SANTI AGO VI LLEGAS

STEPAHY ARI AS
CLAUDI A ALEJANDRA DAVI D
DANI ELA ROSERO
Mtodo de Monte Carlo
Mtodo de Monte Carlo
Permite resolver problemas matemticos
mediante la simulacin de variables
aleatorias
Es aplicado en los aos 40 por John Von
Neumann para resolver problemas
complejos que no podan ser resueltos de
forma analtica
Genera serie de nmeros aleatorios
uniformemente distribuidos


Notacin de elementos bsicos
x - Variable aleatoria (discreta o continua)

Fx- Distribucin de probabilidad de x

V (x)- Varianza de x

DE(x)- Desviacin estndar de x

X=(x1,x2,,xm)- Vector aleatorio de dimensin
m

Promedio y desviacin estndar
Motivacin de mtodo
El mtodo proviene de dos teoremas:
La ley Dbil de los Grandes Nmeros: Explica por
qu el promedio de una muestra al azar de
una poblacin de gran tamao tender a estar
cerca de la media de la poblacin completa.
Teorema del Lmite Central: Indica cual es el
comportamiento asinttico de la distribucin del
error cometido al emplear Sn como estimador de .
Ambos resultados proveen la motivacin para
aplicar Monte Carlo, ya que indican que con un
nmero suficientemente alto de experimentos, es
posible estimar el parmetro deseado incurriendo
en un pequeo error con alta probabilidad.


Ventajas del mtodo
Facilita la reproduccin de fenmenos naturales
que necesitan nmeros aleatorios(fsica estadstica,
fsica de partculas)
Muchas veces es poco prctico examinar todos los
casos posibles
Permite formular condiciones extremas con riesgos
nulos
Existe gran variedad de programas para simularlo

Obtencin de nmeros aleatorios continuos
Tablas de nmeros aleatorios

Nmeros Pseudo aleatorios
Mtodo de los centros de los cuadrados
Mtodos congruenciales
Generador multiplicativo
Generador mixto

Generador de nmeros aleatorios
Fluctuacin de voltaje por ruido


Obtencin de nmeros aleatorios discretos
Mtodo de la funcin de distribucin inversa

Mtodo de Box- Muller

Mtodo de aceptacin/rechazo

Mtodo de la funcin de distribucin inversa
Ej: Generacin de v. as exponenciales.
Recordemos que la funcin de distribucin de una variables
aleatoria viene dada por:


Por el mtodo de la inversa tenemos que considerando la
igualdad u=Fx(x), tenemos que para se verifica que:
(Despejamos x) para obtener:

Por tanto, podemos generar variables exponenciales
generando u y calculando
0 x,
Ejemplo 1
Supongamos que tenemos un satlite, que para su funcionamiento depende de
que al menos 2 paneles solares de los 5 que tiene disponibles estn en
funcionamiento, y queremos calcular la vida til esperada del satlite (el
tiempo promedio de funcionamiento hasta que falla).Supongamos que cada
panel solar tiene una vida til que es aleatoria, y esta uniformemente
distribuida en el rango [1000h, 5000h] (valor promedio: 3000 h).

Solucin:
Para estimar por Monte Carlo el valor de p , haremos n experimentos, cada uno
de los cuales consistir en sortear el tiempo de falla de cada uno de los paneles
solares del satlite, y observar cual es el momento en el cual han fallado 4 de los
mismos, esta es la variable aleatoria cuya esperanza es el tiempo promedio de
funcionamiento del satlite.

El valor promedio de las n observaciones nos proporciona una estimacin de p.

Ejemplo 1








De esta simulacin, tenemos un valor estimado para la
vida til esperada del satlite de 3683. Un indicador
del error que podemos estar cometiendo es la varianza
o equivalentemente la desviacin estndar de Sn, que
en este caso es (haciendo los clculos) 297.
Ejemplo 2- Modelamiento y simulacin de la frmaco
cintica/ dinmica para la dosificacin de antibiticos
(T. Katsube, Y. Yano, T. Wajima, Y. Yamano and M.
Takano, 2010)

Para el modelo de crecimiento de la bacteria y el
efecto atibacteial se supuso un modelo de Michaelis-
Menten:

Ejemplo 2- Modelamiento y simulacin de la frmaco
cintica/ dinmica para la dosificacin de antibiticos
Se tuvieron en cuenta cuatro formas de dosificacin:
250 mg dos veces al da
250 mg tres veces al da
500 mg dos veces al da
500 mg tres veces al da
Los parmetros de la poblacin normal se simularon
basados en estudios clnicos realizados en Japn:
Edad y peso de acuerdo a la distribucin normal
Niveles de creatinina de acuerdo a la distribucin
lognormal
Bibliografa
Aragn, L. J. (9 de Mayo de 2014). rea de Estadstica e
Investigacin Operativa. Obtenido de UCLM:
http://www.uclm.es/profesorado/licesio/Docencia/mcoi/Te
ma4_guion.pdf
Departamento de Investigacin operativa. (9 de mayo de
3014). Mtodos de Monte Carlo. Obtenido de Universidad de
la Repblica, Montevideo, Uruguay:
http://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion0
2/transp.pdf
PK/PD Modeling and Simulation to Guide Dosing Strategy
for Antibiotics. (9 de Mayo de 2014). Obtenido de Mathworks:
http://www.mathworks.com/help/simbio/examples/pk-pd-
modeling-and-simulation-to-guide-dosing-strategy-for-
antibiotics.html#zmw57dd0e2634