PDF superior SIMULACIÓN DE MONTE CARLO CON EXCEL

SIMULACIÓN DE MONTE CARLO CON EXCEL

SIMULACIÓN DE MONTE CARLO CON EXCEL

La clave de la simulación MC consiste en crear un modelo matemático del sistema, proceso o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar – con ayuda del ordenador- muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos será de utilidad para entender el funcionamiento del mismo –obviamente, nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.
Mostrar más

14 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

La presente investigación tuvo como objeto de estudio un centro de distribución de varios productos, entre ellos las tarjetas de re- carga de saldo para móviles, los cuales representan una gran de- manda de usuarios en sus diferentes denominaciones, lo que exige un correcto control de inventario sobre ellos para evitar quedarse sin stock o más aún, analizar el comportamiento de las ventas para no llegar a tener muchos de esos productos en inventario. Por ello se tuvo acceso al inventario que va desde enero del año 2017 hasta junio del 2019 para el análisis de la forma en que se controla actualmente el inventario de dichos productos, con aque- llo se define el comportamiento de los datos haciendo uso de Stat::Fit con el fin de obtener la distribución de probabilidad para la simulación de las ventas y compras en los últimos 6 meses del 2019 mediante el método de Simulación Monte Carlo. De tal forma que se completaría la muestra correspondiente a tres pe- riodos anuales. Luego se desarrolló el modelo de simulación Me- taheurístico basado en al Algoritmo Genético por el cual se esti- maron las compras del siguiente año para conocer los posibles gastos futuros.
Mostrar más

7 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

Tradicionalmente, los análisis de riesgo se efectuaban estudiando escenarios estáticos y unidimensionales, por ejemplo, un escenario pesimista, uno medio y uno optimista prediciendo sólo un resultado al sensibilizar las variables. La simulación de Monte Carlo permite completar ampliamente este enfoque incorporando dinamismo al estudio, obteniendo no sólo los puntos extremos sino todos aquellos escenarios que se encuentran en el medio. De este modo se puede estimar cual es la probabilidad de que un proyecto de inversión sea rentable.
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 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

Simulación de Monte Carlo aplicada a la estimación de depresiones rápidas de la tensión en redes eléctricas

Simulación de Monte Carlo aplicada a la estimación de depresiones rápidas de la tensión en redes eléctricas

Se puede considerar como un método general, que resuelve un problema matemático a través del estudio estadístico de resultados entregados por repetición de un experimento. La simulación de Monte Carlo no resuelve las ecuaciones que describen un modelo, solo se simula y se observa el comportamiento estocástico de estos [1]. Por lo tanto, se requiere considerar un periodo de tiempo suficientemente largo que asegure la convergencia de los resultados (aquí se han usado 1.000 años). Cada estudio utilizando simulación Monte Carlo requiere de la generación de números aleatorios apropiados, sorteados de una distribución de probabilidad dada [6]. Con los resultados obtenidos de la simulación se determinan los valores esperados y la variabilidad de los índices. Para realizar la simulación se debe modelar el comportamiento de las variables aleatorias que están involucradas, en este caso: el tiempo medio para falla, la posición de la falla y el tipo de falla. El tiempo medio para falla (TMF) se define como el inverso de la tasa de falla, es decir, el tiempo promedio esperado para que ocurra una falla en algún elemento del sistema; en este caso particular, en las líneas y barras de una red eléctrica. Como se debe considerar un periodo de tiempo suficientemente largo, el TMF se ajusta a una distribución normal de probabilidad típica, con media igual al inverso de la tasa de falla (por definición) y una desviación estándar de 30%. La posición de falla se considera distribuida uniforme sobre la línea, de forma que cualquier punto sobre ella, incluyendo las barras, tiene la misma posibilidad de presentar una falla.
Mostrar más

10 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

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

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

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

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

hemos usado es C++, que brinda una forma muy eficiente en la implementación, la compilación, así como el uso de librerías (bibliotecas) estándares disponibles del lenguaje, como las ya mencionadas. Otra ventaja que podemos obtener, al trabajar con clases y objetos, es la facilidad de modificar el sistema cuando es deseable cambiar algún método o alguna variable de una clase, de forma tal que este cambio no influya a los métodos de otras clases. Esta ventaja, conocida como la propiedad de encapsulamiento del lenguaje orientado a objetos, es una de las razones apropiadas por la cual se selecciona C++ como la mejor herramienta de programación en este trabajo, con el objetivo de producir un software de simulación eficiente, además de eficaz. No se puede obviar que estas experimentaciones requieren de un volumen considerable de tiempo, que es necesario acotar para lograrla en un período razonable y el C++ ayuda a esto.
Mostrar más

169 Lee mas

Fragilización por hidrógeno: estudio de la influencia de la energía de las trampas mediante simulación de Monte Carlo

Fragilización por hidrógeno: estudio de la influencia de la energía de las trampas mediante simulación de Monte Carlo

In this work, a study on the kinetics of adsorption of hydrogen considering a trap of low energy, equivalent to a vacancy, is proposed. The simulations were done by means of a Monte Carlo method and allowed to calculate the adsorption / desorption kinetics and the equilibrium constant. These calculations allow more precise macroscopic models of hydrogen embrittlement when taking into consideration different levels and densities of traps in steels. KEYWORDS: Hydrogen embrittlement, Transport, Hydrogen traps, Monte Carlo methods.

8 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

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

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

Metodologías alternativas para la valoración de opciones americanas sobre TRM

Metodologías alternativas para la valoración de opciones americanas sobre TRM

En conclusión, algunos de los métodos analíticos anteriormente expuestos logran una buena aproximación al valor de la opción americana, especialmente el método de aproximación cuadrática de Barone-Adesi y Whaley (1987) con las mejoras que han sido propuestas posteriormente. Sin embargo, todos ellos parten del supuesto de que el precio del activo subyacente sigue un proceso estocástico lognormal, lo cual no corresponde con la realidad de muchos de los activos financieros. En este caso, el activo subyacente objeto de estudio, la tasa de cambio representativa del mercado -TRM-, no cumple dicho supuesto como se demuestra en la siguiente sección, por lo que se decide explorar el método de simulación de Monte Carlo que se caracteriza por ser flexible al permitir que el subyacente siga cualquier proceso estocástico. En particular, Broadie y Glasserman (1997) en “Pricing American-Style Securities using Simulation” proponen una versión del mismo para la valoración de opciones americanas que se explica a continuación:
Mostrar más

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.

Re sumen : este artículo de investigación expone reducir el riesgo cambiario por medio de instrumentos derivados como la cobertura con forward, futuros sobre la TRM en Colombia y opciones financieras aplicadas sobre las divisas de una empresa exportadora de flores. Para esto, se utilizaron datos mensuales de la TRM desde 01-01-2005 hasta 01-04-2016 y se realizó la simulación Monte Carlo de los escenarios sin cobertura y con coberturas forward y futuros. Para modelar el precio de la TRM y las opciones se aplicó el Movimiento Browniano Geométrico. Los resultados mostraron que la cobertura con opciones sobre la divisa se convirtió en la mejor estrategia debido a que la media y el percentil 5 del escenario con cobertura están cercanos a la media del escenario sin cobertura, es decir, con las opciones financieras se tienen menores probabilidades de obtener resultados desfavorables.
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

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

La simulación del método Monte Carlo es un proceso de convergencia fluctuante. A medida que avanza la simulación, los índices estimados se acercan a sus valores "reales". La simulación debe darse por concluida cuando los índices de confiabilidad estimados alcancen un grado especificado de confianza. El propósito de una regla de detención es proporcionar un compromiso entre la precisión necesaria y el costo del cálculo. El coeficiente de variación es de uso frecuente como el criterio de convergencia en la simulación de Monte Carlo.
Mostrar más

68 Lee mas

Show all 10000 documents...