I N S T I T U T O T E C N O LO G I C O D E C E R R O A Z U L

UNIDAD 2:NMEROS PSEUDOALEATORIOS.

CATEDRATICO: ZAMORA GARZA SALVADOR

INTEGRANTES:
CRUZ FLORENTINO FRANCISCO JAVIER
CRUZ NAVARRETE OMAR
NAVA CASTILLO JORGE LUIS
HERNANDEZ CRUZ MARIA CLARET

METODO
DE
MONTECARLO

MTODO DE MONTE
CARLO
Elmtodo de Monte Carlo es unmtodo no determinstico o
estadstico numrico, usado para aproximarexpresiones
matemticascomplejas y costosas de evaluar con exactitud. El
mtodo se llam as en referencia alCasino de Monte
Carlo(PrincipadodeMnaco)porserlacapitaldeljuegodeazar,
al ser laruletaun generador simple denmeros aleatorios. El
nombre y el desarrollo sistemtico de los mtodos de Monte Carlo
datanaproximadamentede1944ysemejoraronenormementecon
eldesarrollodelacomputadora.

MTODO DE MONTE
CARLO
El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo
datan aproximadamente de1944 y se mejoraron enormemente con el
desarrollo de lacomputadora. El mtodo de Monte Carlo proporciona
soluciones aproximadas a una gran variedad de problemas
matemticos posibilitando la realizacin de experimentos con
muestreosdenmerospseudoaleatoriosenunacomputadora.

MTODO DE MONTE
CARLO
El mtodo es aplicable a cualquier tipo de problema, ya sea
estocsticoodeterminista. A diferencia de los mtodos numricos que
se basan en evaluaciones en N puntos en un espacio M-dimensional
paraproducirunasolucinaproximada,elmtododeMonteCarlotiene
un error absoluto de la estimacin que decrece como en virtud del
teoremadellmitecentral.

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
Montecarlosehacefcilcreargrficasparaobservarcualessonlas
posibilidadesdequealgosuceda.

2.3.1 CARACTERSTICAS
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
hacemsfcilqueveacualessonlasvariablesqueinfluyenmsen
losresultados.

2.3.1 CARACTERSTICAS
Ampliando sobre las ventajas que proporciona la simulacin de
Montecarlo:sesabequecuandosehacenalgunassimulacioneses
muydifcilmodelardiferentescombinacionesdevaloresdeentrada,
peroalutilizarlasimulacindeMontecarlosepuedeverquvalores
tiene exactamente cada variable, al igual que se puede relacionar
distintas variables de entrada para averiguar con certeza porque
ciertosvalorestienencambiosrepentinosparalelamente.

2.3.1 CARACTERSTICAS
Comotodasimulacincuandotieneventajas,tienesusdesventajas
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
simulacinnosbrindunresultadoincorrecto.

2.3.1 CARACTERSTICAS
Hablando del mtodo de la aguja de bufn, que es unaaplicacin
del mtodo Montecarlo su desventaja es que solo se puede aplicar
enmediosquecontienengeometrasplanas.
Otradesventajaseria;altenerunmodelodesimulacinlassalidas
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
Tambinpodemosdestacarcomodesventajaquesisonmodelos
de simulacin muy complejos pueden requerir mucho tiempo para
construirlos.

2.3.2

APLICACIONES

Criptografa.
Cromodinmicacuntica.
Densidadyflujodetrfico.
Diseodereactoresnucleares.
DiseodeVLSI.
Ecologa.
Econometra.
Evolucinestelar.
Fsicademateriales.

2.3.2

APLICACIONES

Mtodoscuantitativosdeorganizacinindustrial.
Programasdecomputadora.
Pronsticodelndicedelabolsa.
Prospeccionesenexplotacionespetrolferas.
Radioterapiacontraelcncer.
Sistemasdecolas.
SistemasdeinventarioPyQ.
Valoracindecarteradevalores.

2.3.3 SOLUCIN DE
PROBLEMAS

Supongamosquetenemosunsatlite,queparasufuncionamientodepende
dequealmenos2panelessolaresdelos5quetienedisponiblesestnen
funcionamiento,yqueremoscalcularlavidatilesperadadelsatlite(eltiempo
promediodefuncionamientohastaquefalla,usualmenteconocidoenlaliteratura
comoMTTF-MeanTimeToFailure).

Supongamosquecadapanelsolartieneunavidatilqueesaleatoria,y
estuniformementedistribudaenelrango[1000hrs,5000hrs](valor
promedio:3000hrs).

ParaestimarporMonteCarloelvalorde,haremosnexperimentos,
cadaunodeloscualesconsistirensorteareltiempodefalladecada
unodelospanelessolaresdelsatlite,yobservarcualeselmomento
enelculhanfallado4delosmismos,estaeslavariablealeatoria
cuyaesperanzaeseltiempopromediodefuncionamientodelsatlite.
Elvalorpromediodelasnobservacionesnosproporcionauna
estimacinde.

Deestasimulacin,tenemosunvalorestimadoparalavidatil
esperadadelsatlitede3683.Unindicadordelerrorquepodemos
estarcometiendoeslavarianzaoequivalentementeladesviacin
estndardeSn,queenestecasoes(haciendolosclculos)297.