El mtodo de Monte Carlo es un mtodo no determinstico o estadstico numrico,
usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Monte Carlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. MTODO DE MONTE CARLO 2. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemticos posibilitando la realizacin de experimentos con muestreos de nmeros pseudoaleatorios en una computadora. MTODO DE MONTE CARLO 3. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solucin aproximada, el mtodo de Monte Carlo tiene un error absoluto de la estimacin que decrece como en virtud del teorema del lmite central. MTODO DE MONTE CARLO 4. 2.3.1 CARACTERSTICAS El mtodo de Montecarlo tiene como caractersticas ventajas y desventajas. Una ventaja de la simulacin de Montecarlo seria sobre los resultados probabilsticos y grficos ya que, con los probabilsticos muestran lo que puede suceder y que tan probable es que suceda un resultado, con los grficos cuando los datos son generados por Montecarlo se hace fcil crear grficas para observar cuales son las posibilidades de que algo suceda. 5. Otras ventajas que se puede mencionar serian que cuando se tienen pocos resultados, se hace ms difcil ver lo que afecta el resultado, en cambio cuando se utiliza simulacin Montecarlo se hace ms fcil que vea cuales son las variables que influyen ms en los resultados. 2.3.1 CARACTERSTICAS 6. Ampliando sobre las ventajas que proporciona la simulacin de Montecarlo: se sabe que cuando se hacen algunas simulaciones es muy difcil modelar diferentes combinaciones de valores de entrada, pero al utilizar la simulacin de Montecarlo se puede ver qu valores tiene exactamente cada variable, al igual que se puede relacionar distintas variables de entrada para averiguar con certeza porque ciertos valores tienen cambios repentinos paralelamente. 2.3.1 CARACTERSTICAS 7. Como toda simulacin cuando tiene ventajas, tiene sus desventajas as que ahora aprenderemos sobre las desventajas que tiene la simulacin Montecarlo, una de ellas es que no siempre proporciona un resultado correcto y podemos cometer un error, ya que la simulacin nos brind un resultado incorrecto. 2.3.1 CARACTERSTICAS 8. Hablando del mtodo de la aguja de bufn, que es una aplicacin del mtodo Montecarlo su desventaja es que solo se puede aplicar en medios que contienen geometras planas. Otra desventaja seria; al tener un modelo de simulacin las salidas producidas es aleatorias y deben ser tratadas como lo que son, es decir como una estimacin solamente, tambin que al suponer valores para realizar la simulacin el sistema puede ser muy poco realista. 2.3.1 CARACTERSTICAS 9. Tambin podemos destacar como desventaja que si son modelos de simulacin muy complejos pueden requerir mucho tiempo para construirlos. 2.3.1 CARACTERSTICAS 10. 2.3.2 APLICACIONES Criptografa. Cromo dinmica cuntica. Densidad y flujo de trfico. Diseo de reactores nucleares. Diseo de VLSI. Ecologa. Econometra. Evolucin estelar. Fsica de materiales. 11. Mtodos cuantitativos de organizacin industrial. Programas de computadora. Pronstico del ndice de la bolsa. Prospecciones en explotaciones petrolferas. Radioterapia contra el cncer. Sistemas de colas. Sistemas de inventario P y Q. Valoracin de cartera de valores. 2.3.2 APLICACIONES 12. 2.3.3 SOLUCIN DE PROBLEMAS Supongamos que tenemos un satlite, que para su funcionamiento depende de que al menos 2 paneles solares de los 5 que tiene disponibles estn en funcionamiento, y queremos calcular la vida til esperada del satlite (el tiempo promedio de funcionamiento hasta que falla, usualmente conocido en la literatura como MTTF - Mean Time To Failure). Supongamos que cada panel solar tiene una vida til que es aleatoria, y est uniformemente distribu da en el rango [1000 hrs, 5000 hrs] (valor promedio: 3000 hrs). 13. Para estimar por Monte Carlo el valor de , haremos n experimentos, cada uno de los cuales consistir en sortear el tiempo de falla de cada uno de los paneles solares del satlite, y observar cual es el momento en el cul han fallado 4 de los mismos, esta es la variable aleatoria cuya esperanza es el tiempo promedio de funcionamiento del satlite. El valor promedio de las n observaciones nos proporciona una estimacin de . 14. De esta simulacin, tenemos un valor estimado para la vida til esperada del satlite de 3683. Un indicador del error que podemos estar cometiendo es la varianza o equivalentemente la desviacin estndar de Sn, que en este caso es (haciendo los clculos) 297.