Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 4 vistas

    Metodología de Montecarlo

    Cargado por

    lizdenmaricruz

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Metodología de Montecarlo

    Cargado por

    lizdenmaricruz
    4 vistas26 páginas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    4 vistas26 páginas

    Metodología de Montecarlo

    Cargado por

    lizdenmaricruz

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 26

    Universidad de Panamá

    Facultad de Informática, Electrónica y Comunicación


    Lic. en Ingeniería en Informática

    Integrantes:
    Jorge Gómez 2-747-95
    Odalys Palacios 9-761-2045

    Carrera:
    Lic. en Ing. en Informática

    MÉTODO DE MONTECARLO
    Inf 427, Código 10140, Horario 8123

    Profesor:
    Yunnef ZamorAno

    Fecha:
    VIERNES 20 DE SEPTIEMBRE de 2024.
    índice general
    1. Introducción
    2. Objetivos
    3. Historia del Método de Montecarlo
    4. Método de Montecarlo
    Historia
    Función
    Pasos
    Importancia
    Ventajas
    Desventajas
    Aplicaciones
    Ejemplo
    5. Conclusión
    Introducción
    La técnica de Montecarlo es un enfoque computacional que utiliza
    simulaciones aleatorias para resolver problemas matemáticos
    complejos. Es especialmente útil en situaciones de incertidumbre y
    variabilidad, ya que permite explorar diversos resultados
    generando numerosas muestras aleatorias.

    El nacimiento de la simulación de Montecarlo se remonta a la


    Segunda Guerra Mundial. En aquel momento, debido al proyecto
    Manhattan, hubo importantes necesidades de comprender la
    fusión nuclear y generar energía nuclear en especial materiales.
    (Alireza Haghighat,2021)
    Objetivos
    Proveer una explicación de la técnica Montecarlo, definiendo conceptos
    clave, su origen, funcionamiento básico y variantes.
    Describir las aplicaciones prácticas de Montecarlo en diversas áreas.
    Presentar un análisis crítico de sus ventajas y desventajas.
    Mostrar un ejemplo práctico que ilustre el uso de Montecarlo.
    Exponer la historia del método Montecarlo.
    Enseñar las diferentes etapas de la técnica en forma eficiente.
    MéTODO DE
    Montecarlo
    Historia
    El método fue desarrollado por matemáticos como
    Stanislaw Ulam y John von Neumann en el
    Stanislaw Ulam
    Laboratorio Nacional de Los Álamos. Ulam, al jugar
    a los naipes y calcular probabilidades, tuvo la idea
    de aplicar la aleatoriedad para resolver problemas
    matemáticos complejos.
    ,
    John von Neuman
    FUNCIÓN DEL MÉTODO
    MONTECARLO
    Se basa en crear modelos de posibles resultados mediante la sustitución de un rango de valores
    (una distribución de probabilidad) para cualquier factor con incertidumbre inherente. Este método
    es útil para el análisis de riesgos cuantitativos, donde se asignan valores numéricos a los riesgos.
    ¿Para qué se utiliza?

    Se utiliza en distribuciones de probabilidad. Es decir, probabilidad de que un riesgo ocurra o se


    materialice.

    En función de los cálculos de las distribuciones de probabilidad, la simulación ofrece una visión
    muy completa de lo que puede suceder.

    Los resultados de la simulación muestran no sólo lo que puede suceder, sino lo probable que es
    un resultado.

    La clave de este método se apoya en producir un modelo matemático, proceso o actividad que
    se desea examinar, identificando variables cuyo comportamiento aleatorio establece la
    conducta universal del sistema.
    técnica Montecarlo
    Pasos
    1. Definición del problema
    2. Asignación de distribuciones probabilísticas
    3. Generación de números aleatorios
    4. Ejecución de simulaciones
    5. Análisis de los resultados
    1. DEFINICIÓN DEL PROBLEMA
    La primera etapa del método Montecarlo consiste en definir el problema,
    identificando las variables clave y sus relaciones, así como los criterios de evaluación.

    Identificar el experimento o sistema a simular


    Definir la variable aleatoria
    2. Asignación de
    distribuciones
    probabilísticas
    A cada una de las variables que intervienen en el problema se le asigna
    una distribución probabilística que represente su comportamiento.
    Estas distribuciones definen el rango y la probabilidad de ocurrencia de
    los posibles valores de cada variable.

    Definir la función de probabilidad


    Construir la función acumulada de probabilidad
    Calcular o construir la tabla de transformación inversa de la
    función acumulada de probabilidad
    3. Generación de números
    aleatorios
    Se generan números aleatorios siguiendo las
    distribuciones definidas previamente. Estos números se
    utilizan para simular diferentes escenarios o posibles
    resultados.

    Generar un número aleatorio y ubicarlo en la


    transformada inversa para simular un valor
    específico.
    4. Ejecución de simulaciones
    Se repite el proceso de generación de números aleatorios y cálculo
    de resultados una gran cantidad de veces (miles o millones) para
    obtener una muestra representativa de los posibles escenarios.

    5. Análisis de los resultados


    Tras ejecutar las simulaciones, se analizan los resultados obtenidos
    para extraer conclusiones, como la estimación del valor esperado, la
    probabilidad de ciertos eventos o el rango de posibles resultados.
    Ejemplo
    Lanzamiento de un dADO VIRTUAL
    BUSCAR(valor_buscado; vector_de_comparación; [vector_resultado])
    Importancia del método
    Montecarlo
    Es una herramienta clave para resolver problemas complejos, especialmente cuando las soluciones analíticas
    son difíciles o imposibles de encontrar.
    Su enfoque de simulaciones aleatorias permite modelar sistemas con muchas variables, incertidumbres y
    comportamientos impredecibles, siendo útil en diversas áreas científicas y de ingeniería.
    Es eficiente para abordar sistemas complejos con múltiples factores aleatorios, como interacciones en física o
    cambios en el mercado financiero.
    Facilita la anticipación de una variedad de resultados potenciales a través de la simulación de múltiples
    escenarios, apoyando la toma de decisiones estratégicas.
    Es valioso en problemas de gran escala o con alto grado de incertidumbre, permitiendo ejecutar muchas
    simulaciones rápidamente con computadoras modernas.
    Facilita la exploración de diversas combinaciones de parámetros, ofreciendo resultados robustos y adaptados
    a la realidad.
    VENTAJAS del método de montecarlo
    El Método de Montecarlo gestiona la incertidumbre simulando múltiples escenarios con parámetros variables, proporcionando una
    mejor comprensión de riesgos y oportunidades.

    Es útil para resolver problemas complejos que no pueden abordarse con métodos analíticos tradicionales, ofreciendo soluciones
    aproximadas mediante simulaciones.

    Su versatilidad permite aplicarlo en diversos campos como finanzas, ingeniería y salud, haciéndolo valioso para resolver problemas
    en distintas disciplinas.

    Facilita la visualización de resultados complejos mediante gráficos, lo que mejora la interpretación y la toma de decisiones
    informadas.

    Optimiza procesos al evaluar diferentes escenarios y estrategias, útil en gestión de proyectos para maximizar eficiencia y reducir
    costos.

    Ayuda a evaluar riesgos, permitiendo a las organizaciones planificar estrategias de mitigación al identificar posibles resultados
    adversos.

    La facilidad de implementación ha aumentado con herramientas tecnológicas que permiten realizar simulaciones rápidamente.

    Su repetibilidad asegura resultados robustos, permitiendo evaluar variabilidad y realizar análisis de sensibilidad bajo las mismas
    condiciones.
    Desventajas del Método de Montecarlo

    Dependencia de la aleatoriedad Resultados afectados por la calidad de los números aleatorios.

    Precisión mejora con más simulaciones, pero requiere muchas para


    Convergencia lenta resultados confiables.

    Alto consumo de recursos, especialmente en problemas complejos.


    Requerimientos computacionales

    Resultados dependen de la calidad del modelo utilizado.


    Dificultad en la modelización

    Ofrece estimaciones, no resultados precisos.


    No proporciona soluciones exacta

    ,
    Resultados pueden variar significativamente según las condiciones
    Sensibilidad a condiciones iniciales iniciales.
    Aplicaciones del Método de
    Montecarlo
    Finanzas: Evaluación de riesgos, simulación de precios de activos.
    Física: Simulación de procesos en física nuclear y partículas.
    Ingeniería: Análisis de confiabilidad, optimización de procesos.
    Ciencias de la Computación: Algoritmos de optimización, procesamiento de imágenes.
    Biología y Medicina: Simulación de procesos biológicos y evaluación de tratamientos.
    Logística y Operaciones: Optimización de cadenas de suministro y análisis de producción.
    Meteorología: Predicción del clima y simulaciones de eventos extremos.
    Ejemplos de Aplicación del
    Método de Montecarlo
    Integración Numérica
    Descripción: Se utiliza para calcular áreas bajo curvas complejas que no se pueden
    resolver analíticamente.
    Ejemplo: Aproximar la integral de una función f(x) en un intervalo mediante la
    generación de puntos aleatorios y el cálculo de la proporción de puntos que caen bajo
    la curva.
    Integración Numérica
    El método de Montecarlo es particularmente útil para calcular integrales definidas de
    funciones complejas que no se pueden resolver analíticamente. En lugar de utilizar métodos
    clásicos como la regla del trapecio o Simpson, se emplean simulaciones aleatorias.

    Se define el área bajo la curva de la función f(x) en un intervalo [a,b].


    Se genera un número grande de puntos aleatorios en el intervalo.
    Se determina cuántos de estos puntos caen por debajo de la curva de f(x).
    La proporción de puntos debajo de la curva se utiliza para estimar el valor de la integral.
    La fórmula es:

    Integral≈(b−a)×(Total de puntos Numero de puntos bajo f(x)​)


    TOtal de puntos
    Ejemplo
    Cálculo de π
    Este es un clásico ejemplo que utiliza el método de Montecarlo para estimar el valor
    de π a través de un enfoque geométrico.

    Se inscribe un círculo de radio r dentro de un cuadrado de lado 2r.


    Se generan puntos aleatorios dentro del cuadrado.
    Se cuenta cuántos de esos puntos caen dentro del círculo.
    La relación entre el área del círculo y el área del cuadrado se utiliza para estimar π

    π≈4×(Total de puntos Numero de puntos del circulo)


    TOtal de puntos
    Ejemplo
    Simulación de Opciones Financieras
    En finanzas, el método de Montecarlo se utiliza para valorar opciones, que son contratos
    financieros derivados que otorgan el derecho, pero no la obligación, de comprar o vender un
    activo a un precio específico.
    Se modela el precio futuro del activo subyacente usando un modelo estocástico, como el
    modelo de Black-Scholes, que considera la volatilidad y el rendimiento esperado.
    Se generan múltiples trayectorias de precios del activo a través de simulaciones aleatorias.
    Para cada trayectoria, se calcula el valor de la opción (por ejemplo, la diferencia entre el
    precio del activo y el precio de ejercicio, si la opción es ejercida).
    Finalmente, se toma el valor promedio de todos los valores calculados, descontado al
    presente, para obtener el valor de la opción.
    Ejemplo
    Conclusiones
    El método de Montecarlo es una herramienta poderosa y versátil que permite abordar
    problemas complejos en diversas disciplinas, desde la matemática y la física hasta la
    finanza y la ingeniería. A través de la simulación aleatoria, este método permite estimar
    valores y tomar decisiones informadas en situaciones de incertidumbre.
    MUCHAS gracias

    También podría gustarte