Universidad Tecnológica de Honduras

Nombre:

Andrea Michelt Vasquez Posas

Cuenta:

201830040003

Catedrático:

Ing. Ina Flores

Asignatura:

Modelación y Simulación de Sistemas

Tema:

Investigue sobre la historia y evolución del Modelo de

Montecarlo

Fecha:

18/04/2021

Lugar:

El Progreso, Yoro
Tema Pagina

Introducción ………………………………………………….... (1)

Objetivos ……………………………………………..……..…. (2)
Que es el método Montecarlo ……………………………..... (3)
Fundadores ………………………………………………….... (4)
Historia del Método Montecarlo …………………………..… (5)
En que consiste el Método Montecarlo …………………….…... (6)
Para que sirve el Método Montecarlo …………………....... (7)
Método Montecarlo - Cinético ……………………………………. (8)
Como utilizar el Método Montecarlo ……………………….. (9)
Ejercicio #1 ……………………………………………….……….. (11)
Ejercicio #2 ……………………………………………….……….. (13)
Conclusión …………………………………………………… (15)
Bibliografía ………………………………………………...…. (16)
Con el objetivo de valorar con exactitud el riesgo en un
determinado proyecto de inversión en una empresa o grupo de
trabajo, se lleva a cabo lo que se conoce como el método de
Monte Carlo, un ejercicio de simulación de la realidad
sustituyendo la realidad por un plano teórico haciendo uso de
números aleatorios.

1
→ Conocer que es el método Montecarlo y para se usa
→ Entender cómo se usa el método Montecarlo
→ Hablar sobre su historia

2
El método de Montecarlo es un método no determinista o estadístico numérico, usado
para aproximar expresiones matemáticas complejas y costosas de evaluar con
exactitud. El método se llamó así en referencia al Casino de Montecarlo (Mónaco) por
ser “la capital del juego de azar”, al ser la ruleta un generador simple de números
aleatorios. El nombre y el desarrollo sistemático de los métodos de Montecarlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la
computadora. El uso de los métodos de Montecarlo como herramienta de
investigación proviene del trabajo realizado en el desarrollo de la bomba atómica
durante la Segunda Guerra Mundial en el Laboratorio Nacional de Los Álamos en EE.
UU. Este trabajo conllevaba la simulación de problemas probabilísticos de
hidrodinámica concernientes a la difusión de neutrones en el material de fisión. Esta
difusión posee un comportamiento eminentemente aleatorio. En la actualidad es parte
fundamental de los algoritmos de raytracing para la generación de imágenes 3D.
En la primera etapa de estas una gran variedad de problemas
investigaciones, John von Neumann y matemáticos posibilitando la realización
Stanislaw Ulam refinaron esta ruleta y de experimentos con muestreos de
los métodos "de división" de tareas. Sin números pseudoaleatorios en una
embargo, el desarrollo sistemático de computadora. El método es aplicable a
estas ideas tuvo que esperar al trabajo cualquier tipo de problema, ya sea
de Harris y Herman Kahn en 1948. estocástico o determinista. A diferencia
Aproximadamente en el mismo año, de los métodos numéricos que se basan
Enrico Fermi, Nicholas Metrópolis y en evaluaciones en N puntos en un
Ulam obtuvieron estimadores para los espacio M-dimensional para producir
valores característicos de la ecuación de una solución aproximada, el método de
Schrödinger para la captura de Montecarlo tiene un error absoluto de la
neutrones a nivel nuclear usando este estimación que decrece como en virtud
método. El método de Montecarlo del teorema del límite central.
proporciona soluciones aproximadas a

3
→ Herman Kahn: (15 de febrero de 1922 - 7 de julio
de 1983) fue fundador del Hudson Institute y uno
de los futuristas insignes del tardío siglo XX, pues
estudió la prospectiva, una metodología que
estudia opciones futuras mediante la construcción
de escenarios hipotéticos. Inicialmente se destacó
como estratega militar y teórico de sistemas
mientras estuvo empleado en la RAND
Corporation, EE. UU.

→ John von Neumann003A (registrado al nacer

como Neumann János Lajos; Budapest, Imperio
austrohúngaro, 28 de diciembre de 1903-
Washington, D. C., Estados Unidos, 8 de febrero
de 1957) fue un matemático húngaro-
estadounidense que realizó contribuciones
fundamentales en física cuántica, análisis
funcional, teoría de conjuntos, teoría de juegos,
ciencias de la computación, economía, análisis
numérico, cibernética, hidrodinámica, estadística y muchos otros campos. Se le
considera uno de los matemáticos más importantes del siglo XX.

→ Stanisław Marcin Ulam: (13 de abril de 1909 – 13

de mayo de 1984) fue un matemático polaco que
participó en el proyecto Manhattan y propuso el
diseño Teller–Ulam de las armas termonucleares.
También propuso la idea de propulsión nuclear de
pulso y desarrolló un número de herramientas
matemáticas en la teoría de números, teoría de
conjuntos, teoría ergódica y topología algebraica.
Sobre todo, es conocido por ser coautor (con John
Von Neumann) del método de Montecarlo.

→ El método se llamó así en referencia al Casino de

Montecarlo (Mónaco) por ser “la capital del juego de
azar”, al ser la ruleta un generador simple de
números aleatorios

4
El método fue llamado así por el principado de Mónaco por ser ``la capital del juego
de azar'', al tomar una ruleta como un generador simple de números aleatorios. El
nombre y el desarrollo sistemático de los métodos de Monte Carlo data
aproximadamente de 1944 con el desarrollo de la computadora electrónica. Sin
embargo, hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones
anteriores a 1944. El uso real de los métodos de Monte Carlo como una herramienta
de investigación, viene del trabajo de la bomba atómica durante la Segunda Guerra
Mundial. Este trabajo involucraba la simulación directa de problemas probabilísticos
de hidrodinámica concernientes a la difusión de neutrones aleatorios en material de
fusión. Aún en la primera etapa de estas investigaciones, John von Neumann y
Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos ``de división''. Sin
embargo, el desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris
y Herman Kahn en 1948. Aproximadamente en el mismo año, Fermi, Metro polos y
Ulam obtuvieron estimadores para los valores característicos de la ecuación de
Schrödinger para la captura de neutrones a nivel nuclear.
La invención del método de Montecarlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una
idea del resultado general del solitario haciendo pruebas múltiples con las cartas y
contando las proporciones de los resultados que computar todas las posibilidades de
combinación formalmente. Se le ocurrió que esta misma observación debía aplicarse
a su trabajo de Los Álamos sobre difusión de neutrones, para la cual resulta
prácticamente imposible solucionar las ecuaciones íntegro-diferenciales que
gobiernan la dispersión, la absorción y la fisión. “La idea consistía en probar con
experimentos mentales los miles de posibilidades, y en cada etapa, determinar por
casualidad, por un número aleatorio distribuido según las probabilidades, qué
sucedería y totalizar toda.
Podían utilizarse máquinas de computación, que comenzaban a estar disponibles,
para efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental
del físico. Durante una de las visitas de von Neumann a Los Álamos en 1946, Ulam le
mencionó el método. Después de cierto escepticismo inicial, von Neumann se
entusiasmó con la idea y pronto comenzó a desarrollar sus posibilidades en un
procedimiento sistemático. Ulam expresó que Montecarlo “comenzó a tener forma
concreta y empezó a desarrollarse con todas sus fallas de teoría rudimentaria después
de que se lo propuse a Johnny”. A principios de 1947 Von Neumann envió una carta
a Richtmayer a Los Álamos en la que expuso de modo influyente tal vez el primer
informe por escrito del método de Montecarlo. Su carta fue encuadernada junto con la
5
 respuesta de Richtmyer como un informe de Los Álamos y distribuida entre los
miembros del laboratorio. Von Neumann sugería aplicar el método para rastrear la
generación isótropa de neutrones desde una composición variable de material activo
a lo largo del radio de una esfera. Sostenía que el problema era adecuado para el
ENIAC y estimaba que llevaría 5 horas calcular la acción de 100 neutrones a través
de un curso de 100 colisiones cada uno. Ulam estaba particularmente interesado en
el método Montecarlo para evaluar integrales múltiples. Una de las primeras
aplicaciones de este método a un problema determinista fue llevada a cabo en 1948
por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares
de la ecuación de Schrödinger.

Existe un ejemplo bastante simple que se usa siempre para describir este método.
Imaginemos que tenemos una circunferencia inscrita en un cuadrado y tenemos una
forma de marcar puntos en el cuadrado aleatoriamente. Unos puntos quedarán fuera del
círculo y otros quedarán dentro. Pues bien, si generamos el número suficiente de puntos,
podremos calcular el número π de la siguiente forma: Suponemos que el cuadrado tiene
un lado de tamaño 2r y por tanto la circunferencia inscrita tiene un radio r. El área del
cuadrado será y el área del círculo será Si
dividimos el área del círculo por el área del cuadrado tendremos:

Si realizamos la divisió del número total de puntos que tenemos dentro del círculo respecto
al número total de puntos que se han señalado en toda el área del cuadrado, tendremos
una aproximación del valor de π.

6
La idea de la que parte la aplicación del método Monte Carlo es que hay aspectos, como
el plazo o el coste, que no pueden ser determinados con exactitud, ya que se trata de
puntos variables. Se trata de una variabilidad con una doble vertiente: por una parte, las
estimaciones que se llevan a cabo son en sí mismas variables, ya que una acción ni
dura siempre igual ni cuesta siempre lo mismo; y por otra parte, el riesgo en sí, ya que
presentan una probabilidad de ocurrir diferente en distintas situaciones, así como un
impacto que varía de unas situaciones a otras.
Lo que permite efectuar este análisis es otorgar de forma conceptual un valor a un
proyecto, no de manera determinada, sino estableciendo un “valor medio” y una
determinada variabilidad. Permite determinar hasta qué punto las determinadas
valoraciones de un proyecto son realistas y arrojan confianza con respecto a los
objetivos perseguidos con una determinada acción.
Monte Carlo permite a los analistas encargados de llevar a cabo la prevención de riesgos
señalar en qué porcentaje de las simulaciones aleatorias que se han llevado a cabo
aspectos como el plazo y el coste con menores que los objetivos que se persiguen con
el propio proyecto.
De este modo, si este porcentaje es inferior al grado de confianza que una determinada
empresa o grupo considera mínimamente aceptable, se estaría ante un caso en el que
la planificación no es factible y habría que modificarla.
La clave para entender la utilidad de este sistema de simulación se encuentra en que en
los distintos proyectos hay esencialmente dos aspectos presentes que tienen un
comportamiento de tipo no determinista, es decir, cuyos resultados dependen de
múltiples variables y hay que enfrentar una cierta aleatoriedad. Este es el caso de las
tareas y el riesgo en las inversiones.

7
El método de Monte-Carlo cinético, KMC (de las siglas en inglés kinetic Monte Carlo) es un
tipo de Método de Montecarlo de simulación ideado para simular la evolución temporal de
algunos procesos que ocurren en la naturaleza con una frecuencia (tasa de ocurrencia)
dada. Es importante hacer notar y comprender que dichas tasas son inputs para el algoritmo
KMC, i.e. el algoritmo per se no puede predecir la tasa de ocurrencia del proceso. El método
KMC en esencia es equivalente a los métodos dynamic Monte Carlo method y Gillespie
algorithm. La principal diferencia entre ellos, parece ser, es la terminología y las áreas de
aplicación: KMC se utiliza principalmente en física mientras que dMC o GSA se suelen
utilizar en química.

El algoritmo KMC para simular la evolución temporal de un sistema donde ciertos procesos
pueden ocurrir con ciertas (conocidas) tasas, r, puede esquematizarse de la forma que
sigue:

→ Fijar el instante inicial: t = 0.

→ Crear una lista de todas las posibles tasas de transición en el sistema 𝑟𝑖 .
→ Calcular la función cumulativa 𝑅𝑖 = ∑𝑖𝑗=1 𝑟𝑗 para todo i = 1, 2, 3, …, N, donde N es el
número total de transiciones.
→ Generar un número aleatorio en arreglo a una distribución uniforme, 𝑢 𝜖 (0,1].
→ Encontrar la transición que se llevará a cabo, i, siendo i aquel índice para el cual se
cumpla 𝑅𝑖−1 < 𝑢𝑅𝑁 ≤ 𝑅𝑖 .
→ Llevar a cabo la transición i.
→ Generar un nuevo número aleatorio de distribución uniforme, 𝑢′ 𝜖 (0,1].
1
→ Actualizar el tiempo mediante 𝑡 = 𝑡 + ∆𝑡, donde ∆𝑡 = 𝑅𝑁−1 𝐼𝑛 (𝑢′ ).
→ Recalcular todas las tasas 𝑟𝑖 dado que éstas pueden haber cambiado debido a la
transición ocurrida. Si se diera el caso, eliminar o añadir nuevas transiciones i. En
consecuencia, actualizar N y la lista de sucesos.
→ Volver al paso 2.
La principal y más importante característica del método KMC (también del método FRM) es
que en caso de que las tasas sean correctas, si los procesos considerados son te tipo
proceso de Poisson y si los diferentes procesos son estadísticamente independientes
entonces el algoritmo KMC (o FRM) devuelve una escala temporal realista y correcta para
la evolución del sistema simulado.

Si además las transiciones siguen una relación de balance detallado, el algoritmo se puede
utilizar para simular el equilibrio termodinámico. Sin embargo, el método KMC normalmente
se utiliza para simular procesos de no equilibrio (Meng 1994), en cuyo caso las relaciones
de balance detallado no serán satisfechas.

8
En general, los métodos de Monte Carlo se utilizan en las matemáticas para resolver
diversos problemas mediante la generación de números aleatorios adecuados y la
observación de que la fracción de los números que obedece a alguna propiedad o
propiedades. El método es útil para la obtención de soluciones numéricas a problemas
demasiado complicados para resolver analíticamente. La aplicación más común del método
de Monte Carlo es la integración Monte Carlo.
Ejemplo: ruleta

→ Supongamos que en una ruleta solo nos puede salir 8 opciones (utilizaremos Excel en
este caso), ordenamos los datos en una tabla:

→ Luego colocamos la probabilidad de que nos salga una de estas opciones que seria 1
de 8 en otras palabras 1/8:

→ Luego calcularemos la probabilidad acumulada que seria la suma de las probabilidades:

9
→ Ahora calcularemos los intervalos, estos definen el rango de posiciones donde se
encuentra el valor de un elemento:

→ Ahora lo que haremos será buscar un numero aleatorio, utilizaremos una opción que
dice aleatorio:

→ Con el numero aleatorio vamos a buscar que nos salga uno de los números para esto
vamos a utilizar la opción buscar y colocaremos que con el numero aleatorio
buscaremos un valor en los intervalos y dependiendo de este nos dará una de las
opciones (x), cabe mencionar que el numero aleatorio está en constante cambio y al
cambiar ella cambia el valor de x:

→ Ahora como ejemplo del método haremos 10 números alzar.

10
Simular la llegada de personas a un barco, dada la siguiente distribución (se toma los
periodos de entrada cada 5 minutos desde las 8:00am hasta las 9:00am)

→ Lo primero que haremos será ordenar la tabla con los valores que ya nos dan, los
cuales son el número máximo de clientes y la probabilidad:

→ Como siguiente paso buscaremos lo que es la probabilidad acumulada:

→ Ahora colocaremos los intervalos que seria límite inferior igual a probabilidad
acumulada anterior y límite superior probabilidad acumulada:

→ Ahora buscaremos la tabla que simulara las personas que entraran por cada 5
minutos, para esto ocupamos lo que es los números aleatorios así que vamos activar
la función:

11
→ Ahora ordenamos el número máximo de clientes que podrían entrar y extendemos las
variables aleatorias:

→ Ahora activamos la función buscar para poder encontrar cuantos clientes entraran cada 5
minutos según la simulación:

→ Ahora extenderemos el comando en la fila para esto debemos colocar el signo de $ en las
varíales que no van a cambiar (la única que cambiara es el comando de la variable
aleatoria) y luego extenderla.

→ Una vez teniendo los datos arreglaremos la tabla con la hora que se nos da y esa sera
nuestra simulacion:

12
Simular la demanda diaria para el periodo establecido (12 días), si se tienen las siguientes
probabilidades
→ Comenzamos haciendo la tabla con los datos ya dados que son las demás
y el promedio de cada una de ellas:

→ Ahora sacaremos la probabilidad acumulada que nos ayudara a encontrar

los limites:

→ Ahora que ya tenemos la frecuencia normal y acumulada calcularemos los

limites:

→ Luego de completar la primera tabla comenzaremos la segunda colocando

los 12 días de un solo:

13
→ Luego llamaremos al comando aleatorio para que salgan números al
azar y lo extendemos a lo largo de la fila:

→ Ahora vamos a buscar la demanda como ya lo hemos hecho

anteriormente (siempre poniendo $ de por medio para los valores fijos)
y extendemos el comando en la fila:

→ Luego de esto tenemos los resultados:

→ Recordemos que como los resultados están atados a la variable

aleatoria entonces si queremos que los resultados o cambien lo que
podemos hacer es copiar la fila y pegar con la opción variable:

14
→ El método Montecarlo ayuda a calcular con exactitud el riesgo, o
demandas, entre otras variables que puede sufrir una empresa o un
grupo de trabajo.
→ El método Montecarlo es muy fácil de manejar si sabes cómo
utilizarlo y cuáles son las variables correctas a utilizar.
→ Hay un tipo de Montecarlo Cinético que este ayuda a calcular la
evolución temporal de algún proceso

15
→ https://www.youtube.com/watch?v=jgLnCDKCCLk
→ http://delta.cs.cinvestav.mx/~mcintosh/oldweb/s1998/oscar/node2.html
→ https://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo#:~:text=El%20m%C3%A9to
do%20de%20Montecarlo%E2%80%8B,costosas%20de%20evaluar%20con%20exactitud.
→ https://www.cerem.es/blog/cuanto-vale-el-riesgo-el-metodo-monte-carlo
→ https://es.wikipedia.org/wiki/Herman_Kahn
→ https://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo_cin%C3%A9tico
→ https://www.zonaeconomica.com/metodo-monte-
carlo#:~:text=Utilizar%20en%20matem%C3%A1ticas,a%20alguna%20propiedad%20o%20
propiedades.
→ https://www.youtube.com/watch?v=lq9vJQLRVks

16