La estimación de amplitud cuántica (QAE) es un algoritmo que calcula una probabilidad escondida en un estado cuántico de forma cuadráticamente más rápida que el método clásico equivalente. Su aplicación más prometedora está en las finanzas: acelerar las simulaciones de Monte Carlo que los bancos usan para valorar productos y medir riesgos. Combina dos piezas que ya conoces —la amplificación de amplitud de Grover y la estimación de fase— en una sola herramienta muy potente.
📋 Resumen rápido: muchos problemas se reducen a estimar una probabilidad: ¿qué posibilidad hay de que ocurra cierto suceso? El método clásico, el muestreo de Monte Carlo, obtiene la respuesta lanzando el experimento muchísimas veces y contando; para duplicar la precisión necesita cuadruplicar las muestras. La QAE consigue la misma precisión con muchas menos operaciones: donde Monte Carlo necesita un millón de pruebas, la QAE necesita del orden de mil. No es una aceleración exponencial como la de Shor, pero en problemas donde se lanzan miles de millones de simulaciones, una mejora cuadrática vale oro.
Última actualización: julio de 2026.
Qué es la estimación de amplitud cuántica
Imagina un estado cuántico preparado de forma que una de sus posibilidades —la que llamamos «el caso favorable»— tiene cierta amplitud. La probabilidad de observar ese caso al medir es el cuadrado de esa amplitud. La estimación de amplitud cuántica es el procedimiento que averigua ese número, esa probabilidad, con precisión y de manera eficiente, sin tener que medir el estado un número enorme de veces.
La gracia está en el «de manera eficiente». La forma ingenua de estimar una probabilidad es preparar el estado, medir, repetir miles de veces y calcular la proporción de casos favorables. Eso es, esencialmente, lo que hace un ordenador clásico. La QAE sustituye esa fuerza bruta por un truco cuántico que extrae la misma información con muchas menos repeticiones, aprovechando la interferencia y la estructura de la amplificación de amplitud.
El problema: estimar una probabilidad escondida
Este tipo de problema aparece por todas partes. En finanzas, el «caso favorable» puede ser que una cartera pierda más de cierta cantidad, y su probabilidad es una medida de riesgo. En ingeniería, puede ser que un sistema falle bajo ciertas condiciones. En física, la probabilidad de que una partícula acabe en determinada región. En todos estos casos, lo que se busca es un número —una probabilidad o un promedio— que resume el comportamiento de un sistema con muchísimas variables aleatorias.
Cuando el sistema es complejo, no hay una fórmula cerrada para ese número: hay que estimarlo simulando. Y ahí es donde el coste se dispara, porque una buena estimación exige un número gigantesco de simulaciones. La QAE ataca precisamente ese cuello de botella.
Monte Carlo clásico: potente pero lento
El método de Monte Carlo es una de las herramientas más usadas de la computación científica. Su idea es simple y robusta: para estimar una probabilidad o un promedio, se simula el sistema al azar muchas veces y se promedian los resultados. Cuantas más simulaciones, más precisa la estimación. Es fiable, general y fácil de programar, y por eso domina campos como las finanzas cuantitativas, la física de partículas o la ingeniería de fiabilidad.
Su talón de Aquiles es la velocidad de convergencia. El error de una estimación de Monte Carlo disminuye solo con la raíz cuadrada del número de muestras. En términos prácticos: para reducir el error a la mitad hay que cuadruplicar el número de simulaciones; para una cifra más de precisión, multiplicarlas por cien. Cuando cada simulación es costosa y se necesita mucha precisión —como al valorar un derivado financiero complejo o calcular el riesgo de una gran cartera—, ese coste se vuelve prohibitivo. Los bancos dedican granjas enteras de servidores a este tipo de cálculos.
La aceleración cuadrática cuántica
Aquí entra la ventaja de la QAE. Mientras que el error clásico mejora con la raíz cuadrada del esfuerzo, el error de la estimación de amplitud cuántica mejora de forma directamente proporcional al esfuerzo. Traducido: para alcanzar una precisión dada, la QAE necesita aproximadamente la raíz cuadrada del número de operaciones que necesitaría Monte Carlo. Si el método clásico requiere un millón de simulaciones, la versión cuántica necesita del orden de mil pasos; si el clásico requiere un billón, la cuántica se acerca al millón.
Es importante situar esta ventaja en su justa medida. No es la aceleración exponencial del algoritmo de Shor, que convierte lo imposible en posible. Es una aceleración cuadrática, del mismo tipo que la del algoritmo de Grover. Pero en problemas que hoy consumen ingentes recursos de cálculo, pasar de un billón a un millón de operaciones puede ser la diferencia entre un cálculo que tarda semanas y uno que tarda minutos. En finanzas, donde el tiempo es literalmente dinero, esa mejora tiene un valor enorme.
Cómo funciona: amplificación de amplitud más estimación de fase
La QAE es un ejemplo elegante de cómo se combinan piezas cuánticas ya conocidas. Se apoya en dos ingredientes:
- La amplificación de amplitud, el mecanismo del algoritmo de Grover, que sabe «girar» un estado para aumentar la amplitud del caso favorable. Ese giro se produce a un ritmo que depende directamente de la probabilidad que queremos estimar.
- La estimación de fase cuántica, que sabe medir con precisión el ángulo de una rotación cuántica.
La idea es esta: el operador de amplificación de Grover gira el estado un ángulo que está determinado por la probabilidad buscada. Si se aplica la estimación de fase a ese operador, se mide ese ángulo, y de él se despeja la probabilidad. En resumen: Grover convierte la probabilidad en un ángulo de rotación, y la estimación de fase lee ese ángulo. La transformada de Fourier cuántica, corazón de la estimación de fase, hace el trabajo final de traducir el ángulo en un número. Es una hermosa muestra de cómo las subrutinas cuánticas se ensamblan como piezas de Lego.
El papel del operador de Grover
Merece la pena detenerse en por qué funciona. El operador de Grover, al aplicarse repetidamente, hace que el estado oscile entre «poca amplitud en el caso favorable» y «mucha amplitud», con una frecuencia que codifica exactamente la probabilidad que buscamos. Es como un péndulo cuyo ritmo de oscilación nos dice la magnitud que queremos medir. La estimación de fase es, en este contexto, el cronómetro de precisión que mide ese ritmo. Cuantas más «vueltas» del operador de Grover podamos encadenar de forma coherente, más fina será la medida de la probabilidad. Ahí reside la ventaja cuadrática: cada aplicación adicional del operador aporta información, en lugar de ser una simple repetición estadística como en Monte Carlo.
La aplicación estrella: las finanzas cuánticas
Si un sector ha puesto los ojos en la QAE, es el financiero. Los bancos y gestoras usan intensivamente el método de Monte Carlo para tres tareas donde la QAE promete acelerar los cálculos:
- Valoración de derivados: calcular el precio justo de opciones y productos estructurados, que a menudo no tienen fórmula cerrada y exigen simular miles de escenarios de mercado.
- Análisis de riesgo: estimar medidas como el valor en riesgo (VaR), que responde a «¿cuánto puedo llegar a perder con cierta probabilidad?», un cálculo central para la regulación y la gestión de carteras.
- Riesgo de crédito: modelar la probabilidad de impago de conjuntos de préstamos.
En todos estos casos, la precisión cuesta cara en tiempo de cálculo, y una aceleración cuadrática podría traducirse en resultados más rápidos o en modelos más detallados con el mismo presupuesto. Varias entidades financieras y fabricantes de hardware cuántico han publicado pruebas de concepto valorando opciones y estimando riesgos con QAE en procesadores reales, aunque todavía a pequeña escala. Es uno de los casos de uso comerciales de la computación cuántica que más interés y financiación atrae.
Más allá de las finanzas
Aunque las finanzas acaparen los titulares, la QAE es una herramienta general para cualquier problema que se resuelva por Monte Carlo:
- Integración numérica: calcular áreas y volúmenes en muchas dimensiones, un problema omnipresente en física e ingeniería.
- Aprendizaje automático: estimar promedios y valores esperados en ciertos modelos probabilísticos.
- Fiabilidad e ingeniería: estimar probabilidades de fallo de sistemas complejos.
- Física estadística: calcular propiedades de sistemas con muchísimos grados de libertad.
Allí donde hoy se lanzan millones de simulaciones aleatorias para estimar un número, la QAE ofrece, en teoría, una ruta más eficiente.
Variantes sin estimación de fase
La versión original de la QAE tiene un inconveniente práctico: la estimación de fase exige circuitos profundos, difíciles de ejecutar en el hardware ruidoso actual. Por eso, en los últimos años, se han desarrollado variantes que estiman la amplitud sin recurrir a la estimación de fase completa. En su lugar, aplican el operador de Grover un número variable de veces y deducen la probabilidad combinando los resultados con métodos estadísticos clásicos, como la máxima verosimilitud o esquemas iterativos.
Estas versiones —conocidas por siglas como IQAE o MLQAE— conservan buena parte de la ventaja cuadrática pero con circuitos mucho más cortos, lo que las acerca a lo ejecutable en procesadores de la era actual. Representan un ejemplo claro de cómo la investigación adapta los algoritmos ideales a las limitaciones del hardware real, sacrificando algo de elegancia teórica a cambio de viabilidad práctica. Son, hoy, la vía más realista para experimentar con estimación de amplitud en dispositivos reales.
Limitaciones y realismo
Conviene ser honesto sobre los límites. Primero, la ventaja es cuadrática, no exponencial: no convierte problemas imposibles en posibles, solo acelera problemas que ya se pueden resolver. Segundo, y crucial, la QAE necesita un ingrediente que a menudo se pasa por alto: un circuito eficiente que prepare el estado inicial codificando la distribución de probabilidad del problema. Si preparar ese estado es costoso, el coste de la preparación puede comerse buena parte de la ventaja cuadrática. En muchos problemas reales, cargar los datos o la distribución en el ordenador cuántico es, precisamente, la parte difícil.
Tercero, la versión más potente exige corrección de errores y circuitos profundos, propios de una era de hardware que aún no ha llegado; las variantes NISQ mitigan esto pero con menos ventaja. Por todo ello, la QAE se ve hoy como una promesa seria y bien fundamentada a medio plazo, más que como una herramienta lista para producción. Su aceleración es real y demostrada en teoría; su despliegue rentable a gran escala depende de que madure el hardware y de que se resuelva el reto de la preparación de estados.
Implementar la QAE en Qiskit
Los SDK cuánticos ofrecen la estimación de amplitud, incluidas sus variantes modernas, como bloques de alto nivel. El esquema conceptual es:
from qiskit.circuit import QuantumCircuit
# 1) Operador A: prepara el estado que codifica la probabilidad a estimar
A = QuantumCircuit(1)
# ... construir A segun el problema (la distribucion) ...
# 2) Definir el "caso favorable" (que estado se considera exito)
# 3) Aplicar estimacion de amplitud (version iterativa, apta para NISQ)
# - repite el operador de Grover un numero variable de veces
# - infiere la probabilidad con estadistica clasica
# Las librerias de algoritmos cuanticos incluyen rutinas listas
# como IterativeAmplitudeEstimation para este flujo.
La parte que exige criterio no es llamar a la rutina, sino diseñar el operador que prepara el estado con la distribución correcta: ahí se concentra la dificultad real de aplicar la QAE a un problema concreto. Empezar con distribuciones sencillas y comparar el resultado con un cálculo clásico es la mejor forma de entender el algoritmo antes de abordar casos complejos.
Una analogía: la moneda trucada
Para captar la ventaja sin ecuaciones, piensa en una moneda ligeramente trucada de la que quieres conocer con precisión su sesgo: qué porcentaje exacto de las veces sale cara. La forma clásica es lanzarla muchísimas veces y contar. Para afinar un decimal más en tu estimación, tienes que multiplicar por cien el número de lanzamientos: la precisión sale carísima. La estimación de amplitud cuántica sería como disponer de un método que, en lugar de lanzar la moneda una y otra vez de forma independiente, «acumula» información sobre el sesgo en cada operación, de modo que unas pocas decenas de pasos dan la misma precisión que miles de lanzamientos clásicos. La moneda es el caso favorable, su sesgo es la probabilidad buscada, y la QAE es ese método que exprime más información de cada paso.
Estado del arte y camino por delante
La estimación de amplitud es uno de los algoritmos cuánticos con una hoja de ruta comercial más definida, precisamente porque ataca un cálculo —Monte Carlo— que las empresas ya realizan a diario y por el que pagan mucho. Los avances recientes se han centrado en dos frentes: reducir la profundidad de los circuitos con las variantes sin estimación de fase, para poder ejecutar demostraciones en el hardware actual, y estudiar cómo preparar de forma eficiente los estados que codifican distribuciones realistas, que es el verdadero cuello de botella. El consenso entre los especialistas es prudente pero optimista: la ventaja teórica es sólida y está demostrada, y a medida que el hardware gane en número de qubits y en fidelidad, la estimación de amplitud es una de las primeras candidatas a ofrecer un beneficio tangible en un problema industrial concreto. No promete milagros inmediatos, pero sí una de las rutas más creíbles hacia una utilidad práctica de la computación cuántica.
Preguntas frecuentes
¿Qué hace la estimación de amplitud cuántica?
Calcula una probabilidad escondida en un estado cuántico —el cuadrado de una amplitud— de forma cuadráticamente más eficiente que el muestreo clásico de Monte Carlo.
¿Cuánto más rápida es que el método de Monte Carlo?
Necesita aproximadamente la raíz cuadrada de las operaciones que requiere Monte Carlo para la misma precisión. Es una aceleración cuadrática, no exponencial.
¿Para qué se usa en finanzas?
Para acelerar la valoración de derivados y el cálculo de medidas de riesgo como el valor en riesgo (VaR), que hoy se estiman con simulaciones de Monte Carlo muy costosas.
¿Qué relación tiene con Grover y con la estimación de fase?
Combina ambos: el operador de Grover convierte la probabilidad buscada en un ángulo de rotación, y la estimación de fase mide ese ángulo para despejar la probabilidad.
¿Se puede ejecutar en los ordenadores cuánticos actuales?
La versión original exige circuitos profundos poco viables hoy. Existen variantes sin estimación de fase (IQAE, MLQAE) con circuitos más cortos, aptas para el hardware actual a pequeña escala.
¿Cuál es su principal limitación?
Preparar el estado inicial que codifica la distribución del problema puede ser costoso y comerse parte de la ventaja. Además, la aceleración es cuadrática, no exponencial.
⚠️ Aviso: contenido divulgativo con fines educativos. No constituye asesoramiento financiero ni de inversión. Para decisiones económicas, consulta con profesionales cualificados.