Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Catedrática:
Ing. Ina Brenda Flores
Asignatura:
Modelación y simulación de sistemas
Integrante:
Cezar Eduardo Flores Rueda
202010110511
Tarea
Investigación Método Montecarlo
Objetivos específicos
Comprender el tema correctamente y así poder ponerlo en práctica.
Montecarlo.
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam
refinaron esta ruleta y los métodos "de división" de tareas. Sin embargo, el
desarrollo sistemático de estas ideas tuvo que esperar al trabajo de Harris y Herman
Kahn en 1948. Aproximadamente en el mismo año, Enrico Fermi, Nicholas
Metropolis y Ulam obtuvieron estimadores para los valores característicos de la
ecuación de Schrödinger para la captura de neutrones a nivel nuclear usando este
método.
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 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.
Si el 50% de los puntos han caído dentro, el modelo ocupa el 50% el volumen total,
es decir, 0.5 m³. Evidentemente, cuantos más puntos genere el software, menor
será el error de la estimación del volumen.
Este método está cerca del experimento de aguja de Buffon, planteada por el
naturalista francés Georges-Louis Leclerc de Buffon.
Consideremos al círculo unitario inscrito en el cuadrado de lado 2 centrado en el
origen. Dado que el cociente de sus áreas es
Los métodos de Monte Carlo son una potente herramienta de trabajo cuando la
solución analítica del problema es difícil. El método implica:
Los métodos de Monte Carlo han comenzado a ser prácticos y útiles cuando los
ordenadores han estado disponibles de forma generalizada. Los generadores de
números aleatorios son rutinas bien conocidas con las cuales es posible generar
series de números cuyas distribuciones pueden ajustarse a múltiples modelos.
En el caso que se trata aquí, podemos asumir un error gaussiano o con cierto grado
de autocorrelación. Los errores serán añadidos a datos simulados y aplicados los
algoritmos que ejecutan la simulación. De los resultados podemos deducir las
características de la propagación del error.
el ECM se establece en porcentaje del tamaño de la malla del MDE; por ejemplo,
para un MDE de 30 m de intervalo entre datos, un ECM del 10% corresponde a 3 m
Ejemplo #1
Supongamos que tenemos un satélite, que para su funcionamiento depende de que
al menos 2 paneles solares de los 5 que tiene disponibles estén en funcionamiento,
y queremos calcular φ la vida útil esperada del satélite (el tiempo promedio de
funcionamiento hasta que falla, usualmente conocido en la literatura como MTTF -
Mean Time To Failure).
Supongamos que cada panel solar tiene una vida útil que es aleatoria, y esta
uniformemente distribuida en el rango [1000 hs, 5000 hs] (valor promedio: 3000 hs).
Prom. - - - - - Sn/n =
3683
Table 1: Una simulación detallada con n = 6 experimentos.
De esta simulación, tenemos un valor estimado para la vida útil esperada del satélite
de 3683. Un indicador del error que podemos estar cometiendo es la varianza o
equivalentemente la desviación estándar de Sn, que en este caso es (haciendo los
cálculos) 297.
Seudocódigo básico de un Método Monte Carlo
Supongamos que deseo calcular un cierto valor φ, y conozco una variable aleatoria
X con distribución FX tal que φ = E(X).
Procedimiento Estimación Montecarlo (integer n, real X), real V
5. V = V /b (n ∗ (n − 1)) − Xb2/ (n − 1) b
Ejemplo #2
#include <math.h>
double sqrt(double);
#include<stdio.h>
double drand48(void);
main()
estimDesv=0;
tFallaComp2= drand48()*500;
tFallaTransm= drand48()*1500;
tFallaC=tFallaComp2;
else
tFallaC=tFallaComp1;
if (tFallaC<tFallaTransm)
tFallaSatelite = tFallaC;
else
tFallaSatelite = tFallaTransm;
estimDesv = sqrt((estimDesv/N/(N-1)-estimE*estimE/(N-1)));
Como futuro profesional puedo decir que, al haber aprendido este método,
es de ayuda para poder mejorar en diferentes aspectos y así es importante
que nos enseñen diferentes técnicas y métodos que pueden mejorar nuestro
nivel intelectual y laboral.
Conociendo el código de los ejemplos que aquí pude conocer, puedo decir
que es muy importante los problemas que este puede resolver, ya que da
una respuesta en cada dudad que se nos presentan al momento de efectuar
algún método.
Anexos
Bibliografías
https://economipedia.com/definiciones/simulacion-de-montecarlo.html
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo
https://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion02/transp.pdf