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.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
References
Illana, José Ignacio. 2013. Métodos monte carlo. De Departamento de Física Teórica y del Cosmos, Universidad de Granada 26 (01).
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.
Rodrıguez-Aragón, Licesio J. 2011. Simulación, método de montecarlo.
Bello, L., and M Bertacchini. 2009. Generador de números pseudo-aleatorios predecible en debian. In III International Cyber Security Conference. Manizales, Colombia.
Palacios, Simón Pedro Izcara. 2007. Introducción al muestreo. Miguel Ángel Porrúa.
López, César Pérez. 2000. Técnicas de muestreo estadístico: teoría, práctica y aplicaciones informáticas. Alfaomega Grupo Editor.
Macías, Alvaro Torres. 1993. Probabilidad, variables aleatorias, confiabilidad y procesos estocásticos en ingeniería eléctrica. Uniandes. Fac. de Ingeniería. Depto. de Eléctrica.
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.
Moreno, B. 2009. Minería sobre grandes cantidades de datos. México DF, Universidad Autónoma Metropolitana, 166.
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.
Vidal, Josep Maria Losilla. 2009. MonteCarlo toolbox de Matlab: herramientas para un laboratorio de estadística fundamentado en técnicas Monte Carlo. Universitat Autònoma de Barcelona.
Faulín, Javier, and Ángel A. Juan. 2005. Simulación de monte carlo con excel.
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.
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.
Desrosières, Alain. 2004. La política de los grandes números. Historia de la razón estadística. Barcelona, Melusina.
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 \(\ldots \).
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.
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.
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 \(\ldots \).
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.
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.
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.
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.
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.
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).
Díaz, S Pértegas and S Pita Fernández. 2001. La distribución normal. Cad Aten Primaria 8: 268–274.
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.
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.
Gómez, Mónica Martínez, and Manuel Daniel Marí Benlloch. 2010. Distribución binomial.
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.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2019 Springer Nature Switzerland AG
About this chapter
Cite this chapter
Cevallos-Torres, L., Botto-Tobar, M. (2019). Monte Carlo Simulation Method. In: Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation. Studies in Computational Intelligence, vol 824. Springer, Cham. https://doi.org/10.1007/978-3-030-13393-1_5
Download citation
DOI: https://doi.org/10.1007/978-3-030-13393-1_5
Published:
Publisher Name: Springer, Cham
Print ISBN: 978-3-030-13392-4
Online ISBN: 978-3-030-13393-1
eBook Packages: Intelligent Technologies and RoboticsIntelligent Technologies and Robotics (R0)