Técnicas de simulación de Monte Carlo

Top PDF Técnicas de simulación de Monte Carlo:

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

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

La Metodología de Superficie de Respuesta, o RSM por sus siglas en inglés, es un conjunto de técnicas matemáticas y estadísticas utilizadas para modelar y analizar problemas en los que una variable de interés es influenciada por otras. El objetivo es optimizar la variable de interés. En todos los problemas de RSM, la relación entre la respuesta y las variables independientes es desconocida, por lo tanto el primer paso en RSM es encontrar una aproximación adecuada para la relación funcional entre la variable respuesta y el conjunto de las variables independientes (Douglas 2005). A esta relación se le llama Función de Respuesta predicha, la cual se puede presentar con una ecuación polinomial. El éxito en una investigación de superficies de respuesta depende de que ésta se pueda ajustar modestamente a un polinomio de primer o segundo grado. Para tener un conocimiento más profundo de cómo se sigue este procedimiento hasta encontrar un óptimo y los diseños experimentales que se pueden utilizar, el lector puede consultar el libro titulado “Response surface Methods from Design and Analysis of Experiments” de Douglas C. referenciado anteriormente.
Mostrar más

169 Lee mas

EXPORTACION DE NUTRIENTES CALCULADA UTILIZANDO SIMULACIÓN MONTE CARLO

EXPORTACION DE NUTRIENTES CALCULADA UTILIZANDO SIMULACIÓN MONTE CARLO

El rendimiento de un cultivo agrícola es una variable aleatoria de producción que ejerce influencia fundamental en los resultados económicos; depende de las cambiantes condiciones meteorológicas (precipitaciones, temperaturas, irradiancia), además del tipo de suelo, cultivar adoptado, y técnicas de cultivo, entre otros. Esto hace que la exportación de nutrientes también sea aleatoria, por lo que el cálculo en base a valores medios para evaluar la necesidad de reposición de nutrientes cubriría la mis- ma sólo acorde a esa información (el 50 % de los casos). En el presente trabajo se calculó el consumo de dos nutrientes convencionales: fósforo (P) y nitrógeno (N) para un cultivo de soja de primera en un establecimiento tipo del partido de Gral. Villegas. Se utilizó el método de simulación Monte Carlo que asocia valores de extracción a probabilidades. Se partió de series de rendimientos obtenidas con la tec- nología actual generadas por el programa de simulación agronómica DSSAT (Decision Support System for Agrotechnology Transfer versión 3.5). En el caso del N se consideró el aporte de la fijación biológica (FBN) como una variable aleatoria adicional. La exportación de nutrientes fue comparada con las dosis usuales de fertilizante aplicadas en el cultivo en la zona observándose una diferencia notoria respecto a la reposición necesaria para mantener el estado nutricional de los suelos en ambos nutrientes.
Mostrar más

12 Lee mas

Técnicas de reducción de varianza para el método Monte Carlo aplicado a opciones financieras

Técnicas de reducción de varianza para el método Monte Carlo aplicado a opciones financieras

La simulación es una indispensable metodología para la descripción y análisis de una amplia variedad de problemas reales. Usada apropiadamente, proporciona considerables beneficios según el contexto en la que se use: ahorro de tiempo; ahorro de recursos econó- micos; permite analizar la ocurrencia de ciertos fenómenos a través de la reconstrucción de escenas y un minucioso análisis, que no podría llevarse a cabo en una situación real; una vez desarrollado un modelo de simulación válido, se pueden explorar nuevas políticas, procedimientos operativos, o métodos sin necesidad de afectar al sistema. Para realizar una simulación es necesario elaborar un algoritmo. Un algoritmo es un conjunto de instrucciones que especifican la secuencia de operaciones a realizar para resolver un sistema específico o clase de problema. En otras palabras, un algoritmo es una fórmula para la resolución de un problema.
Mostrar más

63 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

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

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

Los métodos tradicionales de almacenamiento de gases están ya ampliamente estudiados, tanto para el metano como para el hidrógeno. En el caso del gas natural, las técnicas de almacenamiento por licuación requieren del uso de tanques criogénicos en unas condiciones de presión y temperatura de 0,1 MPa y 112 K, respectivamente, lo que implica un rendimiento en almacenamiento de energía de un 66 % respecto del de la gasolina (Figura 2. 4). Además, el diseño de este tipo de tanques y los procedimientos de repostado resultan muy complicados. Para aumentar la densidad energética del gas natural, se han considerado una serie de alternativas a la licuación. Una de ellas es almacenar el gas natural como gas comprimido, que se utiliza en la actualidad en multitud de vehículos impulsados por este combustible. El gas natural se comprime, a temperatura ambiente, hasta un a presión de 20-25 MPa, de esta forma se consigue un rendimiento en el almacenamiento de energía del 25 % respecto del de la gasolina (Figura 2. 4). El principal inconveniente de este tipo de almacenamiento es que implica el uso de recipientes a presión, limitados por su geometría y por su peso relativamente elevado (1kg por litro de tanque de acero), además de los elevados costes de la operación de compresión en etapas múltiples requerida para alcanzar el intervalo de presión de almacenamiento (> 20,7 MPa.). Estas limitaciones se pueden evitar utilizando la adsorción como forma de almacenamiento del gas natural. (Lozano- Castelló, D. y col., 2002 a).
Mostrar más

279 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

distribuciones de las diferentes variables de entrada. En lo que sigue se describe brevemente cada una de estas técnicas. En la figura 1 se ilustra la ley de la propagación de la incertidumbre para 3 variables de entrada. Cada variable de entrada x i es caracterizada por su esperanza y su incertidumbre asociada u xi siguiendo una función de densidad de probabilidad. Esta información se propaga utilizando la ley de propagación de la incertidumbre a través del desarrollo de la expansión de Taylor, despreciando las derivadas mayores de segundo orden [2] .
Mostrar más

11 Lee mas

AAQ5078

AAQ5078

En el ámbito de la Dirección de Proyectos, existe una clara inclinación por el uso de las técnicas basadas en el empleo de sistemas computarizados como herramientas auxiliares para gerenciar el riesgo, como es el caso de la simulación Monte Carlo y el método Program Evaluation and Review Technique, mejor conocido por sus siglas en inglés como PERT. De hecho, ambas herramientas acaparan las preferencias de los gerentes de proyecto consultados en un estudio practicado a más de treinta y siete gerentes distribuidos en cinco grandes sectores: Industria de Defensa, Consultores Gerenciales, Sistemas de Información Tecnológica, Telecomunicaciones y Contratistas en el Area de Ingeniería. El método Monte Carlo aglutinó el 72% y el método PERT el 64% de las preferencias, con la salvedad que las respuestas al estudio no son excluyentes ya que, un gerente de proyectos puede utilizar más de un método a la vez (Simister, 1994).
Mostrar más

151 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

After the crisis of 2008 that affected the United States, financial analysts began to see stock markets with low confidence due to the lack of fidelity of deterministic models in general. Statistical methods, which use past information to predict the future have always been used. It is a fact that Harry Marvowitz raised in its beginnings that the past is going to repeat itself, but the question is when. Therefore, this research addressed deterministic models commonly used, as well as variations of models where volatilities are taking the major focus of this research and they culminate with the Monte Carlo simulations and optimizations in which two stochastic models and one multitarget are presented to provide an analysis in details based on an Engineering model flowchart to explain processes with applications to portfolio management.
Mostrar más

147 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

Finalmente se hace correr automáticamente la simulación tantas veces como se desee (el software SimulAr empleado en este trabajo permite fijar este número hasta en 1.000.000 de simulaciones, siendo el valor por defecto de 10.000 simulaciones). Con los resultados de las variables de salida de todas estas simulaciones se construyen sus distribuciones probabilísticas, a partir de las cuales pueden ejecutarse los análisis correspondientes para la toma de decisión.

5 Lee mas

Riesgo operativo II: Una revisión de literatura-continuación (Borrador de administración No.54)

Riesgo operativo II: Una revisión de literatura-continuación (Borrador de administración No.54)

El enfoque LDA puede arrojar mayor o menor requerimiento de capital depen- diendo de la entidad; sin embargo, en estudios de Haubenstock y Hardin(2003), el enfoque LDA presenta menores cargos de capital que los enfoques de indicador bá- sico y estándar. Para combinar los dos procesos (de frecuencia y severidad) y obte- ner la distribución de pérdidas agregadas, lo más simple es utilizar una simulación Monte Carlo, pero existen otros métodos como la transformada rápida de Fourier (FFT, por sus siglas en inglés) o la recursión de Panjer, que serán objeto de estu- dio en la primera parte de este artículo. El enfoque LDA es explicado en detalle por Frachotet al.(2004), mientras que Aue y Kalkbrener(2006) lo aplican al Deutsche Bank. Un ejemplo sencillo de cómo se emplea el enfoque LDA se encuentra en la sección 8.5 de M. Haubenstock y L. Hardin (2003), quienes modifican datos reales de una entidad financiera para asegurar la confidencialidad.
Mostrar más

20 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

Vista de Evaluación de proyectos de generación eléctrica bajo incertidumbre en política climática
							| Entramado

Vista de Evaluación de proyectos de generación eléctrica bajo incertidumbre en política climática | Entramado

Para establecer una relación entre la capacidad de la planta y la generación asociada se utilizó la herramienta de ajuste estadístico del software @Risk versión 4.5., a partir de la evaluación de los factores de planta presentados en la Gráfica 3. El factor de planta representa el porcentaje de tiempo en el que la planta se encuentra generando energía. Dicho factor se ajustó de conformidad con los factores de planta observados para 12 pequeñas centrales hidroeléctricas en Colombia, en el periodo enero de 2011 a diciembre de 2012. En la Gráfica 4 se revela el ajuste estadístico correspondiente a la variable factor de planta. De acuerdo con los resultados, dicha variable se modela mediante una distribución de valor extremo con parámetros de localización a y de forma b= 0.17217. (Ver Gráfica 4). Para la distribución obtenida se introdujeron límites mínimo y máximo en el proceso de simulación. Dichos límites correspondieron a los valores de los percentiles 5 y 95, que representan niveles de utilización de la planta entre 16,5% y 86,5%.
Mostrar más

16 Lee mas

Modelos estocásticos aplicados a la simulación de costos nivelados de centrales generadoras de electricidad de carga base considerando externalidades ambientales

Modelos estocásticos aplicados a la simulación de costos nivelados de centrales generadoras de electricidad de carga base considerando externalidades ambientales

El problema que resuelven los métodos estocásticos es proporcionar mayor información para la toma de decisiones de inversión de proyectos de mediano y largo plazo, toda vez que considera la información histórica y los pronósticos de las variables que alimentan a los modelos de simulación, al incorporar la incertidumbre y proporcionan un intervalo de valores donde pudieran encontrarse las variables de interés con una alta probabilidad. Lo que permite reducir el riesgo en las inversiones. El uso de modelos determinísticos ya no es suficiente para evaluar la viabilidad económica de proyectos de largo plazo (Roques, 2006;
Mostrar más

17 Lee mas

Descargar
			
			
				##common.downloadPdf##

Descargar ##common.downloadPdf##

La simulación empieza cuando una fuente puntual de Re-188 se coloca de forma aleatoria dentro de un voxel fuente, que se elige también de forma aleatoria, luego se generan las partículas que resultan de la desintegración del Re-188, asignando sus energías a partir de los espectros tabulados indicados en la sección anterior, y se elige la dirección inicial de cada partícula de forma aleatoria. Las simulaciones corrieron en un computador con cuatro procesadores Dual Core Intel Xeon, con una velocidad de procesador de 1.860MHz, y el tiempo promedio gastado en cada simulación fue de 3,16 horas.
Mostrar más

5 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”

A Monte Carlo simulation will be developed where we will calculate a specific number of simulations based on the game of chance called Slots in addition to calculating the possible monetary result in case the player makes a bet, and with all these results and statistics that are generated on the basis in calculations, the conclusions will be shown in the form of consequences of placing this type of bets.

9 Lee mas

Predicción del avalúo catastral de los predios urbanos en la ciudad de Pereira mediante aprendizaje de máquina

Predicción del avalúo catastral de los predios urbanos en la ciudad de Pereira mediante aprendizaje de máquina

La estimación de un avalúo catastral generalmente es un proceso individual realizado por personas expertas en el tema, sin embargo en el análisis de valoración de viviendas la literatura indica dos principales líneas de investigación: el uso de métodos hedónicos (MPH) que determina el precio de la vivienda acorde con diferentes características del predio como son calidad, área, tiempo de construcción, localización y otros, en los que la función del precio hedónico está dada por P=XB+E en el cual P es el vector de precio de venta, X la matriz de características, B el vector de coeficientes de regresión y E el margen de error (Ayan & Erkin, 2013) y técnicas en el área de inteligencia artificial para desarrollar modelos predictivos de precios de vivienda donde el aprendizaje de máquina juega un papel importante para la estimación del precio (Park & Kwon, 2015).
Mostrar más

86 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

The purpose of this investigation is to minimize the costs of sales of a distributor, since, not having adequate inventory control, at the end of each monthly period there are too many products stored in the warehouse that become large losses of money. For the reali- zation of this study, there is a history of real data that goes from the whole year 2017 to June 2019, then, from July to December 2019, the daily purchases and sales of the products were simulated through a simulation of the Monte Carlo model, therefore completing the sample necessary for the generation of the results estimated in the year 2020 using the model based on the Genetic Metaheuristic Algorithm. The results obtained through the Metaheuristic Algorithm, the Monte Carlo Simulation Model and the Objective Cost Mini- mization Function that represent approximately 10% compared to the costs of previous periods.
Mostrar más

7 Lee mas

Metodologías alternativas para la valoración de opciones americanas sobre TRM

Metodologías alternativas para la valoración de opciones americanas sobre TRM

Dada la flexibilidad del método numérico de simulación de Monte Carlo para valorar opciones cuyo activo subyacente no tenga un comportamiento lognormal, cada vez que se vaya a hacer la valoración usando su comportamiento real, se recomienda estimar el proceso que está siguiendo en ese momento la serie en análisis y de esta manera se obtiene un precio de las opciones americanas más realista, porque va en línea con el comportamiento del activo subyacente. Si el caso es volatilidad no constante, para lograr una aproximación adecuada al valor de la opción es necesario extender el modelo propuesto por Broadie y Glasserman (1997), en forma tal que se generen no sólo n trayectorias de precio sino también m trayectorias de volatilidad, ya que así se recoge información de todas ellas y no se sesga la estimación a ninguna trayectoria en particular.
Mostrar más

41 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

Show all 10000 documents...