Académique Documents
Professionnel Documents
Culture Documents
Antecedentes
Dentro de problemas matemticos se pueden englobar tanto la estimacin de
constantes o parmetros, como la derivacin de funciones de densidad de
variables aleatorias que son funcin de otras variables aleatorias. Los primeros
problemas son puramente matemticos, mencionando como ejemplo la estimacin
del numero pi. Los segundos entran dentro de la estdistica matemarica, como la
derivacin de distribuciones en el muestreo, o incluso de la matemtica-logica, si
se habla de la resolucin de problemas mas complejos mediante la modelizacin
de un sistema complejo (por ejemplo, los sistemas con lneas de espera)
El muestreo de varialbes aleatorias implica la generacin de valores
independientes de las variables de forma que cada iteracin sea diferecnte. Para
ello, se ha se disponer de un elemento fsico del qu se conozca la variabilidad de
sus resultados. La evolucin de estos elementos ha sido decisisva en las erapas
de evolucin de Montecarlo. Asi, los primeros elementos son monedas(que
producen 0 1 con igual probabilidad), dados(la misma pribabilidad segn el
numero de caras), la rulera(con 37 o 38 posibilidades) hasta llegar a los
ordenadores. Es la utilizacin de estas maquinas de calculo para generar
muestras el momento de explosin del mtodo dad su rapidez y posibilidad de
repeticin, representada por la generacin de cadenas de nmeros
pseudoaleatorios
2. Objetivo
Poder resolver un problema estadstico-matemtico usando la simulacin de
Montecarlo
3. Marco terico
La importancia actual del mtodo Montecarlo se basa en la existencia de
problemas que tienen difcil solucin por mtodos exclusivamente analticos o
numricos, pero que dependen de factores aleatorios o se pueden asociar a un
modelo probabilstica artificial (resolucin de integrales de muchas variables,
minimizacin de funciones, etc.). Gracias al avance en diseo de los ordenadores,
clculos Montecarlo que en otro tiempo hubieran sido inconcebibles, hoy en da se
presentan como asequibles para la resolucin de ciertos problemas. En estos
mtodos el error ~ 1/N, donde N es el nmero de pruebas y, por tanto, ganar una
cifra decimal en la precisin implica aumentar N en 100 veces. La base es la
generacin de nmeros aleatorios de los que nos serviremos para calcular
probabilidades. Conseguir un buen generador de estos nmeros as como un
conjunto estadstico adecuado sobre el que trabajar son las primeras dificultades
con la nos vamos a encontrar a la hora de utilizar este mtodo.
4. Marco Practico
La simulacin Monte Carlo realiza el anlisis de riesgo con la creacin de modelos
de posibles resultados mediante la sustitucin de un rango de valores una
distribucin de probabilidad para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero
de incertidumbres y de los rangos especificados, para completar una simulacin
Monte Carlo puede ser necesario realizar miles o decenas de miles de clculos. La
simulacin Monte Carlo produce distribuciones de valores de los resultados
posibles.
6. Diseo
7. Bibliografa
Lpez, S. M. (s.f.). www.expansion.com. Obtenido de
http://www.expansion.com/diccionario-economico/simulacion-de-montecarlo.html
Ortega, S. H. (s.f.). es.slideshare.net. Obtenido de
http://es.slideshare.net/CrypticHernndezOrtega/resumen-simulacion-demontecarlo
Palomino, T. (s.f.). es.scribd.com. Obtenido de
https://es.scribd.com/doc/40917536/Metodo-de-Monte-Carlo-y-SusAplicaciones#download
www.uam.es. (s.f.). www.uam.es. Obtenido de
https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/montecarlo.ht
ml