DEPARTAMENTO DE

INGENIRIA INDUSTRIAL
MATERIA: SIMULACIÓN UNIDAD: 2 TEMA: 2.5.-Método de Monte-Carlo

INTEGRANTES:
Pesina Tello Juan Manuel 13260231
Soto Compean Marco Tulio 13260258
Ares Donizett García Ibarra

Fecha: 17 de Octubre de 2016 H.Matamoros, Tamps.

MÉTODO DE MONTE CARLO
Historia.
Los orígenes de esta técnica están ligados al trabajo
desarrollado por Stan Ulam y John Von Neumann a
finales de los 40 en el laboratorio de Los Álamos,
cuando investigaban el movimiento aleatorio de los
neutrones.
Historia.
Precisamente, el nombre de Monte Carlo proviene de
la famosa ciudad de Mónaco, donde abundan los
casinos de juego y donde el azar, la probabilidad y el
comportamiento aleatorio conforman todo un estilo de
vida.
Historia.
La invención del método de Monte Carlo 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.
Historia.
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.
Historia.
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.
Historia.
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.
Historia.
Después de cierto escepticismo inicial, von Neumann
se entusiasmó con la idea y pronto comenzó a
desarrollar sus posibilidades en un procedimiento
sistemático.
Historia.
El uso de los métodos de Monte Carlo 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.
Historia.
Este trabajo conllevaba la simulación de problemas
probabilísticos de hidrodinámica concernientes a la
difusión de neutrones en el material de fisión.
Concepto.
Los métodos de Montecarlo abarcan una colección de
técnicas que permiten obtener soluciones de
problemas matemáticos o físicos por medio de
pruebas aleatorias repetidas.
Concepto.
El método de Monte Carlo es un método no
determinista o estadístico numérico, usado para
aproximar expresiones matemáticas complejas y
costosas de evaluar con exactitud.
Concepto.
El método de Monte Carlo proporciona soluciones
aproximadas a una gran variedad de problemas
matemáticos posibilitando la realización de
experimentos con muestreos de números pseudo-
aleatorios en una computadora.
Concepto.
El método es aplicable a los métodos numéricos que
se basan en evaluaciones en N puntos en un espacio
M-dimensional para producir una solución aproximada.
Concepto.
La simulación de Monte Carlo es una técnica que
combina conceptos estadísticos (muestreo aleatorio)
con la capacidad que tienen los ordenadores para
generar números pseudo-aleatorios y automatizar
cálculos.
Aplicación.
En años posteriores, la simulación de Monte Carlo se
ha venido aplicando a una infinidad de ámbitos como
alternativa a los modelos matemáticos exactos o
incluso como único medio de estimar soluciones para
problemas complejos.
Aplicación.
Así, en la actualidad es posible encontrar modelos que hacen
uso de simulación MC en las áreas informática, empresarial,
económica, industrial e incluso social.
Aplicación.
La potencia de las hojas de cálculo
reside en su universalidad, en su
facilidad de uso, en su capacidad
para recalcular valores y, sobre
todo, en las posibilidades que
ofrece con respecto al análisis de
escenarios.
En la empresa se utiliza la simulación para predecir las
consecuencias que tendrá la toma de una decisión
determinada.
 Control de Inventarios,
 Planes de Mantenimiento,
 Localización de Recursos,
 Predicción de Ventas o Demanda.
Ejemplos.
En el juego de barcos,
primero se realizan una serie
de tiros a puntos aleatorios.
Si el jugador genera un
algoritmo puede deducir la
posición del barco conocidos
los datos anteriores.
Distribuciones de Variable
continua
• Normal
Para los casos en que la
variable puede tomar
cualquier valor que esté en
un intervalo de valores dado,
y en los cuales la distribución
de probabilidad es continua.
Distribuciones de variable
discreta
• Binomial
Esta distribución es apropiada para
una variedad de procesos que
describe datos discretos, el cual nos
llevará a uno de sólo dos resultados
posibles que son mutuamente
exclusivos.
Distribuciones de variable
discreta
• Poisson
La distribución de Poisson es
un buen modelo para la
distribución de frecuencias
relativas del número de
eventos raros que ocurren en
una unidad de tiempo, de
distancia, de espacio,
etcétera.
Distribuciones de variable discreta
• Poisson
Por esta razón se utiliza mucho en área de
investigación científica tanto en administración
de empresas para modelar la distribución de
frecuencias relativas del número de accidentes
industriales por unidad de tiempo.
Distribuciones de variable discreta
• Poisson
La distribución de probabilidad de Poisson
puede proporcionar, en algunos casos, un buen
modelo para la distribución de frecuencias
relativas del número de Llegadas por unidad de
tiempo a una unidad de servicio.
Distribuciones de variable discreta
• Poisson
Por ejemplo,
 El número de pedidos recibidos en una planta
manufacturera
 El número de clientes que llegan a una instalación
de servicio, a una caja registradora en un
supermercado.