definitivo. Siempre informe los intervalos de error y de confianza est\u00e1ndar con estimaciones puntuales. Supervise la convergencia con la media de ejecuci\u00f3n y el error est\u00e1ndar.<\/p>\n<h3>2. Supuestos de distribuci\u00f3n err\u00f3neos<\/h3>\n<p>No asigne distribuciones uniformes a cada par\u00e1metro de forma predeterminada. Use rangos de incertidumbre medidos cuando est\u00e9n disponibles. Una distribuci\u00f3n uniforme puede sobrestimar las colas, mientras que una distribuci\u00f3n normal puede tergiversar los par\u00e1metros acotados.<\/p>\n<h3>3. Ignorar la autocorrelaci\u00f3n<\/h3>\n<p>En Markov-Chain Monte Carlo o Kinetic Monte Carlo, se pueden correlacionar muestras sucesivas. La f\u00f3rmula de error est\u00e1ndar asume la independencia. Si las muestras est\u00e1n autocorrelacionadas, calcule el tama\u00f1o de muestra efectivo o el tiempo de autocorrelaci\u00f3n integrado antes de interpretar los resultados.<\/p>\n<h3>4. No documentar semillas aleatorias<\/h3>\n<p>La reproducibilidad requiere rastrear semillas aleatorias y configuraciones de generador de n\u00fameros aleatorios. Cualquier persona que reproduzca el flujo de trabajo deber\u00eda poder generar la misma secuencia de muestra cuando sea necesario.<\/p>\n<h2>Monitoreo de convergencia y detenci\u00f3n de reglas<\/h2>\n<p>Una simulaci\u00f3n de Monte Carlo se completa solo cuando la estimaci\u00f3n se ha estabilizado lo suficiente como para la decisi\u00f3n que debe tomar.<\/p>\n<p>Las reglas de parada comunes incluyen:<\/p>\n<ul>\n<li>Tama\u00f1o de muestra fijo. Elija <code>N<\/code> seg\u00fan el presupuesto computacional y la tolerancia al error de destino.<\/li>\n<li>Intervalo de confianza de ancho fijo. Detener cuando el ancho del intervalo de confianza cae por debajo de un umbral.<\/li>\n<li>criterio de convergencia. Detener cuando la media de ejecuci\u00f3n cambia menos que una tolerancia elegida entre lotes.<\/li>\n<\/ul>\n<p>La regla correcta depende de si su flujo de trabajo tiene un presupuesto dif\u00edcil o un requisito de precisi\u00f3n. En las canalizaciones de investigaci\u00f3n, los intervalos de confianza de ancho fijo suelen ser los m\u00e1s \u00fatiles.<\/p>\n<h2>Qu\u00e9 evitar<\/h2>\n<ul>\n<li>Ejecuci\u00f3n de simulaciones individuales sin cuantificar la incertidumbre. Eso no es Monte Carlo; Es solo una simulaci\u00f3n.<\/li>\n<li>Reportando una estimaci\u00f3n de Monte Carlo como un valor preciso. Incluya siempre la incertidumbre, como un intervalo de confianza o un error est\u00e1ndar.<\/li>\n<li>Uso de muestreo determinista de cuadr\u00edcula para espacios de par\u00e1metros de alta dimensi\u00f3n. Esto lleva a la maldici\u00f3n de la dimensionalidad.<\/li>\n<li>Ignorar la autocorrelaci\u00f3n en los flujos de trabajo MCMC o cin\u00e9ticos de Monte Carlo.<\/li>\n<li>Asumiendo la convergencia de una trama media en ejecuci\u00f3n. Compruebe tambi\u00e9n las tendencias de error est\u00e1ndar.<\/li>\n<\/ul>\n<h2>Resumen y pr\u00f3ximos pasos<\/h2>\n<p>Los m\u00e9todos de Monte Carlo son una herramienta central para la cuantificaci\u00f3n de la incertidumbre y el modelado probabil\u00edstico en la computaci\u00f3n cient\u00edfica. Proporcionan:<\/p>\n<ol>\n<li>Escalabilidad independiente de la dimensi\u00f3n para problemas de alta dimensi\u00f3n.<\/li>\n<li>Fundamento estad\u00edstico a trav\u00e9s de la ley de grandes n\u00fameros y teorema del l\u00edmite central.<\/li>\n<li>Estimaciones pr\u00e1cticas de incertidumbre a trav\u00e9s de intervalos de confianza.<\/li>\n<li>Estrategias de muestreo flexibles como MC est\u00e1ndar, QMC, LHS y RQMC.<\/li>\n<\/ol>\n<p>Si est\u00e1 comenzando con la simulaci\u00f3n de Monte Carlo, comience con Hipercubo latino o muestreo estratificado en Python. Use <code>numpy.random<\/code> o <code>scipy.stats.qmc<\/code> para los experimentos iniciales, luego pase a las bibliotecas UQ dedicadas a medida que sus modelos se vuelvan m\u00e1s complejos.<\/p>\n<h3>Pr\u00f3ximos pasos<\/h3>\n<ul>\n<li>Caracterizar entradas inciertas experimentalmente en lugar de adivinar distribuciones.<\/li>\n<li>Comience con 1000 muestras y verifique la convergencia, luego ampl\u00ede.<\/li>\n<li>Informe los intervalos de error y de confianza est\u00e1ndar con las estimaciones puntuales.<\/li>\n<li>Documentar semillas aleatorias y secuencias de muestreo para la reproducibilidad.<\/li>\n<\/ul>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para temas relacionados en flujos de trabajo de simulaci\u00f3n cient\u00edfica:<\/p>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">Verificaci\u00f3n y validaci\u00f3n para simulaciones PDE<\/a> \u2014 Marco de V&amp;v que incluye la cuantificaci\u00f3n de la incertidumbre.<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">de ecuaciones a simulaciones: la canalizaci\u00f3n de modelado<\/a> \u2014 Flujo de trabajo de simulaci\u00f3n de extremo a extremo desde ecuaciones hasta resultados validados.<\/li>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">Surrogadores de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas<\/a>: cu\u00e1ndo usar sustitutos frente al muestreo de Monte Carlo.<\/li>\n<li><a href=\"\/reproducible-research-workflows-docker-and-conda-for-simulation-projects\/\">Flujos de trabajo de investigaci\u00f3n reproducibles<\/a> \u2014 Pr\u00e1cticas de reproducibilidad para canalizaciones de simulaci\u00f3n.<\/li>\n<\/ul>\n<h2>referencias<\/h2>\n<ol>\n<li>Caflisch, R. E., &amp; Mosolova, N. (1998). <em>M\u00e9todos Monte Carlo y Cuasi-Monte Carlo<\/em>. Informe de CAM de UCLA.<\/li>\n<li>Oberkampf, W. L., &amp; Roy, C. J. (2010). <em>Verificaci\u00f3n y validaci\u00f3n en computaci\u00f3n cient\u00edfica<\/em>. Prensa de la Universidad de Cambridge.<\/li>\n<li>Sorokin, A. G. (2024). <em>un marco de Python para algoritmos cuasi-monte carlo<\/em>. Revista de software de c\u00f3digo abierto.<\/li>\n<li>Shambaugh, W. S., et al. (2022). <em>Monaco: una biblioteca de Monte Carlo para realizar an\u00e1lisis de incertidumbre<\/em>. Procedimientos cient\u00edficos.<\/li>\n<li>Tsapetis, D., et al. (2023). <em>UQPY V4.1: Cuantificaci\u00f3n de incertidumbre con Python<\/em>. Avances en Pron\u00f3sticos e Ingenier\u00eda de Confiabilidad.<\/li>\n<li>Tenn\u00f8e, S., et al. (2018). <em>UncertainPy: una caja de herramientas de Python para la cuantificaci\u00f3n de la incertidumbre y el an\u00e1lisis de sensibilidad<\/em>. Fronteras en Neuroinform\u00e1tica.<\/li>\n<li>Caso, G., et al. (2025). <em>M\u00e9todos de Monte Carlo para un mejor precio de derivados<\/em>. Preimpresi\u00f3n de Arxiv.<\/li>\n<li>Van Huffel, M. E. (2026). <em>Secuencias neuronales de baja discrepancia<\/em>. Revisi\u00f3n abierta.<\/li>\n<\/ol>\n<h2>\u00bfNecesita ayuda para implementar los m\u00e9todos de Monte Carlo para su simulaci\u00f3n?<\/h2>\n<p>Si est\u00e1 luchando con tuber\u00edas de cuantificaci\u00f3n de incertidumbre, estrategia de muestreo, monitoreo de convergencia o validaci\u00f3n de Monte Carlo, nuestro equipo puede ayudarlo. Nos especializamos en marcos de simulaci\u00f3n basados en Python y podemos guiarlo desde scripts de muestreo b\u00e1sico hasta flujos de trabajo de UQ de producci\u00f3n.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 9<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Los m\u00e9todos de Monte Carlo utilizan muestreos aleatorios para estimar los resultados de los problemas que son demasiado complejos para las soluciones anal\u00edticas. Al ejecutar miles o millones de ensayos simulados con entradas aleatorias, puede mapear el rango de comportamiento posible en un modelo cient\u00edfico. Estos m\u00e9todos son \u00fatiles para los l\u00edmites de incertidumbre, el [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"es_ES","_original_post":"https:\/\/matforge.org\/?p=345","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-557","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","es-ES"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>M\u00e9todos de Monte Carlo para simulaciones<\/title>\n<meta name=\"description\" content=\"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"M\u00e9todos de Monte Carlo para simulaciones\" \/>\n<meta property=\"og:description\" content=\"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-22T08:17:36+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"14 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python\",\"datePublished\":\"2026-07-22T08:17:36+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/\"},\"wordCount\":2574,\"commentCount\":0,\"articleSection\":[\"Simulaci\u00f3n &amp; Proyectos de modelado\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/\",\"name\":\"M\u00e9todos de Monte Carlo para simulaciones\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-22T08:17:36+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/monte-carlo-methods-for-scientific-simulations\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"M\u00e9todos de Monte Carlo para simulaciones","description":"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/","og_locale":"es_ES","og_type":"article","og_title":"M\u00e9todos de Monte Carlo para simulaciones","og_description":"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.","og_url":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/","og_site_name":"matforge.org","article_published_time":"2026-07-22T08:17:36+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Elena Markovska","Tiempo de lectura":"14 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python","datePublished":"2026-07-22T08:17:36+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/"},"wordCount":2574,"commentCount":0,"articleSection":["Simulaci\u00f3n &amp; Proyectos de modelado"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/","url":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/","name":"M\u00e9todos de Monte Carlo para simulaciones","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-22T08:17:36+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"Aprenda los m\u00e9todos de Monte Carlo para simulaciones cient\u00edficas, incluidos ejemplos de MC, QMC, RQMC, muestreo de hipercubo latino, convergencia y Python.","breadcrumb":{"@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/es\/monte-carlo-methods-for-scientific-simulations\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/es\/"},{"@type":"ListItem","position":2,"name":"M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/557","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=557"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/557\/revisions"}],"predecessor-version":[{"id":732,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/557\/revisions\/732"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=557"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=557"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=557"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}