You are on page 1of 17

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:NÚMEROS PSEUDOALEATORIOS.

CATEDRATICO: ZAMORA GARZA SALVADOR
INTEGRANTES:
CRUZ FLORENTINO FRANCISCO JAVIER
CRUZ NAVARRETE OMAR
NAVA CASTILLO JORGE LUIS
HERNANDEZ CRUZ MARIA CLARET

“METODO DE MONTECARLO” .

  al  ser  la ruleta un  generador  simple  de números  aleatorios. .  El  método  se  llamó  así  en  referencia  al Casino  de  Monte  Carlo (Principado de Mónaco) por ser “la capital del juego de azar”.  El  nombre  y  el  desarrollo  sistemático  de  los  métodos  de  Monte  Carlo  datan aproximadamente de 1944 y se mejoraron enormemente con  el desarrollo de la computadora.MÉTODO DE MONTE CARLO El método de Monte Carlo  es  un método  no  determinístico  o  estadístico  numérico.  usado  para  aproximar expresiones  matemáticas complejas  y  costosas  de  evaluar  con  exactitud.

MÉTODO DE MONTE CARLO El  nombre  y  el  desarrollo  sistemático  de  los  métodos  de  Monte  Carlo  datan  aproximadamente  de 1944  y  se  mejoraron  enormemente  con  el  desarrollo  de  la computadora.  .  El  método  de  Monte  Carlo  proporciona  soluciones  aproximadas  a  una  gran  variedad  de  problemas  matemáticos  posibilitando  la  realización  de  experimentos  con  muestreos de números pseudoaleatorios en una computadora.

 el método de Monte Carlo tiene  un  error  absoluto  de  la  estimación  que  decrece  como    en  virtud  del  teorema del límite central.  A  diferencia  de  los  métodos  numéricos  que  se  basan  en  evaluaciones  en  N  puntos  en  un  espacio  M-dimensional  para producir una solución aproximada. .MÉTODO DE MONTE CARLO El  método  es  aplicable  a  cualquier  tipo  de  problema.  ya  sea  estocástico o determinista.

Una  ventaja de  la  simulación  de  Montecarlo  seria  sobre  los  resultados  probabilísticos  y  gráficos  ya  que.1 CARACTERÍSTICAS El  método  de  Montecarlo  tiene  como  características  ventajas  y  desventajas.2. .3.  con  los  gráficos  cuando  los  datos  son  generados  por  Montecarlo se hace fácil crear gráficas para observar cuales son las  posibilidades de que algo suceda.  con  los  probabilísticos  muestran  lo  que  puede  suceder  y  que  tan  probable  es  que  suceda  un  resultado.

2.3.1 CARACTERÍSTICAS Otras  ventajas que  se  puede  mencionar  serian  que  cuando  se  tienen  pocos  resultados.  se  hace  más  difícil  ver  lo  que  afecta  el  resultado. .  en  cambio  cuando  se  utiliza  simulación  Montecarlo  se  hace más fácil que vea cuales son las variables que influyen más en  los resultados.

  pero al utilizar la simulación de Montecarlo se puede ver qué valores  tiene  exactamente  cada  variable.2.1 CARACTERÍSTICAS Ampliando  sobre  las  ventajas  que  proporciona  la  simulación  de  Montecarlo: se sabe que cuando se hacen algunas simulaciones es  muy difícil modelar diferentes combinaciones de valores de entrada.3.  al  igual  que  se  puede  relacionar  distintas  variables  de  entrada  para  averiguar  con  certeza  porque  ciertos valores tienen cambios repentinos paralelamente. .

.1 CARACTERÍSTICAS Como toda simulación cuando tiene ventajas.  ya  que  la  simulación nos brindó un resultado incorrecto.3.  una  de  ellas  es  que  no  siempre  proporciona  un  resultado  correcto  y  podemos  cometer  un  error.2. tiene sus desventajas  así  que  ahora  aprenderemos  sobre  las  desventajas  que  tiene  la  simulación  Montecarlo.

.  que  es  una aplicación  del  método  Montecarlo  su  desventaja  es  que  solo  se  puede  aplicar  en medios que contienen geometrías planas.  es  decir  como  una  estimación  solamente. Otra desventaja seria. al tener un modelo de simulación las salidas  producidas  es  aleatorias  y  deben  ser  tratadas  como  lo  que  son.1 CARACTERÍSTICAS Hablando  del  método  de  la  aguja  de  bufón.  también  que  al  suponer  valores  para  realizar  la  simulación  el  sistema  puede  ser  muy  poco  realista.2.3.

1 CARACTERÍSTICAS También podemos destacar como desventaja que si son modelos  de  simulación  muy  complejos  pueden  requerir  mucho  tiempo  para  construirlos.2. .3.

2 APLICACIONES ¨ Criptografía. ¨ Evolución estelar. .3. ¨ Cromo dinámica cuántica. ¨ Econometría. ¨ Diseño de reactores nucleares.2. ¨ Ecología. ¨ Densidad y flujo de tráfico. ¨ Física de materiales. ¨ Diseño de VLSI.

3. .2. ¨ Valoración de cartera de valores. ¨ Sistemas de inventario P y Q. ¨ Prospecciones en explotaciones petrolíferas. ¨ Radioterapia contra el cáncer.2 APLICACIONES ¨ Métodos cuantitativos de organización industrial. ¨ Sistemas de colas. ¨ Programas de computadora. ¨ Pronóstico del índice de la bolsa.

 y está uniformemente distribu´ ıda en el rango [1000 hrs. y queremos calcular φ la vida útil esperada del satélite (el tiempo  promedio de funcionamiento hasta que falla.3. .3 SOLUCIÓN DE PROBLEMAS  Supongamos que tenemos un satélite. que para su funcionamiento depende de que al menos 2 paneles solares de los 5 que tiene disponibles estén en  funcionamiento. usualmente conocido en la literatura  como MTTF - Mean Time To Failure).2. 5000 hrs] (valor promedio: 3000 hrs).  Supongamos que cada panel solar tiene una vida útil que es aleatoria.

 esta es la variable aleatoria  cuya esperanza es el  tiempo promedio de funcionamiento del satélite. . haremos n experimentos.  cada uno de los cuales consistirá en sortear el tiempo de falla de cada  uno de los paneles solares del satélite. El valor promedio de las n observaciones nos proporciona una  estimación de φ. y observar cual es el momento  en el cuál han fallado 4 de los mismos.Para estimar por Monte Carlo el valor de φ.

.

 tenemos un valor estimado para la vida útil  esperada del satélite de 3683.De esta simulación. que en este caso es (haciendo los cálculos) 297. . Un indicador del error que podemos  estar cometiendo es la varianza o equivalentemente la desviación  estándar de Sn.