Simulación por Monte Carlo

Top PDF Simulación por Monte Carlo:

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

Maximización de rentabilidad de portafolios con volatilidad. Uso de simulación de Monte Carlo

Maximización de rentabilidad de portafolios con volatilidad. Uso de simulación de Monte Carlo

Después de la crisis del 2008 que afectó a Estados Unidos, los analistas financieros empezaron a ver el mercado accionario con cierta desconfianza, debido a la poca fidelidad que traen los modelos determinísticos en general. Siempre se han usado métodos estadísticos que utilizan información pasada para predecir el futuro. Es un hecho que Harry Marvowitz planteó en sus inicios que el pasado se va a volver a repetir, pero la pregunta es cuándo. Es por eso que esta investigación abordó modelos determinísticos comúnmente usados, así como variaciones donde se toman en cuenta volatilidades y culmina con la simulación de Monte Carlo y optimización en el cual se plantean dos modelos estocásticos y uno multiobjetivo que brindan un análisis de mayor profundidad basados en un modelo de ingeniería con aplicación a gestión de portafolios.
Mostrar más

147 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

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

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

tetraédricos y octaédricos, respectivamente), sus diferentes números de coordinación y la distribución de valores de integrales de superintercambio en el sistema, con el objetivo de hacer la simulación más realista posible. Los cálculos se llevan a cabo en el marco del método de Monte Carlo con base en el modelo de Heisenberg clásico con interacción a primeros vecinos magnéticos y empleando la dinámica de Metropolis. Se calculan la energía, la magnetización, el calor específico y la susceptibilidad magnética en función de la temperatura.

5 Lee mas

Beneficio en la cotización de mezclas asfálticas mediante simulación de Monte Carlo

Beneficio en la cotización de mezclas asfálticas mediante simulación de Monte Carlo

El método de simulación Monte Carlo, ofrece una opción de análisis en tal sentido, ya que permitiría la obtención de la distribución probabilística del Beneficio esperable, en función de la inclusión de distribuciones probabilísticas para el incremento de los costos de los recursos. Luego, gracias a esa distribución obtenida podrían establecerse los intervalos de confianza esperables para distintos umbrales de Beneficio, disminuyéndose el grado de incertidumbre en quien tiene la toma de decisión en la confección del presupuesto por parte del proveedor de la mezcla asfáltica.
Mostrar más

5 Lee mas

Simulación molecular del equilibrio de adsorción mediante el método de Monte Carlo

Simulación molecular del equilibrio de adsorción mediante el método de Monte Carlo

Como su nombre sugiere, el elemento probabilístico es una parte fundamental de los cálculos basados en el método de Monte Carlo. En un cálculo clásico de Monte Carlo, se asignan una serie de coordenadas iniciales arbitrarias a un sistema de N partículas interaccionando según un potencial establecido. Seguidamente se genera una secuencia de configuraciones de las partículas mediante sucesivos desplazamientos aleatorios. No se aceptan todas las configuraciones, sino que la decisión de aceptación o rechazo de una determinada configuración se hace de tal modo que se asegure que el espacio configuracional se muestrea asintóticamente de acuerdo con la densidad de probabilidad del colectivo elegido. El promedio del colectivo de una determinada función, dependiente de las coordenadas de las N partículas (como por ejemplo la energía potencial), se obtiene como un promedio no ponderado del conjunto de configuraciones aceptadas. En el cálculo no se tienen en cuenta los momentos de las diferentes partículas, de este modo, no se considera una escala temporal y por tanto el orden en el que se generan las configuraciones no es significativo, de este modo se asume que se cumple la hipótesis de ergodicidad. La aplicación de este método para la simulación molecular del equilibrio de adsorción se suele realizar utilizando un colectivo gran canónico, en el que las magnitudes termodinámicas establecidas como constantes son el potencial químico, el volumen y la temperatura. Esta elección resulta muy adecuada pues la constancia del potencial químico representa el equilibrio entre la fase adsorbida y la fluida. Por otra parte, la constancia de la temperatura permite relacionar los resultados de sucesivos experimentos de simulación según una isoterma de adsorción y el volumen constante representa el volumen del adsorbente.
Mostrar más

279 Lee mas

Simulación de escenarios de daño para Bogotá utilizando técnicas de Monte Carlo

Simulación de escenarios de daño para Bogotá utilizando técnicas de Monte Carlo

Yo GUSTAVO ADOLFO GUEVARA RENDÓN, mayor de edad, vecino de Bogotá D.C., identificado con la Cédula de Ciudadanía N° 79’944.04 7 de Bogotá, actuando en nombre propio, en mi calidad de autor del trabajo de tesis, monografía o trabajo de grado denominado SIMULACIÓN DE ESCENARIOS DE DAÑO PARA BOGOTÁ UTILIZANDO TECNICAS DE MONTE CARLO, hago entrega del ejemplar respectivo y de sus anexos de ser el caso, en formato digital o electrónico (CD-ROM) y autorizo a LA UNIVERSIDAD DE LOS ANDES, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión Andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use en todas sus formas, los derechos patrimoniales de reproducción, comunicación pública, transformación y distribución (alquiler, préstamo público e importación) que me corresponden como creador de la obra objeto del presente documento. PARRÁGRAFO: La presente autorización se hace extensiva no sólo a las facultades y derechos de uso sobre la obra en formato o soporte material, sino también para formato virtual, electrónico, digital, óptico, usos en red, internet, intranet, etc., y en general para cualquier formato conocido o por conocer.
Mostrar más

90 Lee mas

SIMULACIÓN DE MONTE CARLO PARA DEMOSTRAR EL FUNCIONAMIENTO Y RESULTADOS DEL JUEGO DE AZAR “TRAGAMONEDAS”

SIMULACIÓN DE MONTE CARLO PARA DEMOSTRAR EL FUNCIONAMIENTO Y RESULTADOS DEL JUEGO DE AZAR “TRAGAMONEDAS”

Se debe considerar que el usuario iniciará el juego con 5 créditos, y podrá aumentar sus créditos si estos se terminan presionando un botón de créditos. Al presionar el botón jugar se ejecutará la simulación de Monte Carlo con la cual obtendremos uno de los 4 posibles casos que posteriormente se analizará y se obtendrán los valores estadísticos los cuales se visualizarán al presionar el botón “ver estadístico”, mediante un diagrama de barras que muestre la probabilidad para cada caso y la contabilización total de las simulaciones.
Mostrar más

9 Lee mas

Modelo de simulación para la optimización del inventario de una distribuidora,  basado en Simulación Monte Carlo y Algoritmo Metaheurístico Genético

Modelo de simulación para la optimización del inventario de una distribuidora, basado en Simulación Monte Carlo y Algoritmo Metaheurístico Genético

Izar e Ynzunza en [3] analizan un método Híbrido que combina dos modelos de inventarios: cantidad económica de pedido (EOQ) y punto de reorden, incluyendo el tiempo de entrega de forma aleatoria para que los datos se asemejen más a la realidad y sea aplicable a cualquier distribución de probabilidad haciendo uso de registros históricos de la demanda del artículo y los tiempos de entrega del proveedor. Con los resultados que obtuvieron deter- minaron la cantidad de pedido y el punto de reorden óptimos para la minimización de costos dentro del inventario en los meses pos- teriores. Pero, los mismos autores concluyen que el método no es práctico si la cantidad de datos a utilizar es demasiado grande debido al número elevado de cálculos que se necesitarían para lle- gar a una solución, lo que en comparación con el presente trabajo no sería un problema ya que se hace uso de sistemas de simulación que implementan algoritmos apropiados tanto para el manejo de volúmenes de datos y generación de estimaciones, como lo son el método Monte Carlo y el Algoritmo Metaheurístico Genético. Azofeifa, Carlos E. en [4] utiliza simulación de Monte Carlo para estimar el riesgo de fracaso de un proyecto de inversión en una compañía que comercializa equipos informáticos, utilizando para este propósito la hoja electrónica Excel y haciendo uso de varias funciones preestablecidas dentro de la herramienta informática, demostrando lo importante que pueden llegar a ser estos sistemas para la toma de decisiones de una empresa. Los resultados obte- nidos le permitieron tener un juicio sobre la probabilidad de los posibles valores de utilidad o de pérdida del proyecto. Por igual, en el presente estudio se hará el uso de simulación Monte Carlo en el programa informático Excel, con la diferencia de que aparte de utilizar las funciones de la herramienta se crearán nuevos siste- mas con algoritmos específicos para el análisis y generación de re- sultados óptimos esperados.
Mostrar más

7 Lee mas

Simulación de monte carlo para estimar la viabilidad de proyectos bajo la metodología scrum : aplicación

Simulación de monte carlo para estimar la viabilidad de proyectos bajo la metodología scrum : aplicación

La simulación de Monte Carlo utiliza funciones de distribución con el propósito de realizar una experimentación cuyos resultados lleguen, después de un número conveniente de ensayos (iteraciones), a simular lo que pasaría en un sistema real. Esta herramienta combina concep- tos estadísticos con la capacidad de programas computacionales capaces de generar números aleatorios y automatizar cálculos. El método fue llamado de esta manera por el principado de Mónaco “la capital del juego de azar”, al tomar una ruleta de juego como un generador simple de número aleatorios. Este nombre es relativamente reciente y fue atribuido a Jon Von Neu- mann y Stanislaw Ulam cuando trabajaban en el proyecto Manhattan durante la segunda guerra mundial (González, 2015). BIBLIOTECA
Mostrar más

119 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

Reducción de la radiación dispersa por análisis espectral de energía mediante simulación por Monte-Carlo : aplicación a las imágenes de las cabezas femorales en SPECT.

Reducción de la radiación dispersa por análisis espectral de energía mediante simulación por Monte-Carlo : aplicación a las imágenes de las cabezas femorales en SPECT.

Existe una gran variedad de archivos auxiliares, referenciados por el principal, cuyo contenido de datos específicos son utilizados durante la ejecución de la simulación. Si bien la descripción de estos archivos no es objeto del presente trabajo a continuación se describe brevemente sólo una selección de ellos considerados relevantes para comprender el desarrollo del mismo. Entre ellos, un archivo con extensión “win” permite establecer la adquisición de imágenes con distintas ventanas energéticas sobre la distribución espectral de fotones registrados por el detector; esto es, una misma simulación puede ser adquirida en distintos rangos del espectro de energías, incluso pueden fijarse ventanas “solapadas entre sí”, aunque este último caso no es posible de aplicar en la mayoría (o ninguno) de los equipos clínicos, por lo tanto en este trabajo no se desarrollan algoritmos de corrección por RD que impliquen la adquisición de ventanas solapadas. Asimismo, dentro de cada una de las ventanas, pueden discriminarse tres tipos de adquisiciones: “air”, que corresponde a fotones emitidos sin ningún tipo de interacción con el medio, ni dispersión y ni atenuación; “sca” sólo fotones dispersados hasta el orden establecido; y “tot” son fotones totales correspondientes a la suma de dispersos y directos. Ventanas centradas en el foto-pico generan imágenes correspondientes a fotones “tot” y “sca”, luego la resta entre píxeles homólogos de las matrices de dichas imágenes permite generar imágenes constituidas sólo por fotones directos.
Mostrar más

114 Lee mas

Aplicación de la simulación Monte Carlo en la evolución de poblaciones del virus de influenza A/H1N1

Aplicación de la simulación Monte Carlo en la evolución de poblaciones del virus de influenza A/H1N1

selectiva, las pruebas realizadas producen marcadamente diferentes cantidades de alelos. Este resultado es de esperar, pues, como se había dicho previamente, la evolución de las poblaciones virales se ve afectada por la presión selectiva del sistema inmune. Concretamente, a las secuencias mutantes, una vez generadas, se les evalúa la consistencia a la acción inducida por la vacuna, de forma tal que sólo aquellas no son detectadas por la misma, se aceptarán como nuevos alelos a la población, de lo contrario serán eliminadas. Por lo tanto, el tamaño de las poblaciones obtenidas bajo la selección resultaría más pequeño y la cantidad de alelos generados sería menor, en comparación con el caso de simulación sin restricciones. La tabla A3 del Anexo 3 muestra las cantidades de alelos producidos en las pruebas experimentales en dos casos de simulación. Teniendo en cuenta que la comparación se realiza entre las secuencias previamente codificadas a proteínas, todas aquellas que codifican para la misma proteína se agrupan y se identifican por un solo valor de alelo, observando que existe una diferencia clara en el número de alelos entre los dos casos. Específicamente, el tamaño de la población resultante en el caso sin selección siempre es mayor que el de la población generada en el caso de presión selectiva, conociendo que en ambos casos se comparten las mismas combinaciones de los parámetros.
Mostrar más

169 Lee mas

Cálculo de valor en riesgo con el modelo de cadenas de Markov con simulación Monte Carlo

Cálculo de valor en riesgo con el modelo de cadenas de Markov con simulación Monte Carlo

1 Definición de Valor en Riesgo En este capítulo se revisará el concepto de Valor en Riesgo también conocido como VaR, por sus siglas en inglés Value at Risk, sus variables y los diferen[r]

85 Lee mas

Cálculo de dosis en el cristalino ocular en exámenes dentales utilizando simulación Monte Carlo

Cálculo de dosis en el cristalino ocular en exámenes dentales utilizando simulación Monte Carlo

UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE CIENCIAS CONTABLES ESCUELA PROFESIONAL DE F?SICA "C?LCULO DE DOSIS EN EL CRISTALINO OCULAR EN EX?MENES DENTALES UTILIZANI)(fSIMULACI?N MONTE CARLO" TESIS PA[.]

148 Lee mas

Optimización y simulación Monte Carlo para un proyecto de inversión industrial pesquero

Optimización y simulación Monte Carlo para un proyecto de inversión industrial pesquero

10021374 UNIVERSIDAD NACIONAL DE INGENIER?A FACULTAD DE INGENIER?A INDUSTRIAL Y DE SISTEMAS SECCI?N POSGRADO "OPTIMIZACI?N Y SIMULACI?N MONTE CARLO PARA UN PROYECTO DE INVERSI?N INDUSTRIAL PESQUERO" T[.]

235 Lee mas

Dispersión compton en mamografía: Estudio por simulación Monte Carlo

Dispersión compton en mamografía: Estudio por simulación Monte Carlo

UNIVERSIDAD NACIONAL DEL CALLAO ? ' "flit zuns msnrvro ma INVESTIGACION ma LA FACULTAD ma cmncms NATURALES Y MATEMATICA ?030 R UNIVERSIDAD NACIONAL DELCALIAG ( E ?030J1 ' ?030R (EEK DuLE INVESHGACIDN[.]

41 Lee mas

Cobertura cambiaria por medio de instrumentos derivados para empresa exportadora de flores en Colombia.

Cobertura cambiaria por medio de instrumentos derivados para empresa exportadora de flores en Colombia.

La tasa de cambio de Colombia es medida para la TRM (Tasa Representativa del Mercado), representando la cantidad de pesos colombianos por un dólar americano. La TRM es un cálculo de las operaciones del día de compra y venta de dólares entre los intermediarios financieros que transan en el mercado cambiario colombiano. Se consideró el supuesto que la TRM es el valor con el que la empresa exportadora de flores compra un dólar o vende un dólar, en otras palabras, la TRM es la tasa de contado del dólar. Con el Movimiento Browniano Geométrico se proyectó la TRM para cada mes de proyección de la posición en dólares y por medio de simulación Monte Carlo se estimó el valor medio de la TRM y el VaR con un nivel de confianza del 5% para cada mes.
Mostrar más

20 Lee mas

Estudio de la confiabilidad de transformadores conversores en sistemas de transmisión HVDC usando la teoría de árboles de fallas

Estudio de la confiabilidad de transformadores conversores en sistemas de transmisión HVDC usando la teoría de árboles de fallas

El orden de importancia para los datos obtenidos por medio de la simulación de Monte-Carlo (tabla 7.4) no difiere mucho en comparación con el obtenido usando el análisis de probabilidades, aunque por medio de la simulación de Monte-Carlo se obtiene una mejor discriminación en cuanto al grado de importancia se refiere. Para el modelo de las fallas a la entrada de los devanados en específico, se obtuvieron las siguientes posiciones de importancia: falla a tierra en una de las fases con 23.00%, la ausencia de voltaje primario con 22.66%, el corto circuito del sistema en el lado secundario con 22.03%, la carga no simétrica en el lado secundario con 22.02%, la sobrecarga en el transformador con 21.95%, un fusible fundido en una fase con 21.62%, el voltaje no aplicado en una de las fases del primario con 20.51%, el voltaje primario alterado con 20.47%, la conexión incorrecta en una de las fases con 20.39% y en ultimo lugar se encuentra el calentamiento en los terminales del transformador con 7.34%.
Mostrar más

92 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

Show all 6988 documents...