Anda di halaman 1dari 2

1.

El mtodo de Monte Carlo es un mtodo no determinstico o estadstico numrico,


usado para aproximar expresiones matemticas complejas y costosas de evaluar con
exactitud. El mtodo se llam as en referencia al Casino de Monte Carlo (Principado
de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple
de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte
Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo
de la computadora. MTODO DE MONTE CARLO
2. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la
computadora. El mtodo de Monte Carlo proporciona soluciones aproximadas a una
gran variedad de problemas matemticos posibilitando la realizacin de experimentos
con muestreos de nmeros pseudoaleatorios en una computadora. MTODO DE
MONTE CARLO
3. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinista.
A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en
un espacio M-dimensional para producir una solucin aproximada, el mtodo de
Monte Carlo tiene un error absoluto de la estimacin que decrece como en virtud del
teorema del lmite central. MTODO DE MONTE CARLO
4. 2.3.1 CARACTERSTICAS El mtodo de Montecarlo tiene como caractersticas ventajas y
desventajas. Una ventaja de la simulacin de Montecarlo seria sobre los resultados
probabilsticos y grficos ya que, con los probabilsticos muestran lo que puede
suceder y que tan probable es que suceda un resultado, con los grficos cuando los
datos son generados por Montecarlo se hace fcil crear grficas para observar cuales
son las posibilidades de que algo suceda.
5. Otras ventajas que se puede mencionar serian que cuando se tienen pocos resultados,
se hace ms difcil ver lo que afecta el resultado, en cambio cuando se utiliza
simulacin Montecarlo se hace ms fcil que vea cuales son las variables que influyen
ms en los resultados. 2.3.1 CARACTERSTICAS
6. Ampliando sobre las ventajas que proporciona la simulacin de Montecarlo: se sabe
que cuando se hacen algunas simulaciones es muy difcil modelar diferentes
combinaciones de valores de entrada, pero al utilizar la simulacin de Montecarlo se
puede ver qu valores tiene exactamente cada variable, al igual que se puede
relacionar distintas variables de entrada para averiguar con certeza porque ciertos
valores tienen cambios repentinos paralelamente. 2.3.1 CARACTERSTICAS
7. Como toda simulacin cuando tiene ventajas, tiene sus desventajas as que ahora
aprenderemos sobre las desventajas que tiene la simulacin Montecarlo, una de ellas
es que no siempre proporciona un resultado correcto y podemos cometer un error, ya
que la simulacin nos brind un resultado incorrecto. 2.3.1 CARACTERSTICAS
8. Hablando del mtodo de la aguja de bufn, que es una aplicacin del mtodo
Montecarlo su desventaja es que solo se puede aplicar en medios que contienen
geometras planas. Otra desventaja seria; al tener un modelo de simulacin las
salidas producidas es aleatorias y deben ser tratadas como lo que son, es decir como
una estimacin solamente, tambin que al suponer valores para realizar la simulacin
el sistema puede ser muy poco realista. 2.3.1 CARACTERSTICAS
9. Tambin podemos destacar como desventaja que si son modelos de simulacin muy
complejos pueden requerir mucho tiempo para construirlos. 2.3.1 CARACTERSTICAS
10. 2.3.2 APLICACIONES Criptografa. Cromo dinmica cuntica. Densidad y flujo de
trfico. Diseo de reactores nucleares. Diseo de VLSI. Ecologa. Econometra.
Evolucin estelar. Fsica de materiales.
11. Mtodos cuantitativos de organizacin industrial. Programas de computadora.
Pronstico del ndice de la bolsa. Prospecciones en explotaciones petrolferas.
Radioterapia contra el cncer. Sistemas de colas. Sistemas de inventario P y Q.
Valoracin de cartera de valores. 2.3.2 APLICACIONES
12. 2.3.3 SOLUCIN DE PROBLEMAS 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, usualmente conocido
en la literatura como MTTF - Mean Time To Failure). Supongamos que cada panel
solar tiene una vida til que es aleatoria, y est uniformemente distribu da en el rango
[1000 hrs, 5000 hrs] (valor promedio: 3000 hrs).
13. Para estimar por Monte Carlo el valor de , 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 cul 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 .
14. 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.