Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Simulación Monte Carlo
Simulación Monte Carlo
INDICE
INTRODUCCIÓN----------------------------------------------------------------3
ORIGEN---------------------------------------------------------------------------3
FUNDAMENTO------------------------------------------------------------------4
ALGORITMOS------------------------------------------------------------5
CARACTERISTICAS----------------------------------------------------6
APLICACIONES------------------------------------------------------------------8
EJEMPLO--------------------------------------------------------------------------9
CONCLUSIÓN--------------------------------------------------------------------11
BIBLIOGRAFIAS-----------------------------------------------------------------12
1
INTRODUCCIÓN
En la Simulación Monte Carlo se agrupa una serie de procedimientos que analizan
distribuciones de variables aleatorias utilizando simulación de números aleatorios.
Este da soluciones a problemas matemáticos haciendo experimentos con
muestreos estadísticos en computadora.
A veces la aplicación del método Monte Carlo se usa para analizar problemas que
no tienen un componente aleatorio explícito; en estos casos un parámetro
determinista del problema se expresa como una distribución aleatoria y se simula
dicha distribución.
ORIGEN
El método de Monte Carlo conocido también como simulación de Monte Carlo está
atribuido a Stanislaw Ulam y a John von Neumann en la década de 1940. Ellos
aplicaron los conceptos generales del método en la investigación de la bomba
atómica durante la segunda guerra mundial.
El nombre “Monte Carlo” proviene de Mónaco, conocida como la capital del juego
del azar, debido a que el juego de la ruleta era considerado como el primer
generador de números aleatorios. Es una técnica que es utilizada en diferentes
campos, como los de finanzas, gestión de proyectos, energía, manufacturación,
2
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.
FUNDAMENTO
Los métodos de Monte Carlo abarcan una colección de técnicas que permiten
obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios.
3
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.
Luego calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Para completar una
simulación de Monte Carlo puede ser necesario realizar miles o decenas de miles
de recálculos, dependiendo de la cantidad de incertidumbre y de los rangos
especificados.
ALGORITMOS
4
Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo según los valores del muestreo (iteración)
y registrar el resultado
Repetir el proceso hasta tener una muestra estadísticamente representativa
Obtener la distribución de frecuencias del resultado de las iteraciones
Calcular media, desvío.
Analizar los resultados
CARACTERISTICAS
5
ETAPAS DEL PROCESO DE SIMULACIÓN
o Definición, descripción del problema. Plan.
o Formulación del modelo.
o Programación.
o Verificación y Validación del modelo.
o Diseño de experimentos y plan de corridas.
o Análisis de resultados
6
DIAGRAMA DE FLUJO DEL MODELO DE SIMULACIÓN
7
APLICACIONES
Es utilizado para:
Criptografía.
Cromo dinámico cuántico.
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.
EJEMPLO
Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y
queremos ver qué sucede con el promedio de la demanda en varias iteraciones:
8
Utilizando la distribución acumulada(F(x) es la probabilidad que la variable aleatoria tome
valores menores o iguales a x) podemos determinar cuál es el valor obtenido de unidades
cuando se genera un número aleatorio a partir de una distribución continua uniforme. Este
método de generación de variable aleatoria se llama Transformación Inversa.
9
Suponiendo que el número aleatorio generado sea 0,52, ¿a qué valor de unidades
corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor
exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades.
En la tabla, se ve como a
medida que aumenta el
número de simulaciones, el valor simulado se acerca
al valor original de la media y desviación estándar,
además de la disminución del error típico.
CONCLUSIÓN
La simulación de Montecarlo es útil para establecer probabilidades y definir
escenarios de actuación, con esta podemos guiarnos para la toma de decisiones,
10
identifica cada una de las variables estocástica las distribuciones de probabilidad
con sus parámetros.
BIBLIOGRAFIAS
Bong D. Monte Carlo Simulation.
http://www.visionengineer.com/mech/monte_carlo_simulation.shtml.
11
12