Está en la página 1de 5

Definicion:

La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la


estadística y los ordenadores para imitar, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulación de eventos discretos o bien a la simulación de sistemas
continuos).

El concepto básico de este método parte de la probabilidad, debido a que plantea


conocer la probabilidad de ocurrencia de un evento, que se obtiene realizando el
experimento un número suficiente de veces y determinando la variable aleatoria
dependiente como una función de densidad de los resultados obtenidos en los
“experimentos” realizados (Crespo,2002).

Caracteristicas

http://unimeta-simulacion-alejandra-meneses.blogspot.com/2012/08/metodo-origen
-el-de-montecarlo-un-no.html

https://jaimesotou.files.wordpress.com/2011/05/metodo-montecarlo-03.pdf

(checa los links)

El método de Montecarlo tiene como características ventajas y desventajas.

Una ventaja de la simulación de Montecarlo seria sobre los resultados probabilísticos y


gráficos ya que, con los probabilísticos muestran lo que puede suceder y que tan
probable es que suceda un resultado, con los gráficos cuando los datos son
generados por Montecarlo se hace fácil crear gráficas para observar cuales son las
posibilidades de que algo suceda.

Otras ventajas que se puede mencionar serian que cuando se tienen pocos
resultados, se hace más difícil ver lo que afecta el resultado, en cambio cuando se
utiliza simulación Montecarlo se hace más fácil que vea cuales son las variables que
influyen más en los resultados.

Ampliando sobre las ventajas que proporciona la simulación de Montecarlo: se sabe


que cuando se hacen algunas simulaciones es muy difícil modelar diferentes
combinaciones de valores de entrada, pero al utilizar la simulación de Montecarlo se
puede ver qué valores tiene exactamente cada variable, al igual que se puede
relacionar distintas variables de entrada para averiguar con certeza porque ciertos
valores tienen cambios repentinos paralelamente.

Como toda simulación cuando tiene ventajas, tiene sus desventajas así que ahora
aprenderemos sobre las desventajas que tiene la simulación Montecarlo, una de ellas
es que no siempre proporciona un resultado correcto y podemos cometer un error,
ya que la simulación nos brindó un resultado incorrecto.

Hablando del método de la aguja de bufón, que es una aplicación del método
Montecarlo su desventaja es que solo se puede aplicar en medios que contienen
geometrías planas. Otra desventaja seria; al tener un modelo de simulación las
salidas producidas es aleatorias y deben ser tratadas como lo que son, es decir como
una estimación solamente, también que al suponer valores para realizar la simulación
el sistema puede ser muy poco realista.

También podemos destacar como desventaja que si son modelos de simulación muy
complejos pueden requerir mucho tiempo para construirlos.
Aplicaciones del método

Es una técnica que es utilizada en diferentes campos, como los de finanzas, gestión
de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo,
seguros, petróleo y gas, transporte y medio ambiente. Meri y Zundr (2000)
establecieron que ésta es una técnica de simulación numérica que sirve para
generar variables aleatorias y evaluar la incertidumbre en sistemas complejos en
diferentes campos de las ciencias.

 Criptografía.

 Cromo dinámica cuántica.

 Densidad y flujo de tráfico.

 Diseño de reactores nucleares.

 Diseño de VLSI.

 Ecología.

 Econometría.

 Evolución estelar.

 Física de materiales.

 Métodos cuantitativos de organización

 industrial.

 Programas de computadora.

 Pronóstico del índice de la bolsa.

 Prospecciones en explotaciones

 petrolíferas.

 Radioterapia contra el cáncer.

 Sistemas de colas.

 Sistemas de inventario P y Q.

 Valoración de cartera de valores.


https://jaimesotou.files.wordpress.com/2011/05/metodo-montecarlo-03.pdf

Monte Carlo Simulation of Stochastic Processes.


http://www.pucrio.br/marco.ind/sim_stoc_proc.html

[12] Padilla Shannon Ho. Monte Carlo Method.

http://www.ccs.uky.edu/~douglas/Classes/cs521-01/montecarlo/MonteCarloMethod
2.pp

Quasi Monte Carlo Simulation. http://www.puc-rio.br/marco.ind/quasi_mc.html

Real options with Monte Carlo Simulations.


http://www.puc-rio.br/marco.ind/montecarlo.html

Silvestre, Moreno, Toscana y Luis. Curso de Simulación Monte Carlo. III Encuentro

Nacional del Centro de la Provincia de Buenos Aires. 1990

Simulación. Introducción a la investigación de Operaciones. Facultad de Ingeniería

UDELAR. http://www.fing.edu.uy/inco/cursos/io/archivos/teorico/simulacion.pdf

Taha H. Investigación de Operaciones una introducción. Ed. Prentice Hall. 6°


edición.1998.

Técnicas de Monte Carlo. http://mural.uv.es/juanama/astronomia/montecarlo.htm

THE WWW VIRTUAL LIBRARY: RANDOM NUMBERS and MONTE CARLO

METHODS SUBSECTION: MONTE CARLO METHODS.

http://random.mat.sbg.ac.at/links/monte.html

Winston W. (2005) Investigación de Operaciones. Aplicaciones y algoritmos. 4ta

edición. International Thomson Editores.

Woller J. Basics of Monte Carlo Simulations. Univ. of Nebraska-Lincoln


http://www.chem.unl.edu/zeng/joy/mclab/mcintro.html

También podría gustarte