Unidad II Métodos de Montecarlo 2.1 Definición

UNIVERSIDAD AUTNOMA DE TAMAULIPAS
UNIDAD ACADMICA MULTIDISCIPLINARIA REYNOSA-RODHE

SIMULACIN DE SISTEMAS SIMULACIN DE SISTEMAS SIMULACIN DE SISTEMAS SIMULACIN DE SISTEMAS

Pag 2-1 Gustavo Len 2013
UNIDAD
II
MTODOS DE MONTECARLO
2.1 Definicin
Los mtodos de Montecarlo abarcan una coleccin de tcnicas que permiten obtener
soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En
la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados
con nmeros aleatorios.
Bajo el nombre de Mtodo Montecarlo o Simulacin Montecarlo se agrupan una serie de
procedimientos que analizan distribuciones de variables aleatorias usando simulacin de
nmeros aleatorios.
2.2 Historia
La invencin del mtodo de Montecarlo se asigna a Stan Ulam y a John von Neumann. Ulam
ha explicado cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en
1946. Advirti que resultaba mucho ms simple tener una idea del resultado general del
solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los
resultados que calcular todas las posibilidades de combinacin formalmente. Se le ocurri que
esta misma observacin podra aplicarse a su trabajo en Los lamos sobre difusin de
neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-
diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar
con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por
casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y
totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico. Dado de la
naturaleza de azar que esto representaba fue relacionado con la capital de los juegos de azar
que en aquella poca era Montecarlo, un casino de Mnaco (Hoy probablemente se les
bautizara con el nombre de Mtodos de Las Vegas)

2.2 Cobertura
El Mtodo de Montecarlo da solucin a una gran variedad de problemas matemticos haciendo
experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a
cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en estadstica
los modelos aleatorios se usan para simular fenmenos que poseen algn componente
aleatorio. Pero en el mtodo Montecarlo, por otro lado, el objeto de la investigacin es el objeto
en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo.
A veces la aplicacin del mtodo Montecarlo se usa para analizar problemas que no tienen un
componente aleatorio explcito; en estos casos un parmetro determinista del problema se
expresa como una distribucin aleatoria y se simula dicha distribucin. La simulacin de


Montecarlo tambin fue creada para resolver integrales que no se pueden resolver por mtodos
analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se
utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con
distribuciones de probabilidad conocidas, el cual es usado para resolver ciertos problemas
estocsticos y determinsticos, donde el tiempo no juega un papel importante.
2.3 Aplicaciones
Flujos de Trfico
Pronstico de comportamiento de Acciones de Bolsa de Valores
Exploracin de yacimientos y minas
Evolucin de mantos estelares
Diseo de reactores nucleares
Comportamiento de nanoestructuras
Estudios de reproduccin de clulas cancergenas
Procesamiento/Generacin de Imgenes por computadora
Comportamiento de ambientes contaminados

2.4 Proposicin formal
El mtodo de Montecarlo est basado en la generacin de mltiples pruebas para determinar el
valor esperado de una variable aleatoria. El mtodo est basado

Si X es una variable aleatoria y definimos su valor esperado como A = E[X]. Si podemos
generar n variables aleatorias independientes X
1
, X
2
, X
n
con una distribucin uniforme,
entonces podemos decir que

En donde



2.5 La variable aleatoria
Se denomina variable aleatoria, a una variable X que puede
tomar un conjunto de valores {x
0
, x
1
, x
2
, ... x
n-1
}, con
probabilidades {p
0
, p
1
, p
2
, ... p
n-1
}. Por ejemplo, en la
experiencia de lanzar monedas, los posibles resultados son
{cara, cruz}, y sus probabilidades son {1/2, 1/2}.
En la experiencia de lanzar dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y
sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.

2.6 Ejercicios prcticos de los
Mtodos de Montecarlo
A continuacin se plantean diversos problemas
resueltos utilizando Excel.
Nota: EN caso de que aparezca un mensaje
#VALUE! Instalar el Analysis ToolPak desde el
men de ToolsAdd-Ins y presionar la tecla de
funcin F9 despues de instalar el ToolPak
En el caso de versiones de Office 2010 y posteriores utilizar FileOptionsAdd-Ins


2.6.1 Generador de nmeros aleatorios
2.6.1.1 Aleatorio RAND()
Devuelve un nmero aleatorio entre 0 y 1.
Sintxis: RAND()
2.6.1.2 Listas de Nmeros Aleatorios
Abra una hoja de Excel.
En la columna A generar una lista de 100 nmeros utilizando la funcin RAND().
Ingrese la funcin en la celda A2 y copie 99 celdas hacia abajo hasta la celda A101
Introduzca Los encabezados mostrados en la figura de abajo en el rengln 1 y observe
que pasa con los nmeros aleatorios (cambian despus de cada enter). Observe qu
pasa al presionar la tecla de funcin F9.
En la columna C (Encabezado X) genere valores secuenciales del 1al 100. En Y1
genere una secuencia de rango de .01 a 1 y en Y2, Y3 y Y4, copie valores fijos de la
columna A a D,E,F y G. y sortearlos ascendentemente de manera independiente para
hacer una comparacin de linealidad.
Comprelos grficamente


2.6.1.3 Listas de nmeros aleatorios en rangos especificados
Utilizando la funcin =RAND()
Genere una lista de 1000 valores cuyos valores caigan en los siguientes rangos
o Valores continuos min=0 max=100
o Valores discretos min=1 max=6
o Valores continuos min=-1 max=1
o Valores binarios 0 y 1
2.6.1.4 Listas de nmeros aleatorios en rangos especificados
Utilizando la funcin =RANDBETWEEN()
o Valores continuos min=0 max=100
o Valores discretos min=1 max=6
o Valores continuos min=-1 max=1
o Valores binarios 0 y 1
2.6.2 Lanzamiento de una moneda
2.6.2.1 Planteamiento
Utilizando un generador de nmero aleatorios en Excel
determine la probabilidad de que al lanzar una moneda, esta
caiga de una sola cara (digamos Sol), para 10, 100, 1000 y
10000 lanzamientos (volados). Genere una grfica que muestre
la tendencia de la probabilidad.



2.6.2.2 Solucin

2.6.3 Variantes de Probabilidad
2.6.3.1 Dos Soles
Calcular la probabilidad de que una sola cara (digamos Sol), cara caiga dos veces consecutivas
10, 100, 1000 y 10000 lanzamientos (volados).



2.6.3.2 Tres Soles
Calcular la probabilidad de que una sola cara (digamos Sol), cara caiga tres veces
consecutivas 10, 100, 1000 y 10000 lanzamientos (volados).



Unidad II Métodos de Montecarlo 2.1 Definición

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad II Métodos de Montecarlo 2.1 Definición

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTNOMA DE TAMAULIPAS

UNIDAD ACADMICA MULTIDISCIPLINARIA REYNOSA-RODHE

También podría gustarte