Professional Documents
Culture Documents
RESUMEN
ABSTRACT
Today many people know what is the Monte Carlo method? How is it applied? What is?
Among other questions, but without knowing many of them have been applied in various
situations of everyday life.
The Monte Carlo method itself is not deterministic numerical or statistical method used to
approximate complex and expensive mathematical expressions to accurately assess. The
method was named in reference to the Casino de Monte Carlo (Monaco) as "the capital of
gambling", as the roulette a simple random number generator. The name and the systematic
development of Monte Carlo methods dating from about 1944 and greatly improved with the
development of the computer.
MÉTODO MONTECARLO
Para comprender más acerca del método Montecarlo y su aplicación es indispensable conocer
que es la administración de riesgos la teoría presentada por McConnell (1997) dice:
Por esto podemos explicar que la administración de riesgo es el proceso por el cual la dirección
de una empresa u organización administra el amplio espectro de los riesgos a los cuales está
expuesto de acuerdo al nivel de riesgo al cual están dispuestos a exponerse según sus
objetivos estratégicos.
El apetito de riesgo financiero y la tolerancia al riesgo operativo varía con la estrategia y las
condiciones de la industria y sus mercados.
La administración del riesgo representa un Área de Conocimiento, lo cual quiere decir que
requiere de mucha atención, y además está sujeto a una serie de procesos para su
identificación, valoración, mitigación y control.
Según el Project Management Institute (PMI), los cuatro procesos que involucra la
administración del riesgo son:
Una manera de mejorar la productividad y reducir los costos del proyecto es mediante una
identificación y eliminación temprana de riesgos; la corrección de problemas de software
implica un alto costo, que se puede evitar realizando correcciones en la fase de planeación del
proyecto.
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. Este trabajo conllevaba la simulación de
problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones en el
material de fisión. Esta difusión posee un comportamiento eminentemente aleatorio. En la
actualidad es parte fundamental de los algoritmos de Raytracing para la generación de
imágenes 3D
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. 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”.
En 1946, los físicos del Laboratorio Científico de Los Álamos están investigando blindaje contra
la radiación y la distancia que los neutrones probablemente viajar a través de diferentes
materiales. A pesar de tener la mayor parte de los datos necesarios, tales como la distancia
media de un neutrón sería viajar en una sustancia antes de que chocó con un núcleo atómico,
y la cantidad de energía que era probable que emiten después de una colisión de neutrones,
los físicos de Los Álamos no pudieron resolver el problema con métodos matemáticos
convencionales, deterministas. Stanislaw Ulam tuvo la idea de usar los experimentos
aleatorios. Él relata su inspiración de la siguiente manera:
Los primeros pensamientos e intentos que hice a la práctica fueron sugeridas por una pregunta
que se me ocurrió en 1946 cuando estaba convaleciente de una enfermedad y jugando
solitarios. La pregunta era: ¿cuáles son las posibilidades de que un solitario Canfield distribuida
con 52 cartas saldrán con éxito? Después de pasar un montón de tiempo tratando de
estimarlos mediante cálculos combinatorios puros, me preguntaba si un método más práctico
que el "pensamiento abstracto" Puede que no sea para ponerla a decir cien veces y
simplemente observar y contar el número de obras de éxito. Esto ya era posible prever con el
inicio de la nueva era de las computadoras rápidas, y de inmediato pensó en los problemas de
difusión de neutrones y otras cuestiones de la física matemática, y más en general la manera
de cambiar los procesos descritos por ciertas ecuaciones diferenciales en una forma
equivalente interpretable como una sucesión de operaciones aleatorias. Más tarde, describí la
idea de John von Neumann, y comenzamos a planificar cálculos reales. -Stanislaw Ulam
Siendo secreto, el trabajo de von Neumann y Ulam requiere un nombre en clave. Von
Neumann eligió el nombre de Monte Carlo. El nombre hace referencia al Casino de Monte
Carlo en Mónaco, donde el tío de Ulam pediría prestado dinero para jugar. Uso de listas de
números aleatorios "verdaderamente aleatorios" era extremadamente lento, pero von
Neumann desarrolló una forma de calcular números pseudoaleatorios, utilizando el método de
cuadrados de media.
Aunque este método ha sido criticado como crudo, von Neumann era consciente de esto: lo
justificó por ser más rápido que cualquier otro medio a su disposición, y también señaló que
cuando salió mal lo hizo, obviamente, a diferencia de los métodos que pueden ser sutilmente
incorrectas.
Métodos de Monte Carlo fueron centrales en las simulaciones necesarias para el Proyecto
Manhattan, aunque muy limitado por las herramientas computacionales en el momento. En la
década de 1950 que se utilizaron en Los Álamos para los primeros trabajos relacionados con el
desarrollo de la bomba de hidrógeno, y se popularizó en los campos de la física, la química
física y la investigación de operaciones. La Rand Corporation y la Fuerza Aérea de EE.UU.,
fueron dos de las principales organizaciones responsables de la financiación y la difusión de
información sobre los métodos de Monte Carlo durante este tiempo, y comenzaron a
encontrar una amplia aplicación en muchos campos diferentes.
Usos de los métodos de Monte Carlo requieren grandes cantidades de números aleatorios, y
era el uso que estimuló el desarrollo de generadores de números pseudoaleatorios, que eran
mucho más rápido de usar que las tablas de números aleatorios que se habían utilizado
anteriormente para el muestreo estadístico.
EJEMPLO
Una forma de hacer pruebas de Monte Carlo es con una hoja de cálculo como Microsoft Excel.
En el ejemplo presentado en el tutorial 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.
Supongamos que queremos conocer el número esperado (o medio) de consultas por día.
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.
Métodos de Monte Carlo son especialmente útiles para la simulación de fenómenos con
incertidumbre en los insumos y sistemas con un gran número de grados de libertad acoplados.
Las áreas de aplicación incluyen:
Ciencias físicas
Métodos de Monte Carlo son muy importantes en física computacional, química física y
campos aplicados relacionados, y tienen diversas aplicaciones del cromo dinámico cuántica
complicados cálculos para diseñar pantallas térmicas y formas aerodinámicas. En la física
estadística Monte Carlo modelado molecular es una alternativa a la dinámica molecular
computacional, y métodos de Monte Carlo se usan para calcular las teorías estadísticas de
campo de sistemas de polímeros sencilla de partículas y. Quantum métodos de Monte Carlo a
resolver el problema de muchos cuerpos para sistemas cuánticos. En la física experimental de
partículas, métodos de Monte Carlo se utilizan para el diseño de detectores, la comprensión
de su comportamiento y la comparación de los datos experimentales con la teoría. En
astrofísica, que se utilizan en este tipo de diversas maneras para modelar tanto la evolución de
las galaxias y la transmisión de la radiación de microondas a través de una superficie planetaria
áspera. Métodos de Monte Carlo también se utilizan en los modelos de conjunto que forman
la base de la actual predicción del tiempo.7
Ingeniería
En la ingeniería aeroespacial, se utilizan los métodos de Monte Carlo para asegurar que
múltiples partes de un ensamblaje encajan en un componente del motor.
Biología Computacional
Métodos de Monte Carlo se utilizan en biología computacional, tales como para la inferencia
bayesiana en la filogenia.
Los sistemas biológicos tales como membranas de proteínas, imágenes de cáncer, están
siendo estudiados por medio de simulaciones por ordenador.
Los sistemas pueden ser estudiados en los marcos initio de grano grueso o ab dependiendo
de la precisión deseada. Las simulaciones por ordenador nos permiten monitorear el entorno
local de una molécula en particular para ver si alguna reacción química ocurre por ejemplo.
También se pueden llevar a cabo experimentos de pensamiento cuando los experimentos
físicos no son factibles, por ejemplo, bonos de rotura, la introducción de impurezas en sitios
específicos, el cambio de la estructura local/global, o la introducción de campos externos.
Infografía
Camino trazado, a veces denominada Monte Carlo Ray Tracing, hace una escena 3D
trazando al azar muestras de posibles trayectorias de la luz. Muestreo repetido de cualquier
píxel con el tiempo hará la media de las muestras para converger en la solución correcta de la
ecuación de la representación, por lo que es uno de los gráficos en 3D más precisos
físicamente métodos existentes de representación.
Estadística aplicada
Diseño y visuales
Finanzas y negocio
Métodos de Monte Carlo en finanzas a menudo se utilizan para calcular el valor de las
empresas, para evaluar las inversiones en proyectos en una unidad de negocio o nivel
corporativo, o para evaluar los derivados financieros. Pueden ser utilizados para los programas
del proyecto de modelo, donde las simulaciones se agregan las estimaciones para el peor de
los casos, el mejor de los casos, y lo más probable duración de cada tarea para determinar los
resultados para el conjunto del proyecto.
Telecomunicaciones
Cuando se planifica una red inalámbrica, el diseño debe ser probado para trabajar para una
amplia variedad de escenarios que dependen principalmente del número de usuarios, su
ubicación y los servicios que desea utilizar. Métodos de Monte Carlo se utilizan típicamente
para generar estos usuarios y sus estados. El rendimiento de la red se evaluó a continuación y,
si los resultados no son satisfactorios, el diseño de la red pasa a través de un proceso de
optimización.
Utilizar en matemáticas
En general, los métodos de Monte Carlo se utilizan en las matemáticas para resolver
diversos problemas mediante la generación de números aleatorios adecuados y la observación
de que la fracción de los números que obedece a alguna propiedad o propiedades. El método
es útil para la obtención de soluciones numéricas a problemas demasiado complicados para
resolver analíticamente. La aplicación más común del método de Monte Carlo es la integración
Monte Carlo.
Integración
Métodos de Monte Carlo proporcionan una manera de salir de este aumento exponencial de
tiempo de cálculo. Mientras la función en cuestión está razonablemente bien comportado, se
puede estimar mediante la selección aleatoria 100 puntos en el espacio tridimensional, y
teniendo algún tipo de promedio de los valores de la función en estos puntos. Por el teorema
del límite central, este método muestra la convergencia, es decir, cuadruplicar el número de
puntos de muestra reduce a la mitad el error, sin importar el número de dimensiones.
Matemática Computacional
Conclusión.
Trabajos citados
11
Autoras:
Método de Montecarlo
Ir a la navegación
Ir a la búsqueda
El uso de los métodos de Montecarlo 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. Este trabajo conllevaba la simulación de
problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones en el
material de fisión. Esta difusión posee un comportamiento eminentemente aleatorio. En la
actualidad es parte fundamental de los algoritmos de raytracing para la generación de
imágenes 3D.
Montecarlo.
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam refinaron
esta ruleta y los métodos "de división" de tareas. Sin embargo, el desarrollo sistemático de
estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948. Aproximadamente
en el mismo año, Enrico Fermi, Nicholas Metropolis y Ulam obtuvieron estimadores para los
valores característicos de la ecuación de Schrödinger para la captura de neutrones a nivel
nuclear usando este método.
Casi aleatorio
Una variable de Charly Brown pseudoaleatoria es una variable que ha sido creada a
través de un procedimiento determinista (por norma general un programa de ordenador
o subrutina) el cual tiene como entrada dígitos realmente aleatorios. La cadena
pseudoaleatoria resultante suele ser más larga que la cadena aleatoria original, pero
menos aleatorio, es decir, con menos entropía.
Campos de aplicación
Los generadores de números pseudoaleatorios son ampliamente utilizados en campos
tales como el modelado por computadora, estadística, diseño experimental, etc. Algunas
de estas secuencias son lo suficientemente aleatorias para ser útiles en estas
aplicaciones.
Una de las utilidades principales de los números pseudoaleatorios tiene lugar en los
campos de la criptografía y de la esteganografía. Por ello se sigue investigando en la
generación de dichos números, empleando por ejemplo medidores de ruido blanco o
analizadores atmosféricos, ya que experimentalmente se ha comprobado que tienen una
aleatoriedad bastante alta.
Secuencia pseudoaleatoria
Por lo general, el interés no radica en generar un solo número aleatorio, sino muchos,
reunidos en lo que se conoce como secuencia aleatoria.
Los códigos de pseudoruido deben satisfacer, entre otras, las siguientes condiciones:
Debe notarse que la sucesión, aún siendo una secuencia, guarda una periodicidad
buscada de por si o como consecuencia indeseable. Por lo general, al crear secuencias
aleatorias se busca que la periodicidad sea la menor posible, salvo en sistemas donde
sea requerido como parte del planteamiento concebido y esperado, de ahí la sucesión.
Historia
La generación de números tiene múltiples usos (principalmente en estadística,
simulaciones y criptografía). Al principio los investigadores que necesitaban secuencias
de números aleatorios tenían que generarlos ellos mismos mediante dados, monedas,
cartas, etc. o utilizar tablas de números aleatorios existentes.
Metodos Congruenciales
Congruencial Mixto
Donde:
X0 = la semilla (X0 > 0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= el modulo (m>X0 , m>a y m>c)
Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir aXn + c entre el
modulo.
Veamos el siguiente ejemplo:
Generar 2 números aleatorios de modulo 8 con constantes a= 5 y c=7 y una semilla
x0 = 4.
XN+1= (5XN + 7)(MODULO 8)
X1= 27 MODULO 8= 3
X2=22 MODULO 8= 6
Congruencial Multiplicativo
Ejemplo:
https://spreadsheets.google.com/ccc?hl=en&key=tbTzTnMR-Jgj-UmOu-czftQ&hl=en#