Monte Carlo

Top PDF Monte Carlo:

Randomized Hamiltonian Monte Carlo

Randomized Hamiltonian Monte Carlo

Tuning the durations of the Hamiltonian flow in Hamiltonian Monte Carlo (also called Hybrid Monte Carlo) (HMC) involves a tradeoff between computational cost and sampling quality, which is typically challenging to resolve in a satisfactory way. In this article, we present and analyze a random- ized HMC method (RHMC), in which these durations are i.i.d. exponential random variables whose mean is a free parameter. We focus on the small time step size limit, where the algorithm is rejection-free and the computational cost is proportional to the mean duration. In this limit, we prove that RHMC is geometrically ergodic under the same conditions that imply geometric er- godicity of the solution to underdamped Langevin equations. Moreover, in the context of a multidimensional Gaussian distribution, we prove that the sam- pling efficiency of RHMC, unlike that of constant duration HMC, behaves in a regular way. This regularity is also verified numerically in non-Gaussian target distributions. Finally, we suggest variants of RHMC for which the time step size is not required to be small.
Mostrar más

36 Lee mas

Cálculo de la incertidumbre por simulación de Monte Carlo en la determinación de aflatoxina B1 en maní de exportación por HPLC-FD. Aplicación a la evaluación de la conformidad. Parte II

Cálculo de la incertidumbre por simulación de Monte Carlo en la determinación de aflatoxina B1 en maní de exportación por HPLC-FD. Aplicación a la evaluación de la conformidad. Parte II

En la figura 3 se presentó el esquema general para el cálculo de la incertidumbre por simulación numérica de Monte Carlo. Se generan los valores de las variables aleatorias que influyen en el mensurando y, se introducen en la función f del modelo matemático (ecuación 1) y se calcula el valor de y. El proceso se repite 5000 veces y se calcula la incertidumbre como desviación estándar. Cálculo usando Maple

11 Lee mas

Dosimetría Monte Carlo para campos colimados de fotones

Dosimetría Monte Carlo para campos colimados de fotones

Para el caso de un solo valor de energía, tal como era de esperarse, no se obtuvieron resultados aceptables. No obstante, tanto para 3 como para 15 líneas, los PDDs y per- les simulados con el VSM estuvieron en muy buen acuerdo con los calculados utilizando el phsp original directamente, así como también con los obtenidos experimentalmente. Estos resultados que se mostrarán en el capítulo siguiente. Por lo tanto, a n de sim- plicar y acelerar la simulación Monte Carlo sin pérdida signicativa de precisión, se consideró para el resto del trabajo un VSM con sólo tres líneas ubicadas en 1 MeV, 3 MeV y 5 MeV, con un peso estadístico relativo del 68.37 %, 25.04 % y 6.59 % respecti- vamente. Estos pesos se establecieron teniendo en cuenta la energía media, varianza y coeciente de simetría del espectro continuo anteriormente calculado.
Mostrar más

131 Lee mas

ARCHIGRAM EN MONTE CARLO Y LA IDEA DEL PAISAJE EQUIPADO

ARCHIGRAM EN MONTE CARLO Y LA IDEA DEL PAISAJE EQUIPADO

In 1970, Archigram wins the competition for the entertainment center of Monte Carlo, Monaco. The jury’s profile could explain the sympathy for sophisticated technological solutions, the sort of response that could be expected from Archigram. And it would be the case, even though without any trace of the lush megaestructural imagery that the group had been using to challenge the architectu- ral scene since the beginning of the sixties. In fact, what singularizes Archigram’s proposal for Monte Carlo is not the technological expressionism or the figurativeness of the science fiction world, but just an idea about the landscape. This article seeks to uncover this idea, in its bounds to the artistic and cultural contexts of the sixties, emphasizing the uncommon relationships which Archigram suggested between landscape, primitivism and technology.
Mostrar más

5 Lee mas

Simulaciones de Monte Carlo del almacenamiento de hidrógeno en  nanoporos de carbono

Simulaciones de Monte Carlo del almacenamiento de hidrógeno en nanoporos de carbono

El m´ etodo de Monte Carlo es un m´ etodo no determinista usado para evaluar expresiones matem´ aticas complejas y costosas de evaluar con exactitud. Este m´ etodo fue ideado por Sta- nislaw Ulam mientras jugaba al solitario, al percatarse que resulta m´ as f´ acil hacerse una idea del resultado final del solitario haciendo pruebas m´ ultiples con las cartas y luego contando las probabilidades de los resultados, que hacer el c´ alculo de todas las probabilidades formalmente. Esta idea le llev´ o a desarrollar, junto con Jonh Von Neumann, el m´ etodo de Monte Carlo. La primera aplicaci´ on que tuvo este m´ etodo fue la difusi´ on de neutrones a lo largo del radio de una esfera de un material fisionable. Con el m´ etodo de Monte Carlo pudieron realizar experiencias de las miles de posibilidades que se presentaban para luego, respetando la probabilidad que ten´ıa cada una de las posibilidades, juntarlas y tener as´ı una idea del proceso f´ısico sin necesi- dad de resolver las complicadas ecuaciones integro-diferenciales, que aunque ser´ıa m´ as preciso, es infinitamente m´ as costoso.
Mostrar más

54 Lee mas

Un modelo Monte Carlo para la Cámara de Diputados en México

Un modelo Monte Carlo para la Cámara de Diputados en México

de simulaciones de Monte Carlo (Jackman, 2000a, 2000b, 2004; Martin, 2008). Es decir, en lugar de encontrar una solución analítica para estimar el efecto de un cambio en las reglas electorales, podemos obtener varios va- lores de p( y Á V) con la ayuda de un generador de números (seudo)alea- torios, agregar dichos valores, y hacer inferencias con ellos mediante es- tadísticas descriptivas. Con este método se pueden simular diferentes composiciones hipotéticas de la Cámara a partir de una serie aleatoria de resultados electorales. Díaz-Cayeros (2005) utiliza esta técnica para anali- zar la composición del Senado en México bajo distintas reglas de asigna- ción de escaños.
Mostrar más

29 Lee mas

Método de Monte Carlo para el cálculo de integrales n dimensionales

Método de Monte Carlo para el cálculo de integrales n dimensionales

Si bien el nombre de m´ etodo “Monte Carlo” es relativamente reciente, fue acu˜ nado por John von Neumann y Stanislaw Ulam cuando trabajaban en el proyecto Manhatan durante la segun- da guerra mundial y utilizado para simular colisiones de neutrones bajo diversas circunstancias para el desarrollo de la bomba at´ omica. Sin embargo, existen vestigios que ya utilizaban estos m´ etodos, un uso documentado de la aplicaci´ on de los m´ etodos Monte Carlo se encuentra en la obra de George Louis Leclerc, conde de Buff´ on, en 1777. Cuyo problema plantea: “una aguja de longitud L, se lanza al azar sobre un plano horizontal rayado con l´ıneas rectas paralelas, separadas a una longitud D mayor a L” y en el cual calcul´ o la probabilidad de que la aguja intercepte alguna de estas l´ıneas, bajo la repetici´ on de lanzamientos de agujas al azar.[22]
Mostrar más

69 Lee mas

Anisotropía de superficie en nanopartículas de magnetita: simulación de Monte Carlo

Anisotropía de superficie en nanopartículas de magnetita: simulación de Monte Carlo

tetrahedral and octahedral sites respectively), the different coordination number and the superexchange integrals distribution function, are taken into account in order to get a simulation of the system as realistic as possible. Simulations were performed in the framework of the Monte Carlo method using a classical Heisenberg Hamiltonian including first nearest magnetic neighbors interactions and using the Metropolis dynamics. Energy, magnetization, specific heat and magnetic susceptibility, as function of temperature are computed.

5 Lee mas

Método de Monte Carlo para el cálculo de integrales n dimensionales

Método de Monte Carlo para el cálculo de integrales n-dimensionales

Si bien el nombre de m´ etodo “Monte Carlo” es relativamente reciente, fue acu˜ nado por John von Neumann y Stanislaw Ulam cuando trabajaban en el proyecto Manhatan durante la segun- da guerra mundial y utilizado para simular colisiones de neutrones bajo diversas circunstancias para el desarrollo de la bomba at´ omica. Sin embargo, existen vestigios que ya utilizaban estos m´ etodos, un uso documentado de la aplicaci´ on de los m´ etodos Monte Carlo se encuentra en la obra de George Louis Leclerc, conde de Buff´ on, en 1777. Cuyo problema plantea: “una aguja de longitud L, se lanza al azar sobre un plano horizontal rayado con l´ıneas rectas paralelas, separadas a una longitud D mayor a L” y en el cual calcul´ o la probabilidad de que la aguja intercepte alguna de estas l´ıneas, bajo la repetici´ on de lanzamientos de agujas al azar.[22]
Mostrar más

69 Lee mas

SIMULACIÓN DE MONTE CARLO CON EXCEL

SIMULACIÓN DE MONTE CARLO CON EXCEL

Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones [W1]. En años posteriores, 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 [5, 8]. 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, el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida.
Mostrar más

14 Lee mas

EXPORTACION DE NUTRIENTES CALCULADA UTILIZANDO SIMULACIÓN MONTE CARLO

EXPORTACION DE NUTRIENTES CALCULADA UTILIZANDO SIMULACIÓN MONTE CARLO

No es objetivo del trabajo discutir sobre la validez de las cifras de exportación según los autores; fue tomada la información de Cruzate y Casas, 2009 a los efectos de ejemplificar el planteo. Dado que los rendimientos se com- portan como verdaderas variables aleatorias, pueden ser modelizados utilizando datos del pasado, suponiendo que las condiciones cli- máticas no cambiarán en el período estudiado respecto del período futuro en el que se apli- carán las predicciones (Boussard, 2015). Las series a utilizar deben estar originadas en la misma escala y tecnología para las que serán empleadas las conclusiones (Berger y Pena de Ladaga, 2015; 2016), en este caso se trata de establecimientos. Los datos que provienen de campos reales contienen series cortas e in- termitentes (rindes de campañas alternas); el empalme de datos de distintos establecimien- tos no es recomendable a los fines del ajuste estadístico del Monte Carlo, por la diferencia de tecnología entre establecimientos (Berger y Pena de Ladaga, 2015). Por tal motivo, se generó una serie mediante simulación agronó- mica a través del programa DSSAT (Decision Support Systems for Agrotechnology Transfer 3.5) ajustada a las condiciones del análisis (Satorre y Mercau, 2002; Bert et al., 2006, 2007 a y b;; Mercau et al., 2007). Así se ob- tuvieron 33 rindes de soja de primera para la
Mostrar más

12 Lee mas

Numerical results of Monte Carlo code in lidar returns considering polarization of light and different phase functions

Numerical results of Monte Carlo code in lidar returns considering polarization of light and different phase functions

El método Monte Carlo es una herramienta útil para simular y entender procesos aleatorios en la naturaleza. Generalmente, muchos de estos procesos son difíciles de resolver por medio de expresiones analíticas, debido a que no conocemos la mayoría de las variables involucradas en el proceso. El núcleo de Monte Carlo consiste en generar variables aleatorias, que representan variables físicas (observables), a través de su función de distribución de probabilidad (FDP); esto es, cada observable está gobernada por una ley de probabilidad para obtener un determinado valor, dentro de un intervalo específico. Especialmente, en los datos obtenidos de retornos Lidar obtenemos información del dispersor a partir de la radiación retrodispersada al receptor. Esta porción de radiación retrodispersada es una pequeña parte de la función que describe el esparcimiento total en el espacio. Esta función es llamada la “función de fase” y tiene una dependencia particular del tamaño, índice de refracción y forma del dispersor. En este trabajo se presentan resultados numéricos al considerar diferentes funciones de fase, en la simulación de retornos Lidar, a través del método Monte Carlo.
Mostrar más

5 Lee mas

Ars Conjectandi y el método Monte Carlo

Ars Conjectandi y el método Monte Carlo

ocurrió jugando solitario durante mi enfermedad … la idea se concretó cuando se lo propuse a Johnny [von Neumann] en 1946, durante una de nuestras conversaciones…”. Ulam y von Neumann (1947) establecen que “… este procedimiento es análogo a jugar una serie de juegos de solitario en una computadora. Requiere, entre otras cosas, el uso de números aleatorios de una cierta distribución”. En esas fechas se hizo la presenta- ción de la primera computadora electrónica, ENIAC (Electronic Numerical Integrator And Computer), construida en 1943 en la Escuela de Ingeniería Eléctrica de la Universidad de Pensilvania bajo el mayor de los secretos. ENIAC fue diseñada para calcular trayectorias de artillería (ver Anderson, 1986). A John von Neumann se le ocurrió que estas ideas podrían usarse en la ENIAC para explorar los problemas de difusión de los neutrones al fisionarse en un sistema de reacciones en cadena y le mandó una carta a R. Richtmyer, en esa época el Jefe de la División Teórica del laboratorio. En esta carta le mencionaba que “la aproximación estadística puede implementarse adecuadamente con la computadora electrónica, para estudiar los problemas de difusión y multiplicación de neutrones en procesos de fisión”. Adicionalmente, von Neumann describía en la carta la solución y al final añadió una hoja en donde escribió el código para implementarla. Puede decirse que esta es la primera descripción escrita de un problema a resolverse por el método Monte Carlo. El nombre, de acuerdo a Metropolis y Ulam (1949), fue dado por el mismo Metro- polis, en alusión al entonces único o al menos, el más conocido Casino de Monte Carlo y la afición de Ulam a los juegos de solitario. De acuerdo a Segrè (1970), Enrico Fermi usó el método Monte Carlo en sus estudios sobre sistemas de neutrones 15 años antes, pero nunca publicó estos estudios.
Mostrar más

13 Lee mas

A Monte Carlo EM algorithm for FIML estimation of multivariate endogenous switching models with censored and discrete responses

A Monte Carlo EM algorithm for FIML estimation of multivariate endogenous switching models with censored and discrete responses

Computational burden, however, limits full-information ML (FILM) estimation of multivariate SR models with latent structures, as it happens in evaluation of treatments aiming to influence more than one behavioral aspect of the treated subpopulation. In such cases, a joint estimation considering all the responses simultaneously is more efficient. Yet, the estimation of such models is challenging since, as in any problem involving latent variables, multidimensional integrals show up in the likelihood function. Although integrals can be solved either by Monte Carlo o quasi Monte Carlo integration, or by probability simulators (McFadden, 1989; Börsch-Supan and Hajivassiliou, 1993; Geweke et al., 1994), traditional optimization algorithms often have some serious drawbacks when working on models involving multiple latent variables. Apart from computation time, common problems are: high sensitivity to the selection of starting values, inability of line-search methods to progress to the optimum, and/or algorithms cannot keep the covariance estimates in the parameter space (e.g. the magnitude of the correlation coefficients become greater than one, or the disturbance covariance matrix is not longer positive definite).
Mostrar más

26 Lee mas

Comparación De Simulaciones De Interferencias En Sistemas De Acceso Inalámbrico Móvil Usando Herramientas Que Aplican La Técnica Estadística De Montecarlo

Comparación De Simulaciones De Interferencias En Sistemas De Acceso Inalámbrico Móvil Usando Herramientas Que Aplican La Técnica Estadística De Montecarlo

Por este motivo, se hace necesario regular las frecuencias utilizadas en los sistemas de acceso inalámbrico móvil que proporcionan telecomunicaciones a un gran número de sensores y/o activadores dispersos sobre zonas amplias, con el fin de no generar interferencia entre estos sistemas. Por ello la necesidad de determinar modelos que faciliten la identificación de dichas interferencias empleando herramientas de simulación como ICS Telecom o SEAMCAT que basan su simulación en el método estadístico de Monte Carlo.

8 Lee mas

Campos pequeños en radioterapia: efectos de oclusión de la fuente

Campos pequeños en radioterapia: efectos de oclusión de la fuente

Con el objeto de estudiar los efectos de oclusión de la fuente cuando se conforman campos de dimensiones pequeñas, en este trabajo se procedió a realizar mediciones en un fantoma de agua con un equipo Varian Clinac 6EX para campos cuadrados de 2cm, 1,5cm y 1cm de lado. Luego se obtuvieron datos numéricos de una simulación Monte Carlo de los procesos de trasporte que allí se producen y finalmente se calcularon los valores de FWHM para cada campo.

8 Lee mas

Mejora de la calidad de procesos industriales mediante simulación y optimización.

Mejora de la calidad de procesos industriales mediante simulación y optimización.

En la industria es común realizar experimentos para optimizar los procesos de producción; sin embargo, se requieren de considerables recursos económicos y tiempo para desarrollar las nuevas tecnologías. La propuesta en este trabajo es emplear las técnicas de simulación Monte Carlo y bootstrap, para disminuir costos y tiempo en la optimización de procesos. Para lograr este propósito se emplearon la optimización aleatoria, la optimización no lineal NLM (Non-Linear Minimization) y la optimización Taguchi. Estas optimizaciones se compararon con el diseño inicial a través de los índices de capacidad del proceso y la función de pérdida de Taguchi. Los índices de capacidad C p , C pk , C pm , C pmk , C s e índices
Mostrar más

102 Lee mas

Multiscale modeling of junction processing in FDSOI and FinFET devices for 10nm node technology and below

Multiscale modeling of junction processing in FDSOI and FinFET devices for 10nm node technology and below

As device downscaling is on pace to reach the physical limits of miniaturization, new problems and challenges arise during the fabrication process. Consequently, potential replacements for conventional Si-based technologies have to be explored, such as 3D ar- quitectures (FinFETs) or the introduction of strain engineering techniques for further performance enhancement due to high mobility channels (SiGe as stressor material). Their manufacturing requirements involve highly activated and abrupt junction for- mation at the low temperature regime, and the Solid Phase Epitaxial Regrowth has been evidenced as the best option for processing advanced technology nodes of 10 nm and below. Relying on this context, the present manuscript is mainly focused at modeling the SPER of Si and SiGe alloys using a multiscale approach including: ab initio, Molecular Dynamics (MD), Lattice Kinetic Monte Carlo (LKMC), Object Kinetic Monte Carlo (OKMC) and Finite Element methods (FEM). The defect for- mation dependence on stress in Si is accounted by computing the strain pattern due to the volumetric expansion of the α-phase by using FEM methods, which are then evidenced as responsible for nucleation dislocation at the pinch off point of the two moving fronts during recrystallization by using MD simulations. Extracted results are finally extended into a LKMC model allowing to simulate realistic sample sizes, providing a physical explanation of the defect formation mechanisms and their strong dependence on the presence of strain patterns. Moreover, SiGe alloys are considered, and the Ge composition dependence of SPER activation energies is modeled by using MD, extracting an anomalous behavior as the profile does not vary monotonically be- tween values of pure Si and Ge. Nudged Elastic Band calculations are performed to confirm the two-part behavior of the SPER activation energies: the SPER rate itself and a second extra term due to the bond length difference present in the alloy. Fi- nally, as a novel application of strained SiGe layers, SiGe channel FinFET devices are modeled in terms of defect formation when increasing the Ge content in the alloy.
Mostrar más

158 Lee mas

EVALUACIÓN DE LA CONFIABILIDAD DE SISTEMAS DE GENERACIÓN USANDO EL MÉTODO DE MUESTREO DE ESTADO

EVALUACIÓN DE LA CONFIABILIDAD DE SISTEMAS DE GENERACIÓN USANDO EL MÉTODO DE MUESTREO DE ESTADO

Actualmente el asunto de la confiabilidad es un tema muy importante en las etapas de planificación y de operación en los sistemas eléctricos, esto es debido a que el incremento de la demanda de consumo energético provoca grandes cantidades de cargas, esto hace que el sistema sea susceptible y pueda provocar cortes energéticos en el suministro lo cual repercute sobre las compañías suministradores y los consumidores en problemas económicos cuando se presentan las fallas del sistema. Es por esto que se aplicará un modelo para evaluar los índices de confiabilidad en los sistemas de generación eléctrica, de esta manera se podrán obtener indicadores del nivel de confiabilidad en los sistem as eléctricos de generación, la herramienta que se utilizara es el “Método Monte Carlo” ya que en él se puede modelar varias características de los sistemas de generación.
Mostrar más

68 Lee mas

Metodología de calibración para equipo de monitoreo eléctrico propietario PQ UAQ

Metodología de calibración para equipo de monitoreo eléctrico propietario PQ UAQ

Una de las necesidades más importantes dentro del monitoreo de la calidad de la energía es el desarrollo de instrumentos de medición, instrumentos que deben ser calibrados para poder cumplir su propósito de manera adecuada. Referente a métodos de calibración en instrumentos completos existen una buena cantidad de propuestas como la de Ferrero et al. (2002) quienes desarrollaron un procedimiento para calibrar Instrumentos para medición de calidad de energía basado en el método Monte Carlo que determina la función de densidad de probabilidad de cada dispositivo en el sistema desde la entrada de las señales hasta la conversión con la ayuda de un calibrador Fluke 5500 que genera lo valores de referencia. Ramos et al. (2006) propusieron un método de calibración para sensores de voltaje y corriente en mediciones de calidad de energía basado en la respuesta de los sensores a valores de corriente directa aplicados por el calibrador Wavetek 9100, un software basado en LabVIEW y XML ayuda en la adquisición de datos. Hao et al. (2009) publicaron su investigación sobre un sistema de calibración multifunción para calidad de energía que integra programación virtual de instrumentos y electrónica de potencia para conseguir una adquisición rápida de datos digitales. Chen (2012) desarrolló una plataforma de pruebas de calibración para equipos de monitoreo de calidad de energía para la integración de energía eólica en las redes.
Mostrar más

55 Lee mas

Show all 1073 documents...