Metodo Montecarlo
Upcoming SlideShare
Loading in...5
×
 

Metodo Montecarlo

on

  • 38,423 views

 

Statistics

Views

Total Views
38,423
Views on SlideShare
37,760
Embed Views
663

Actions

Likes
9
Downloads
1,245
Comments
3

8 Embeds 663

http://www1.uprh.edu 373
http://www.uprh.edu 208
http://www.slideshare.net 47
http://evae.pucesa.edu.ec 16
http://juancarlosfrenoux.blogspot.com 8
http://www.perueduca.pe 6
http://juancarlosfrenoux.blogspot.com.ar 4
http://webcache.googleusercontent.com 1
More...

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • Pésimo ejemplo: las agujas de Buffon es un problema cuya demostración es muy compleja, pésimo ejemplo para el método Montecarlo porque se parte de un supuesto que hay que aceptar de forma dogmática. Además la presentación está inconclusa, nunca se aprecian las iteraciones del algoritmo.
    Are you sure you want to
    Your message goes here
    Processing…
  • algo mas censillo para entenderlo mejor
    Are you sure you want to
    Your message goes here
    Processing…
  • ola necesito el metodo montecarlo
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Metodo Montecarlo Metodo Montecarlo Presentation Transcript

  • Instituto Tecnológico de Tijuana
    Método de Montecarlo
    • Calculo de π
    Por:
    Huizar Perez
    Montes Tenorio
    Ochoa Guzmán
    Villar Flores
  • Método de Montecarlo
    La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo
    aleatorio) con la capacidad que tienen los ordenadores para generar números pseudoaleatorios y automatizar cálculos.
    El método fue llamado así por el principado de Mónaco por ser “la capital del juego de azar”, al tomar una ruleta como un generador simple de números aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora.
  • La invención del método de Monte Carlo se asigna a Stan Ulam y a John von Neuman. 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”.
  • Podían utilizarse máquinas de computación, que comenzaban a estar disponibles, para efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental del físico.
    Después de cierto escepticismo inicial, von Neumann se entusiasmó con la idea y pronto comenzó a desarrollar sus posibilidades en un procedimiento sistemático.
    Ulam expresó que Monte Carlo “comenzó a tener forma concreta y empezó a desarrollarse con todas sus fallas de teoría rudimentaria después de que se lo propuse a Johnny”.
  • A principios de 1947 Von Neumann envió una carta a Richtmyer a Los Álamos en la que expuso de modo influyente tal vez el primer informe por escrito del método de Monte Carlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de Los Álamos y distribuida entre los miembros del laboratorio. Von Neumann sugería aplicar le método para rastrear la generación isotrópica de neutrones desde una composición variable de material activo a lo largo del radio de una esfera. Sostenía que el problema era adecuado para el ENIAC y estimaba que llevaría 5 horas calcular la acción de 100 neutrones a través de un curso de 100 colisiones cada uno.
  • Ulam estaba particularmente interesado en el método Monte Carlo para evaluar integrales múltiples. Una de las primeras aplicaciones de este método a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares de la ecuación de Schrödinger.
  • Definición
    La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos).
  • 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.
    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 es aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solución aproximada, el método de Monte Carlo tiene un error absoluto de la estimación que decrece como en virtud del teorema del límite central.
     
  • Clave del método de Montecarlo
    Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema
    Crear un modelo matemático del sistema que se quiere analizar
    Identificar las variables cuyo comportamiento aleatorio determina el comportamiento global del sistema.
    se lleva a cabo un experimento consistente en generar muestras aleatorias para las variables
    nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.
  • Aplicaciones del Metodo
    Se asocian intervalos de números aleatorios según las probabilidades de ocurrencia de los eventos a simular
  • La simulación de Monte Carlo se ha venido aplicando a una infinidad de ámbitos como alternativa a los modelos matemáticos exactos o incluso como único medio de estimar soluciones para problemas complejos. Así, en la actualidad es posible encontrar modelos que hacen uso de simulación MC en las áreas informática, empresarial, económica, industrial e incluso social.
    En otras palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papel fundamental precisamente
  • Ejemplo
    Una forma de hacer pruebas de Monte Carlo es con una hoja de cálculo como Microsoft Excel. En el ejemplo 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.
  • Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas, que sólo puede tomar valores enteros entre 0 y 5).
    Supongamos que queremos conocer el número esperado (o medio) de consultas por día.
    Una forma directa es haciendo la operación
    Valor Medio = sumatoria (#de visitas*Probabilidad de que ocurran) = 0*0,05+1*0,1+2*0,2+3*0,3+4*0,2+5*0,15=2,95
  • 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.
    Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas
    0,2567
  • A veces la aplicación del método Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explícito; en estos casos un parámetro determinista del problema se expresa como una distribución aleatoria y se simula dicha distribución. Un ejemplo sería el famoso problema de las Agujas de Bufón.
  • Una manera que conocemos para calcular el valor de es trazando un círculo
    y dividiendo lo que mide su circunferencia
    entre lo que mide su diámetro. Sin embargo, desde que hace cientos de años, los matemáticos han desarrollado otras maneras para llegar al número . Una de ellas es el experimento propuesto por el Conde de Buffon en 1777.
  • Georges Louis Leclerc
    Conde de Buffon. Naturalista, matemático,
    biólogo, cosmólogo y escritor francés.
    Las ideas de Buffon influyeron a las siguientes
    generaciones de naturalistas incluyendo a
    Lamarck y Darwin.
    En matemáticas Buffon es recordado por
    su teoría de la probabilidad y el
    problema clásico de la aguja de Buffon.
  • La aguja de Buffon es un clásico problema de probabilidad geométrica, de inmediata realización práctica y cuyo interés radica en que es un método sencillo para ir aproximando el valor del número π a partir de sucesivos intentos. Fue planteado por el naturalista francés Buffon en 1733 y reproducido por él mismo ya resuelto en 1777.
  • La aguja de Buffon
    Buffon demostró que si lanzamos, al azar, una aguja de longitud L sobre
    una superficie en la que hay dibujadas líneas paralelas separadas una
    distancia D, la probabilidad de que la aguja corte a una línea es :
    Vamos a utilizar este resultado para medir 
    Material Necesario
    Una superficie con líneas paralelas
    Una aguja, palillo u objeto similar, de longitud menor o igual a la
    distancia entre líneas. Para simplificar es conveniente que la distancia
    entre dos rayas coincida con la longitud de la aguja.
  • Caso A
    Se trata de lanzar una aguja sobre un papel en el que se han trazado rectas
    paralelas distanciadas entre sí de manera uniforme.
    Construyamos una red de 10 segmentos de recta paralelos, equidistantes
    en una unidad D.  Tomemos además una aguja cuya longitud l sea menor que
    D.
    Si la aguja tiene una longitud (L) menor que la distancia entre dos líneas
    (D) :
                  
    Fig.: Red de paralelas de Buffon con su aguja
  • Caso B
    En este caso utilizaremos una aguja de tamaño igual a la distancia entre
    líneas, de tal manera que la longitud de la aguja sea igual a la distancia
    entre dos líneas.
    PROCEDIMIENTO:
    Deja caer, de la forma más aleatoria posible, la aguja sobre la superficie.
    Anota el número de tiradas y el número de veces que la aguja corta a una
    línea.
    El cociente entre el número total de tiradas y el número de veces que la
    aguja corta a una línea tiende a pi/2 ( se parecerá tanto más cuanto mayor
    sea el número de tiradas)
  • Comprobación del experimento
    DEMOSTRACIÓN:
    # Nº de lanzamientos: 55
    # Nº de cortes: 35
    # Distancia entre las líneas paralelas(en este caso, igual a la longitud
    de la aguja): 1.6 cm
    Π= 2X55/35
    Π= 3.1428571428487
  • Gracias por su atención