Advertisement

Monte Carlo Simulation Method

  • Lorenzo Cevallos-TorresEmail author
  • Miguel Botto-Tobar
Chapter
Part of the Studies in Computational Intelligence book series (SCI, volume 824)

Abstract

The sequential use of random numbers, to sample the values of probability variables, allows obtaining solutions to mathematical problems such as the Monte Carlo method, that allows to model stochastic parameters or deterministic based on random sampling. To justify the use of this method is needed knowing concepts such as the weak law of large numbers and the central boundary theorem.

References

  1. 1.
    Illana, José Ignacio. 2013. Métodos monte carlo. De Departamento de Física Teórica y del Cosmos, Universidad de Granada 26 (01).Google Scholar
  2. 2.
    Ximénez, Carmen, and Ana G. García. 2005. Comparación de los métodos de estimación de máxima verosimilitud y mínimos cuadrados no ponderados en el análisis factorial confirmatorio mediante simulación monte carlo. Psicothema.Google Scholar
  3. 3.
    Rodrıguez-Aragón, Licesio J. 2011. Simulación, método de montecarlo.Google Scholar
  4. 4.
    Bello, L., and M Bertacchini. 2009. Generador de números pseudo-aleatorios predecible en debian. In III International Cyber Security Conference. Manizales, Colombia.Google Scholar
  5. 5.
    Palacios, Simón Pedro Izcara. 2007. Introducción al muestreo. Miguel Ángel Porrúa.Google Scholar
  6. 6.
    López, César Pérez. 2000. Técnicas de muestreo estadístico: teoría, práctica y aplicaciones informáticas. Alfaomega Grupo Editor.Google Scholar
  7. 7.
    Macías, Alvaro Torres. 1993. Probabilidad, variables aleatorias, confiabilidad y procesos estocásticos en ingeniería eléctrica. Uniandes. Fac. de Ingeniería. Depto. de Eléctrica.Google Scholar
  8. 8.
    Gutierrez, Roberto Behar, and Pedro Grima Cintas. 2013. El histograma como un instrumento para la comprensión de las funciones de densidad de probabilidad. In Probabilidad Condicionada, 229–235.Google Scholar
  9. 9.
    Moreno, B. 2009. Minería sobre grandes cantidades de datos. México DF, Universidad Autónoma Metropolitana, 166.Google Scholar
  10. 10.
    Corrales, Rubén Darío, Daniel St Moran, and Gonzalo Ramírez. 2015. Una aproximación a \(\pi \) con el método de montecarlo mediante el software r: una propuesta para ser llevada al aula de clase. RECME 1 (1): 763–766.Google Scholar
  11. 11.
    Vidal, Josep Maria Losilla. 2009. MonteCarlo toolbox de Matlab: herramientas para un laboratorio de estadística fundamentado en técnicas Monte Carlo. Universitat Autònoma de Barcelona.Google Scholar
  12. 12.
    Faulín, Javier, and Ángel A. Juan. 2005. Simulación de monte carlo con excel.Google Scholar
  13. 13.
    Alonso, Carlos, and David Ospina. 2001. Un tamaño de muestra preliminar en la estimación de la media, en poblaciones con distribuciones uniformes y triangulares. Revista Colombiana de Estadística 24 (1): 27–32.Google Scholar
  14. 14.
    Bergeon, N., S. Kajiwara, and T. Kikuchi. 2000. Atomic force microscope study of stress-induced martensite formation and its reverse transformation in a thermomechanically treated fe-mn-si-cr-ni alloy. Acta materialia 48 (16): 4053–4064.Google Scholar
  15. 15.
    Desrosières, Alain. 2004. La política de los grandes números. Historia de la razón estadística. Barcelona, Melusina.Google Scholar
  16. 16.
    Jaimes, E., and J Martínez. 2007. Probability Explorer: Un socio cognitivo en la construcción del significado de la Ley de los Grandes Números con estudiantes de octavo grado en el Instituto Técnico Industrial de Puente Nacional. Ph.D. thesis, Thesis (Tesis de de especialización en Educación Matemática), Universidad \(\ldots \).Google Scholar
  17. 17.
    Yáñez, Gabriel, and Édgar Jaimes. 2013. Efectos de la simulación en la comprensión de la ley de los grandes números. Integración: Temas de matemáticas 31 (1): 69–86.Google Scholar
  18. 18.
    Godino, Juan D., Rafael Roa, Angel M. Recio, Francisco Ruiz, and Juan L. Pareja. 2006. Análisis didáctico de un proceso de estudio de la ley empírica de los grandes números. Statistics (ICOTS 7) 1.Google Scholar
  19. 19.
    De León, J. 2002. Estudio de la comprensión de la Ley de los Grandes Números en Estudiantes de nivel Superior: El caso de Ciencias Sociales. Ph.D. thesis, Tesis de doctorado no publicada, México, Departamento de Matemática \(\ldots \).Google Scholar
  20. 20.
    Carvajal, Edgar David Jaimes and Gabriel Yáñez Canal. La ley de los grandes números: Un asunto de experimentación y simulación. USO DE TECNOLOGÍA EN EDUCACIÓN MATEMÁTICA 97.Google Scholar
  21. 21.
    Trevethan, H.M., V. YumiKataoka, and M.S. Oliveira. 2010. El uso de juegos para la promoción del razonamiento probabilístico. Revista Iberoamericana de Educación matemática 69: 19–33.Google Scholar
  22. 22.
    Alvarado, Hugo, and Carmen Batanero. 2008. Significado del teorema central del límite en textos universitarios de probabilidad y estadística. Estudios pedagógicos (Valdivia) 34 (2): 7–28.Google Scholar
  23. 23.
    Alvarado, Hugo, and Carmen Batanero. 2006. El significado del teorema central del límite: evolución histórica a partir de sus campos de problemas. In Investigación en Didáctica de las Matemáticas/Congreso Internacional sobre Aplicaciones y Desarrollos de la Teoría de las Funciones Semióticas, 257–277.Google Scholar
  24. 24.
    Martínez, Hugo Alvarado, and Lidia Retamal Pérez. 2012. Dificultades de comprensión del teorema central del límite en estudiantes universitarios. Educación matemática 24 (3): 151–171.Google Scholar
  25. 25.
    Arce, Greivin Ramírez, and Kendall Rodríguez. 2018. Simulación de variables aleatorias continuas y el teorema del límite central. Revista Digital: Matemática, Educación e Internet 18(1).Google Scholar
  26. 26.
    Díaz, S Pértegas and S Pita Fernández. 2001. La distribución normal. Cad Aten Primaria 8: 268–274.Google Scholar
  27. 27.
    Martínez, Hugo Alvarado, and Lidia Retamal Pérez. 2010. La aproximación binomial por la normal: Una experiencia de reflexión sobre la práctica. Paradígma 31 (2): 89–108.Google Scholar
  28. 28.
    Retamal, Lidia, Hugo Alvarado, and Rodrigo Rebolledo. 2007. Comprensión de las distribuciones muestrales en un curso de estadística para ingenieros. Ingeniare. Revista chilena de ingeniería 15 (1): 6–17.Google Scholar
  29. 29.
    Gómez, Mónica Martínez, and Manuel Daniel Marí Benlloch. 2010. Distribución binomial.Google Scholar
  30. 30.
    Alvarado, Hugo, and Carmen Batanero. 2007. Dificultades de comprensión de la aproximación normal a la distribución binomial. Números. Revista de Didáctica de las Matemáticas 67: 1–7.Google Scholar

Copyright information

© Springer Nature Switzerland AG 2019

Authors and Affiliations

  1. 1.Faculty of Mathematical and Physical SciencesUniversity of GuayaquilGuayaquilEcuador
  2. 2.Eindhoven University of TechnologyEindhovenThe Netherlands
  3. 3.University of GuayaquilGuayaquilEcuador

Personalised recommendations