SlideShare una empresa de Scribd logo
1 de 25
Descargar para leer sin conexión
Instituto Tecnológico de Tijuana  Método de Montecarlo ,[object Object],Por: Huizar Perez Montes Tenorio Ochoa Guzmán Villar Flores
Método de Montecarlo La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar números pseudoaleatorios y automatizar cálculos. 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 datan aproximadamente de 1944 con el desarrollo de la computadora.
La invención del método de Monte Carlo se asigna a Stan Ulam y a John von Neuman. 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 las miles de posibilidades, y en cada etapa, determinar por casualidad, por un número aleatorio distribuido según las probabilidades, qué sucedería y totalizar todas las posibilidades y tener una idea de la conducta del proceso físico”.
Podían utilizarse máquinas de computación, que comenzaban a estar disponibles, para efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental del físico.  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 Monte Carlo “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 Richtmyer a Los Álamos en la que expuso de modo influyente tal vez el primer informe por escrito del método de Monte Carlo. 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 le método para rastrear la generación isotrópica 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 Monte Carlo 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.
Definición La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos).
El método de Monte Carlo es un método no determinístico o estadístico numérico usado para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud. El método de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemáticos posibilitando la realización de experimentos con muestreos de números pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solución aproximada, el método de Monte Carlo tiene un error absoluto de la estimación que decrece como en virtud del teorema del límite central.  
Clave del método de Montecarlo Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema Crear un modelo matemático del sistema que se quiere analizar Identificar las variables cuyo comportamiento aleatorio determina el comportamiento global del sistema. se lleva a cabo un experimento consistente en generar muestras aleatorias para las variables nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.
Aplicaciones del Metodo Se asocian intervalos de números aleatorios según las probabilidades de ocurrencia de los eventos a simular
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. Así, en la actualidad es posible encontrar modelos que hacen uso de simulación MC en las áreas informática, empresarial, económica, industrial e incluso social.  En otras palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papel fundamental precisamente
Ejemplo Una forma de hacer pruebas de Monte Carlo es con una hoja de cálculo como Microsoft Excel. En el ejemplo se muestra un análisis histórico de 200 días sobre consultas realizadas en un sistema de información. La tabla muestra el número de consultas diarias (de 0 a 5) junto con las frecuencias absolutas (# de días por cada frecuencia), las frecuencias relativas y las frecuencias relativas acumuladas.
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas, que sólo puede tomar valores enteros entre 0 y 5). Supongamos que queremos conocer el número esperado (o medio) de consultas por día.  Una forma directa es haciendo la operación Valor Medio = sumatoria (#de visitas*Probabilidad de que ocurran) = 0*0,05+1*0,1+2*0,2+3*0,3+4*0,2+5*0,15=2,95
Por otro lado se puede usar una simulación Monte Carlo para deducirla. Para ello se tiene en cuenta las frecuencias relativas acumuladas de esta manera:       [0,00 a 0,05) para el suceso 0[0,05 a 0,15) para el suceso 1[0,15 a 0,35) para el suceso 2[0,35 a 0,65) para el suceso 3[0,65 a 0,85) para el suceso 4[0,85 a 1,00) para el suceso 5 El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas. En él, se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa.
Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará asociado a un suceso.  Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas 0,2567
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. Un ejemplo sería el famoso problema de las Agujas de Bufón.
Una manera que conocemos para calcular el valor de es trazando un círculo  y dividiendo lo que mide su circunferencia   entre lo que mide su diámetro. Sin embargo, desde que hace cientos de años, los matemáticos han desarrollado otras maneras para llegar al número . Una de ellas es el experimento propuesto por el Conde de Buffon en 1777.
Georges Louis Leclerc  Conde de Buffon. Naturalista, matemático,  biólogo, cosmólogo y escritor francés.  Las ideas de Buffon influyeron a las siguientes  generaciones de naturalistas incluyendo a Lamarck y Darwin. En matemáticas Buffon es recordado por  su teoría de la probabilidad y el problema clásico de la aguja de Buffon.
La aguja de Buffon es un clásico problema de probabilidad geométrica, de inmediata realización práctica y cuyo interés radica en que es un método sencillo para ir aproximando el valor del número π a partir de sucesivos intentos. Fue planteado por el naturalista francés Buffon en 1733 y reproducido por él mismo ya resuelto en 1777.
La aguja de Buffon Buffon demostró que si lanzamos, al azar, una aguja de longitud L sobre  una  superficie en la que hay dibujadas líneas paralelas separadas una  distancia D, la probabilidad de que la aguja corte a una línea es : Vamos a utilizar este resultado para medir  Material Necesario Una superficie con líneas paralelas Una aguja, palillo u objeto similar, de longitud menor o igual a la  distancia entre líneas. Para simplificar es conveniente que la distancia  entre dos rayas  coincida con la longitud de la aguja.
Caso A Se trata de lanzar una aguja sobre un papel en el que se han trazado rectas  paralelas distanciadas entre sí de manera uniforme. Construyamos una red de 10 segmentos de recta paralelos, equidistantes en una unidad D.  Tomemos además una aguja cuya longitud l sea menor que D. Si la aguja tiene una longitud (L) menor que la distancia entre dos líneas       (D) :                 Fig.: Red de paralelas de Buffon con su aguja
Caso B En este caso utilizaremos una aguja de tamaño igual a la distancia entre  líneas, de tal  manera que la longitud de la aguja sea igual a la distancia  entre dos líneas. PROCEDIMIENTO: Deja caer, de la forma más aleatoria posible, la aguja sobre la superficie.  Anota el número de tiradas y el número de veces que la aguja corta a una       línea.  El cociente entre el número total de tiradas y el número de veces que la       aguja corta a una línea tiende a pi/2 ( se parecerá tanto más cuanto mayor       sea el número de tiradas)
Comprobación del experimento DEMOSTRACIÓN: # Nº de lanzamientos: 55 # Nº de cortes: 35 # Distancia entre las líneas paralelas(en este caso, igual a la longitud  de la aguja): 1.6 cm Π= 2X55/35 Π= 3.1428571428487
Gracias por su atención

Más contenido relacionado

La actualidad más candente

Numeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhhNumeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhhVictor Hugo
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguezthomas669
 
Aplicaciones de series de tiempo
Aplicaciones de series de tiempoAplicaciones de series de tiempo
Aplicaciones de series de tiempoBrenda Aguirre
 
Mapa conceptual de investigación de operaciones I
Mapa conceptual de investigación de operaciones IMapa conceptual de investigación de operaciones I
Mapa conceptual de investigación de operaciones IGeo Tribiño
 
Modelos de Simulacion
Modelos de SimulacionModelos de Simulacion
Modelos de SimulacionJammil Ramos
 
Distribución de poisson ejercicio práctico-
Distribución de poisson  ejercicio práctico-Distribución de poisson  ejercicio práctico-
Distribución de poisson ejercicio práctico-Jhonatan Arroyave Montoya
 
Diapositiva Investigación De Operaciones
Diapositiva Investigación De OperacionesDiapositiva Investigación De Operaciones
Diapositiva Investigación De Operacionesgueste49a9a
 
TIPOS DE MODELOS MATEMATICOS
TIPOS DE MODELOS MATEMATICOSTIPOS DE MODELOS MATEMATICOS
TIPOS DE MODELOS MATEMATICOSquintomerca
 
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptJUAN M. MUÑOZ H.
 
Simulación en promodel clase 04
Simulación en promodel clase 04Simulación en promodel clase 04
Simulación en promodel clase 04Tensor
 
Ejemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosEjemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosLupita Rodríguez
 
Numeros Aleatorios
Numeros AleatoriosNumeros Aleatorios
Numeros Aleatorioskor10
 
Unidad 4-generacion-de-numeros-pseudoaleatorios1
Unidad 4-generacion-de-numeros-pseudoaleatorios1Unidad 4-generacion-de-numeros-pseudoaleatorios1
Unidad 4-generacion-de-numeros-pseudoaleatorios1Juan Carlos Martinez Garcia
 
Investigacion de Operaciones
Investigacion de OperacionesInvestigacion de Operaciones
Investigacion de OperacionesUVMVirtual
 
Probabilidad clásica, de frecuencia relativa y subjetiva
Probabilidad clásica, de frecuencia relativa y subjetivaProbabilidad clásica, de frecuencia relativa y subjetiva
Probabilidad clásica, de frecuencia relativa y subjetivaRuben Veraa
 
21066515 ejercicios-resueltos-de-programacion-lineal
21066515 ejercicios-resueltos-de-programacion-lineal21066515 ejercicios-resueltos-de-programacion-lineal
21066515 ejercicios-resueltos-de-programacion-linealAlex Hanco
 

La actualidad más candente (20)

Numeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhhNumeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhh
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguez
 
Distribuciones discretas
Distribuciones  discretasDistribuciones  discretas
Distribuciones discretas
 
Aplicaciones de series de tiempo
Aplicaciones de series de tiempoAplicaciones de series de tiempo
Aplicaciones de series de tiempo
 
Mapa conceptual de investigación de operaciones I
Mapa conceptual de investigación de operaciones IMapa conceptual de investigación de operaciones I
Mapa conceptual de investigación de operaciones I
 
Modelos de Simulacion
Modelos de SimulacionModelos de Simulacion
Modelos de Simulacion
 
Distribución de poisson ejercicio práctico-
Distribución de poisson  ejercicio práctico-Distribución de poisson  ejercicio práctico-
Distribución de poisson ejercicio práctico-
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
 
Diapositiva Investigación De Operaciones
Diapositiva Investigación De OperacionesDiapositiva Investigación De Operaciones
Diapositiva Investigación De Operaciones
 
TIPOS DE MODELOS MATEMATICOS
TIPOS DE MODELOS MATEMATICOSTIPOS DE MODELOS MATEMATICOS
TIPOS DE MODELOS MATEMATICOS
 
Distribuciones discretas-2017.ppt
Distribuciones discretas-2017.pptDistribuciones discretas-2017.ppt
Distribuciones discretas-2017.ppt
 
estimacion
estimacionestimacion
estimacion
 
Simulación en promodel clase 04
Simulación en promodel clase 04Simulación en promodel clase 04
Simulación en promodel clase 04
 
Ejemplos de Procesos Estocásticos
Ejemplos de Procesos EstocásticosEjemplos de Procesos Estocásticos
Ejemplos de Procesos Estocásticos
 
Numeros Aleatorios
Numeros AleatoriosNumeros Aleatorios
Numeros Aleatorios
 
Unidad 4-generacion-de-numeros-pseudoaleatorios1
Unidad 4-generacion-de-numeros-pseudoaleatorios1Unidad 4-generacion-de-numeros-pseudoaleatorios1
Unidad 4-generacion-de-numeros-pseudoaleatorios1
 
Investigacion de Operaciones
Investigacion de OperacionesInvestigacion de Operaciones
Investigacion de Operaciones
 
Probabilidad clásica, de frecuencia relativa y subjetiva
Probabilidad clásica, de frecuencia relativa y subjetivaProbabilidad clásica, de frecuencia relativa y subjetiva
Probabilidad clásica, de frecuencia relativa y subjetiva
 
Distribucion exponencial
Distribucion exponencialDistribucion exponencial
Distribucion exponencial
 
21066515 ejercicios-resueltos-de-programacion-lineal
21066515 ejercicios-resueltos-de-programacion-lineal21066515 ejercicios-resueltos-de-programacion-lineal
21066515 ejercicios-resueltos-de-programacion-lineal
 

Similar a Metodo Montecarlo

F4002 - L07 - Métodos estadísticos y números aleatorios
F4002 - L07 - Métodos estadísticos y números aleatoriosF4002 - L07 - Métodos estadísticos y números aleatorios
F4002 - L07 - Métodos estadísticos y números aleatoriosSergio Camacho-Leon
 
Calculo Marcela Correa
Calculo Marcela CorreaCalculo Marcela Correa
Calculo Marcela Correacorrea0127
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos I
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos IGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos I
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos INorlan0987
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosNorlan0987
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosNorlan0987
 
Concepto y uso del metodo
Concepto y uso del metodoConcepto y uso del metodo
Concepto y uso del metodoAndreina Corona
 
Estadistica tercer corte.......................
Estadistica tercer corte.......................Estadistica tercer corte.......................
Estadistica tercer corte.......................norenelson
 
04_Numeros_Aletorios.ppt
04_Numeros_Aletorios.ppt04_Numeros_Aletorios.ppt
04_Numeros_Aletorios.pptRubnAncco
 
Teoria de la Probabilidad
Teoria de la ProbabilidadTeoria de la Probabilidad
Teoria de la ProbabilidadDeivi Gutierrez
 
Introducción a la Probabilidad
Introducción a la ProbabilidadIntroducción a la Probabilidad
Introducción a la ProbabilidadPaolo Castillo
 
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULO
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULOTEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULO
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULOEli Ang
 
Teoria de la probabilidad estadistica
Teoria de la probabilidad estadisticaTeoria de la probabilidad estadistica
Teoria de la probabilidad estadisticajose villalobos
 
Unidad 1.teoria de errores
Unidad 1.teoria de erroresUnidad 1.teoria de errores
Unidad 1.teoria de erroresLuis Gala Nevew
 

Similar a Metodo Montecarlo (20)

Simulacion
SimulacionSimulacion
Simulacion
 
Tarea final metodo montecarlo
Tarea final metodo montecarloTarea final metodo montecarlo
Tarea final metodo montecarlo
 
F4002 - L07 - Métodos estadísticos y números aleatorios
F4002 - L07 - Métodos estadísticos y números aleatoriosF4002 - L07 - Métodos estadísticos y números aleatorios
F4002 - L07 - Métodos estadísticos y números aleatorios
 
Calculo Marcela Correa
Calculo Marcela CorreaCalculo Marcela Correa
Calculo Marcela Correa
 
Mod 01 pp
Mod 01 ppMod 01 pp
Mod 01 pp
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos I
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos IGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos I
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos I
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
 
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricosGenerador de números aleatorios, pseudoaleatorios, cuasialeatoricos
Generador de números aleatorios, pseudoaleatorios, cuasialeatoricos
 
Cifras de pi
Cifras de piCifras de pi
Cifras de pi
 
Concepto y uso del metodo
Concepto y uso del metodoConcepto y uso del metodo
Concepto y uso del metodo
 
Probabilidad (Deber)
Probabilidad (Deber)Probabilidad (Deber)
Probabilidad (Deber)
 
Estadistica tercer corte.......................
Estadistica tercer corte.......................Estadistica tercer corte.......................
Estadistica tercer corte.......................
 
Simulación marcok
Simulación marcokSimulación marcok
Simulación marcok
 
04_Numeros_Aletorios.ppt
04_Numeros_Aletorios.ppt04_Numeros_Aletorios.ppt
04_Numeros_Aletorios.ppt
 
Teoria de la Probabilidad
Teoria de la ProbabilidadTeoria de la Probabilidad
Teoria de la Probabilidad
 
Introducción a la Probabilidad
Introducción a la ProbabilidadIntroducción a la Probabilidad
Introducción a la Probabilidad
 
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULO
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULOTEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULO
TEORIA DE LA PROBABILIDAD. AUTOR: ELI ANGULO
 
Teoria de la probabilidad estadistica
Teoria de la probabilidad estadisticaTeoria de la probabilidad estadistica
Teoria de la probabilidad estadistica
 
Unidad 1.teoria de errores
Unidad 1.teoria de erroresUnidad 1.teoria de errores
Unidad 1.teoria de errores
 
Fisica
FisicaFisica
Fisica
 

Más de Cris Tenorio

Curso Analisis Economico Financiero
Curso Analisis Economico FinancieroCurso Analisis Economico Financiero
Curso Analisis Economico FinancieroCris Tenorio
 
Conceptos basicos sistemas de manufactura
Conceptos basicos sistemas de manufacturaConceptos basicos sistemas de manufactura
Conceptos basicos sistemas de manufacturaCris Tenorio
 
Protocolo de investigacion
Protocolo de investigacionProtocolo de investigacion
Protocolo de investigacionCris Tenorio
 
Sistema de Administracion del Mantenimiento
Sistema de Administracion del MantenimientoSistema de Administracion del Mantenimiento
Sistema de Administracion del MantenimientoCris Tenorio
 
Habitos De Estudio
Habitos De EstudioHabitos De Estudio
Habitos De EstudioCris Tenorio
 
Ejemplo de Metricas 6 sigma
Ejemplo de Metricas 6 sigmaEjemplo de Metricas 6 sigma
Ejemplo de Metricas 6 sigmaCris Tenorio
 
Etapa Terminacion Del Proyecto
Etapa Terminacion Del ProyectoEtapa Terminacion Del Proyecto
Etapa Terminacion Del ProyectoCris Tenorio
 
Modelos De Programacion Entera
Modelos De Programacion EnteraModelos De Programacion Entera
Modelos De Programacion EnteraCris Tenorio
 
Cuadrado Latino y grecolatino
Cuadrado Latino y grecolatinoCuadrado Latino y grecolatino
Cuadrado Latino y grecolatinoCris Tenorio
 
Sistemas De Produccion (Ejercicios)
Sistemas De Produccion (Ejercicios)Sistemas De Produccion (Ejercicios)
Sistemas De Produccion (Ejercicios)Cris Tenorio
 
Planeacion de requerimientos de materiales
Planeacion de requerimientos de materialesPlaneacion de requerimientos de materiales
Planeacion de requerimientos de materialesCris Tenorio
 
Sistema de Produccion Toyota
Sistema de Produccion ToyotaSistema de Produccion Toyota
Sistema de Produccion ToyotaCris Tenorio
 
Analisis De Decision
Analisis De DecisionAnalisis De Decision
Analisis De DecisionCris Tenorio
 
Cnc, Cad, Cam, Cae, Capp
Cnc, Cad, Cam, Cae, CappCnc, Cad, Cam, Cae, Capp
Cnc, Cad, Cam, Cae, CappCris Tenorio
 

Más de Cris Tenorio (20)

Curso Analisis Economico Financiero
Curso Analisis Economico FinancieroCurso Analisis Economico Financiero
Curso Analisis Economico Financiero
 
Oracle
OracleOracle
Oracle
 
Conceptos basicos sistemas de manufactura
Conceptos basicos sistemas de manufacturaConceptos basicos sistemas de manufactura
Conceptos basicos sistemas de manufactura
 
Protocolo de investigacion
Protocolo de investigacionProtocolo de investigacion
Protocolo de investigacion
 
Poka yoke
Poka yokePoka yoke
Poka yoke
 
Sanyo vs mabe
Sanyo vs mabeSanyo vs mabe
Sanyo vs mabe
 
Sistemas
SistemasSistemas
Sistemas
 
Tecnologias Duras
Tecnologias DurasTecnologias Duras
Tecnologias Duras
 
Sistema de Administracion del Mantenimiento
Sistema de Administracion del MantenimientoSistema de Administracion del Mantenimiento
Sistema de Administracion del Mantenimiento
 
Habitos De Estudio
Habitos De EstudioHabitos De Estudio
Habitos De Estudio
 
Cultura Azteca
Cultura AztecaCultura Azteca
Cultura Azteca
 
Ejemplo de Metricas 6 sigma
Ejemplo de Metricas 6 sigmaEjemplo de Metricas 6 sigma
Ejemplo de Metricas 6 sigma
 
Etapa Terminacion Del Proyecto
Etapa Terminacion Del ProyectoEtapa Terminacion Del Proyecto
Etapa Terminacion Del Proyecto
 
Modelos De Programacion Entera
Modelos De Programacion EnteraModelos De Programacion Entera
Modelos De Programacion Entera
 
Cuadrado Latino y grecolatino
Cuadrado Latino y grecolatinoCuadrado Latino y grecolatino
Cuadrado Latino y grecolatino
 
Sistemas De Produccion (Ejercicios)
Sistemas De Produccion (Ejercicios)Sistemas De Produccion (Ejercicios)
Sistemas De Produccion (Ejercicios)
 
Planeacion de requerimientos de materiales
Planeacion de requerimientos de materialesPlaneacion de requerimientos de materiales
Planeacion de requerimientos de materiales
 
Sistema de Produccion Toyota
Sistema de Produccion ToyotaSistema de Produccion Toyota
Sistema de Produccion Toyota
 
Analisis De Decision
Analisis De DecisionAnalisis De Decision
Analisis De Decision
 
Cnc, Cad, Cam, Cae, Capp
Cnc, Cad, Cam, Cae, CappCnc, Cad, Cam, Cae, Capp
Cnc, Cad, Cam, Cae, Capp
 

Último

Clasificación de Conjuntos de Datos Desequilibrados.pptx
Clasificación de Conjuntos de Datos Desequilibrados.pptxClasificación de Conjuntos de Datos Desequilibrados.pptx
Clasificación de Conjuntos de Datos Desequilibrados.pptxCarolina Bujaico
 
La electricidad y la electronica.10-7.pdf
La electricidad y la electronica.10-7.pdfLa electricidad y la electronica.10-7.pdf
La electricidad y la electronica.10-7.pdfcristianrb0324
 
tecno 2024.pdf sara mineiro palacio 10-6
tecno 2024.pdf sara mineiro palacio 10-6tecno 2024.pdf sara mineiro palacio 10-6
tecno 2024.pdf sara mineiro palacio 10-6SaraMineiropalacio
 
Trabajo de tecnología primer periodo 2024
Trabajo de tecnología primer periodo 2024Trabajo de tecnología primer periodo 2024
Trabajo de tecnología primer periodo 2024anasofiarodriguezcru
 
TECNOLOGIA 11-4.8888888888888888888888888
TECNOLOGIA 11-4.8888888888888888888888888TECNOLOGIA 11-4.8888888888888888888888888
TECNOLOGIA 11-4.8888888888888888888888888ElianaValencia28
 
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptxHugoGutierrez99
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docxBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docxhellendiaz12
 
Análisis de los artefactos (nintendo NES)
Análisis de los artefactos (nintendo NES)Análisis de los artefactos (nintendo NES)
Análisis de los artefactos (nintendo NES)JuanStevenTrujilloCh
 
Nomisam: Base de Datos para Gestión de Nómina
Nomisam: Base de Datos para Gestión de NóminaNomisam: Base de Datos para Gestión de Nómina
Nomisam: Base de Datos para Gestión de Nóminacuellosameidy
 
Trabajo de Tecnología .pdfywhwhejsjsjsjsjsk
Trabajo de Tecnología .pdfywhwhejsjsjsjsjskTrabajo de Tecnología .pdfywhwhejsjsjsjsjsk
Trabajo de Tecnología .pdfywhwhejsjsjsjsjskbydaniela5
 
Trabajando con Formasy Smart art en power Point
Trabajando con Formasy Smart art en power PointTrabajando con Formasy Smart art en power Point
Trabajando con Formasy Smart art en power PointValerioIvanDePazLoja
 
Trabajo de tecnología liceo departamental
Trabajo de tecnología liceo departamentalTrabajo de tecnología liceo departamental
Trabajo de tecnología liceo departamentalEmanuelCastro64
 
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024u20211198540
 
tecnologiaactividad11-240323205859-a9b9b9bc.pdf
tecnologiaactividad11-240323205859-a9b9b9bc.pdftecnologiaactividad11-240323205859-a9b9b9bc.pdf
tecnologiaactividad11-240323205859-a9b9b9bc.pdflauralizcano0319
 
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guia
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guiaORIENTACIONES DE INFORMÁTICA-2024.pdf-guia
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guiaYeimys Ch
 
TENDENCIAS DE IA Inteligencia artificial generativa.pdf
TENDENCIAS DE IA Inteligencia artificial generativa.pdfTENDENCIAS DE IA Inteligencia artificial generativa.pdf
TENDENCIAS DE IA Inteligencia artificial generativa.pdfJoseAlejandroPerezBa
 
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdfBetianaJuarez1
 
Tecnología Educativa- presentación maestría
Tecnología Educativa- presentación maestríaTecnología Educativa- presentación maestría
Tecnología Educativa- presentación maestríaElizabethLpezSoto
 

Último (18)

Clasificación de Conjuntos de Datos Desequilibrados.pptx
Clasificación de Conjuntos de Datos Desequilibrados.pptxClasificación de Conjuntos de Datos Desequilibrados.pptx
Clasificación de Conjuntos de Datos Desequilibrados.pptx
 
La electricidad y la electronica.10-7.pdf
La electricidad y la electronica.10-7.pdfLa electricidad y la electronica.10-7.pdf
La electricidad y la electronica.10-7.pdf
 
tecno 2024.pdf sara mineiro palacio 10-6
tecno 2024.pdf sara mineiro palacio 10-6tecno 2024.pdf sara mineiro palacio 10-6
tecno 2024.pdf sara mineiro palacio 10-6
 
Trabajo de tecnología primer periodo 2024
Trabajo de tecnología primer periodo 2024Trabajo de tecnología primer periodo 2024
Trabajo de tecnología primer periodo 2024
 
TECNOLOGIA 11-4.8888888888888888888888888
TECNOLOGIA 11-4.8888888888888888888888888TECNOLOGIA 11-4.8888888888888888888888888
TECNOLOGIA 11-4.8888888888888888888888888
 
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx
#Tare10ProgramacionWeb2024aaaaaaaaaaaa.pptx
 
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docxBLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docx
BLOG, EXCEL AVANZADO, MÉTODOS ESTADÍSTICOS..docx
 
Análisis de los artefactos (nintendo NES)
Análisis de los artefactos (nintendo NES)Análisis de los artefactos (nintendo NES)
Análisis de los artefactos (nintendo NES)
 
Nomisam: Base de Datos para Gestión de Nómina
Nomisam: Base de Datos para Gestión de NóminaNomisam: Base de Datos para Gestión de Nómina
Nomisam: Base de Datos para Gestión de Nómina
 
Trabajo de Tecnología .pdfywhwhejsjsjsjsjsk
Trabajo de Tecnología .pdfywhwhejsjsjsjsjskTrabajo de Tecnología .pdfywhwhejsjsjsjsjsk
Trabajo de Tecnología .pdfywhwhejsjsjsjsjsk
 
Trabajando con Formasy Smart art en power Point
Trabajando con Formasy Smart art en power PointTrabajando con Formasy Smart art en power Point
Trabajando con Formasy Smart art en power Point
 
Trabajo de tecnología liceo departamental
Trabajo de tecnología liceo departamentalTrabajo de tecnología liceo departamental
Trabajo de tecnología liceo departamental
 
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024
Inteligencia Artificial. Matheo Hernandez Serrano USCO 2024
 
tecnologiaactividad11-240323205859-a9b9b9bc.pdf
tecnologiaactividad11-240323205859-a9b9b9bc.pdftecnologiaactividad11-240323205859-a9b9b9bc.pdf
tecnologiaactividad11-240323205859-a9b9b9bc.pdf
 
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guia
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guiaORIENTACIONES DE INFORMÁTICA-2024.pdf-guia
ORIENTACIONES DE INFORMÁTICA-2024.pdf-guia
 
TENDENCIAS DE IA Inteligencia artificial generativa.pdf
TENDENCIAS DE IA Inteligencia artificial generativa.pdfTENDENCIAS DE IA Inteligencia artificial generativa.pdf
TENDENCIAS DE IA Inteligencia artificial generativa.pdf
 
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf
_Planificacion Anual NTICX 2024.SEC.21.4.1.docx.pdf
 
Tecnología Educativa- presentación maestría
Tecnología Educativa- presentación maestríaTecnología Educativa- presentación maestría
Tecnología Educativa- presentación maestría
 

Metodo Montecarlo

  • 1.
  • 2. Método de Montecarlo La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar números pseudoaleatorios y automatizar cálculos. 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 datan aproximadamente de 1944 con el desarrollo de la computadora.
  • 3. La invención del método de Monte Carlo se asigna a Stan Ulam y a John von Neuman. 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.
  • 4. 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 las miles de posibilidades, y en cada etapa, determinar por casualidad, por un número aleatorio distribuido según las probabilidades, qué sucedería y totalizar todas las posibilidades y tener una idea de la conducta del proceso físico”.
  • 5. Podían utilizarse máquinas de computación, que comenzaban a estar disponibles, para efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental del físico. 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 Monte Carlo “comenzó a tener forma concreta y empezó a desarrollarse con todas sus fallas de teoría rudimentaria después de que se lo propuse a Johnny”.
  • 6. A principios de 1947 Von Neumann envió una carta a Richtmyer a Los Álamos en la que expuso de modo influyente tal vez el primer informe por escrito del método de Monte Carlo. 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 le método para rastrear la generación isotrópica 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.
  • 7. Ulam estaba particularmente interesado en el método Monte Carlo 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.
  • 8. Definición La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos).
  • 9. El método de Monte Carlo es un método no determinístico o estadístico numérico usado para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud. El método de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemáticos posibilitando la realización de experimentos con muestreos de números pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solución aproximada, el método de Monte Carlo tiene un error absoluto de la estimación que decrece como en virtud del teorema del límite central.  
  • 10. Clave del método de Montecarlo Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema Crear un modelo matemático del sistema que se quiere analizar Identificar las variables cuyo comportamiento aleatorio determina el comportamiento global del sistema. se lleva a cabo un experimento consistente en generar muestras aleatorias para las variables nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.
  • 11. Aplicaciones del Metodo Se asocian intervalos de números aleatorios según las probabilidades de ocurrencia de los eventos a simular
  • 12. 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. Así, en la actualidad es posible encontrar modelos que hacen uso de simulación MC en las áreas informática, empresarial, económica, industrial e incluso social. En otras palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papel fundamental precisamente
  • 13. Ejemplo Una forma de hacer pruebas de Monte Carlo es con una hoja de cálculo como Microsoft Excel. En el ejemplo se muestra un análisis histórico de 200 días sobre consultas realizadas en un sistema de información. La tabla muestra el número de consultas diarias (de 0 a 5) junto con las frecuencias absolutas (# de días por cada frecuencia), las frecuencias relativas y las frecuencias relativas acumuladas.
  • 14. Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas, que sólo puede tomar valores enteros entre 0 y 5). Supongamos que queremos conocer el número esperado (o medio) de consultas por día. Una forma directa es haciendo la operación Valor Medio = sumatoria (#de visitas*Probabilidad de que ocurran) = 0*0,05+1*0,1+2*0,2+3*0,3+4*0,2+5*0,15=2,95
  • 15. Por otro lado se puede usar una simulación Monte Carlo para deducirla. Para ello se tiene en cuenta las frecuencias relativas acumuladas de esta manera: [0,00 a 0,05) para el suceso 0[0,05 a 0,15) para el suceso 1[0,15 a 0,35) para el suceso 2[0,35 a 0,65) para el suceso 3[0,65 a 0,85) para el suceso 4[0,85 a 1,00) para el suceso 5 El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas. En él, se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa.
  • 16. Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará asociado a un suceso. Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas 0,2567
  • 17. 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. Un ejemplo sería el famoso problema de las Agujas de Bufón.
  • 18. Una manera que conocemos para calcular el valor de es trazando un círculo y dividiendo lo que mide su circunferencia entre lo que mide su diámetro. Sin embargo, desde que hace cientos de años, los matemáticos han desarrollado otras maneras para llegar al número . Una de ellas es el experimento propuesto por el Conde de Buffon en 1777.
  • 19. Georges Louis Leclerc Conde de Buffon. Naturalista, matemático, biólogo, cosmólogo y escritor francés. Las ideas de Buffon influyeron a las siguientes generaciones de naturalistas incluyendo a Lamarck y Darwin. En matemáticas Buffon es recordado por su teoría de la probabilidad y el problema clásico de la aguja de Buffon.
  • 20. La aguja de Buffon es un clásico problema de probabilidad geométrica, de inmediata realización práctica y cuyo interés radica en que es un método sencillo para ir aproximando el valor del número π a partir de sucesivos intentos. Fue planteado por el naturalista francés Buffon en 1733 y reproducido por él mismo ya resuelto en 1777.
  • 21. La aguja de Buffon Buffon demostró que si lanzamos, al azar, una aguja de longitud L sobre una superficie en la que hay dibujadas líneas paralelas separadas una distancia D, la probabilidad de que la aguja corte a una línea es : Vamos a utilizar este resultado para medir  Material Necesario Una superficie con líneas paralelas Una aguja, palillo u objeto similar, de longitud menor o igual a la distancia entre líneas. Para simplificar es conveniente que la distancia entre dos rayas coincida con la longitud de la aguja.
  • 22. Caso A Se trata de lanzar una aguja sobre un papel en el que se han trazado rectas paralelas distanciadas entre sí de manera uniforme. Construyamos una red de 10 segmentos de recta paralelos, equidistantes en una unidad D.  Tomemos además una aguja cuya longitud l sea menor que D. Si la aguja tiene una longitud (L) menor que la distancia entre dos líneas (D) :                Fig.: Red de paralelas de Buffon con su aguja
  • 23. Caso B En este caso utilizaremos una aguja de tamaño igual a la distancia entre líneas, de tal manera que la longitud de la aguja sea igual a la distancia entre dos líneas. PROCEDIMIENTO: Deja caer, de la forma más aleatoria posible, la aguja sobre la superficie. Anota el número de tiradas y el número de veces que la aguja corta a una línea. El cociente entre el número total de tiradas y el número de veces que la aguja corta a una línea tiende a pi/2 ( se parecerá tanto más cuanto mayor sea el número de tiradas)
  • 24. Comprobación del experimento DEMOSTRACIÓN: # Nº de lanzamientos: 55 # Nº de cortes: 35 # Distancia entre las líneas paralelas(en este caso, igual a la longitud de la aguja): 1.6 cm Π= 2X55/35 Π= 3.1428571428487
  • 25. Gracias por su atención