Semana4 2

SIMULACION DE SISTEMAS
SIMULACION
MONTECARLO
Los orígenes de esta técnica están ligados al trabajo
desarrollado por Stam Ulam y Jhon Von Neuman a
finales de los 40
STAM ULAM JHON VON

NEUMAN
INTRODUCCION
El Método de Monte Carlo da solución a una gran

variedad de problemas matemáticos haciendo
experimentos con muestreos estadísticos en una
computadora.
El método es aplicable a cualquier tipo de

problema, ya sea estocástico o determinístico.
¿QUÉ ES LA SIMULACIÓN DE MONTE
CARLO?
Los métodos de Monte Carlo
abarcan una colección de
técnicas que permiten obtener
soluciones de problemas
matemáticos o físicos por medio
de pruebas aleatorias repetidas.
En la práctica, las pruebas

aleatorias se sustituyen por
resultados de ciertos cálculos
realizados con números
aleatorios.
OBJETIVOS
 Introducir los conceptos e ideas

clave de la simulación MC.
 Introducirse en las capacidades que

ofrece Excel en los campos de
modelado y simulación.
 Conocer algunas aplicaciones de la

simulación MC.
ESQUEMA DE SIMULACION
MONTECARLO
METODOS DE SIMULACION
MC
 Método Clásico (Classical Monte Carlo, CMC)
 Método Cuántico (Quantum Monte Carlo, QMC)
 Método de la Integral a lo largo de la Trayectoria (Path-

Integral Quantum Monte Carlo, PIMC)
 Método Volumétrico (Volumetric Monte Carlo, VMC)
 Método de Simulación (Simulation Monte Carlo, SMC)

ORIENTACIONES
• El contenido aquí desarrollado contiene una

extensión a los temas cubiertos en la guía del
curso que se ha seleccionado por la su
importancia para la compresión de los
esquemas de simulación.
2
CONTENIDOS TEMÁTICOS
• El Método de Simulación de Montecarlo.
• Ejemplo 1: Simulación estática de
Montecarlo para Calcular PI
• Ejemplo 2: Análisis de inversión
• Ejemplo 3: Modelo dinámico
3
Método de Simulación de Monte Carlo
• Es un método estadístico numérico y permite simular y

evaluar modelos matemáticos complejos.
• El método de Monte Carlo es en realidad una clase de

métodos que comparten el siguiente conjunto de
características:
– Definen un dominio de entradas posibles.
– Generan entradas aleatoriamente en el dominio
definido.
– Realizan cálculos determinísticos usando las entradas
generadas.
– Consolidan los resultados de los cálculos individuales
en el resultado final.
4
Ejemplo 1: Simulación estática de Montecarlo
para Calcular PI
5
Como es la cuarta parte
Se divide entre cuatro(4)
Ejemplo 1: Simulación estática de Montecarlo
para Calcular PI
5
Si lanzamos dardos aleatoriamente dentro del
recuadro…
¿Cuántos dardos
caerán dentro del
área sombreada?
¿Proporciones?
¿Probabilidad?
6
AREA= r^2
r
r
AREA SOMBREADA # dardos que caen dentro del área sombreada
=≅
AREA DEL CUADRADO #dardos que caen dentro del área del cuadrado
7
AREA SOMBREADA 14 p r 2 1
= 2 = p
AREA DEL CUADRADO r 4
p1 #dardos que caen dentro del área sombreada

4 = #dardos que caen dentro del área del cuadrado
p =4 #dardos que caen dentro del área sombreada

#dardos que caen dentro del área del cuadrado
8
Ingresa números aleatorios
Se halla R
Si R < 1 azul dentro
Si R> 1 blanca afuera
Construyendo el modelo en excel…
9
Ejemplo 2: Análisis de inversión
• Se sabe que de cada 10 semillas Evaluemos el resultado para las 3
sembradas en un suelo de cultivo, solo primeras semillas...
5 se convertirán en plantas de buena
Escogemos 3 números aleatorios en
calidad, 3 serán de baja calidad y 2 no
el intervalo [0,1>
se desarrollarán. Además se sabe que
las ganancias por cada planta de 0.29
buena y baja calidad es 0.15
respectivamente 7 y 3 soles. 0.83
• ¿Si se siembran 100 semillas, que
resultados se tendrán? Ubicamos el evento correspondiente
Plantasalta Plantasbaja Nodesarrolla según la tabla de probabilidad
calidad calidad acumulada.
0.29 => Alta calidad
5/10=0.5 3/10=0.3 2/10=0.2
0.83 => No desarrolla.
Intervalos de probabilidad
acumulada
Según la simulación se tendría
[0 , 0.5> Alta calidad hasta el momento que de las 3
[0.5 , 0.8> Baja calidad primeras semillas lanzadas 2 se
convertirían en plantas de alta
[0.8 , 1> No desarrolla calidad y 1 no desarrollaría.
11
Se sabe que de cada 10 semillas
sembradas en un suelo de cultivo, solo
las ganancias por cada planta de
buena y baja calidad es
respectivamente 7 y 3 soles.
¿Si se siembran 100 semillas, que
resultados se tendrán?
Plantasalta Plantasbaja Nodesarrolla

calidad calidad
5/10=0.5 3/10=0.3 2/10=0.2

Ejemplo 2: Análisis de inversión
• Se sabe que de cada 10 semillas Evaluemos el resultado para las 3
sembradas en un suelo de cultivo, solo primeras semillas...
Escogemos 3 números aleatorios en
el intervalo [0,1>
las ganancias por cada planta de 0.29
buena y baja calidad es 0.15
respectivamente 7 y 3 soles. 0.83
• ¿Si se siembran 100 semillas, que
resultados se tendrán? Ubicamos el evento correspondiente
Plantasalta Plantasbaja Nodesarrolla según la tabla de probabilidad
calidad calidad acumulada.
5/10=0.5 3/10=0.3 2/10=0.2
0.83 => No desarrolla.
Intervalos de probabilidad
acumulada
Según la simulación se tendría
[0 , 0.5> Alta calidad hasta el momento que de las 3
[0.5 , 0.8> Baja calidad primeras semillas lanzadas 2 se
convertirían en plantas de alta
[0.8 , 1> No desarrolla calidad y 1 no desarrollaría.
11
Solución usando Excel
12
Se sabe que de cada 100 semillas sembradas en un suelo de cultivo, solo la
60% se convertirán en plantas de ALTA calidad, 20% serán de BUENA calidad y 10%
BAJA CALIDAD ,10% no se desarrollarán. Además se sabe que las ganancias por
cada planta de ALTA ,BUENA Y BAJA calidad es respectivamente 25, 15 y
10 soles.
¿Si se siembran 1000 semillas, que resultados se tendrán?

Semana4 2

Cargado por

Copyright:

Formatos disponibles

Semana4 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Semana4 2

Cargado por

Copyright:

Formatos disponibles

SIMULACION DE SISTEMAS

STAM ULAM JHON VON

El Método de Monte Carlo da solución a una gran

El método es aplicable a cualquier tipo de

En la práctica, las pruebas

 Introducir los conceptos e ideas

 Introducirse en las capacidades que

 Conocer algunas aplicaciones de la

 Método Cuántico (Quantum Monte Carlo, QMC)

 Método de la Integral a lo largo de la Trayectoria (Path-

 Método Volumétrico (Volumetric Monte Carlo, VMC)

 Método de Simulación (Simulation Monte Carlo, SMC)

• El contenido aquí desarrollado contiene una

• Es un método estadístico numérico y permite simular y

• El método de Monte Carlo es en realidad una clase de

p1 #dardos que caen dentro del área sombreada

p =4 #dardos que caen dentro del área sombreada

Plantasalta Plantasbaja Nodesarrolla

5/10=0.5 3/10=0.3 2/10=0.2

También podría gustarte