SEP SEIT DGEST

INSTITUTO TECNOLÓGICO DE CD. JUÁREZ

LICENCIATURA EN INGENIERĺA INDUSTRIAL

MATERIA: Simulación

TEMA: Método de Montecarlo

ALUMNO: Jesús Rodrigo Nájera Sifuentes

No. de control: 07110550

PROFESOR: Cristina E. Pérez Varela.

Cd. Juárez, Chihuahua 12/ abril /2010

 Índice

Introducción…………………………………………………………….3

Descripción del método de Montecarlo

Paso 1……………………………………………………………….3
Paso 2……………………………………………………………….3
Paso 3……………………………………………………………….4
Paso 4……………………………………………………………….4
Paso 5……………………………………………………………….5

Ejemplo……………………………………………………………………5

Conclusión……………………………………………………………….8

pá g. 2
Introducción

La invención del método de Monte Carlo se asigna a Stan Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un
solitario durante una enfermedad en 1946.

El método de Monte Carlo es un método no determinístico o estadístico numérico

usado para aproximar expresiones matemáticas complejas y costosas de evaluar
con exactitud. El método se llamó así en referencia al Casino de Montecarlo
(Principado de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un
generador simple de números aleatorios.

El uso de los métodos de Monte Carlo como herramienta de investigación,

proviene del trabajo realizado en el desarrollo de la bomba atómica durante la
segunda guerra mundial en el Laboratorio Nacional de Los Álamos en EUA.

Descripción del método de Montecarlo

Existen 5 pasos ideales a seguir para el método.

1. Establecer distribuciones de probabilidad. La idea inicial es la generación de

valores para las variables que componen el modelo a efectuar.
Existen una gran variabilidad de ejemplos donde se llega anotar este punto,
algunos de ellos son: el tiempo de descompostura de una maquina, la
demanda de un inventario sobre una base diaria o semanal, el tiempo de
servicio, etc.
Y una manera fácil de establecer una distribución de probabilidad de una
variable es a través de examen histórico. La frecuencia relativa para cada
resultado de una variable se encuentra al dividir la frecuencia de la
observación entre el número total de observaciones.

2. Construir una distribución de probabilidad acumulada para cada variable.

Aquí se tiene que convertir una distribución de probabilidad regular a una

pá g. 3
 distribución de probabilidad acumulada. Esto quiere decir que la
probabilidad acumulada para cada nivel de demanda no es más que la
suma del número en la columna de la probabilidad agregada a la
probabilidad acumulada anterior.

3. Establecer intervalos de números aleatorios. En este paso se debe asignar

un conjunto de q represente a cada valor posible. Estos están establecidos
como intervalos de números aleatorios que surgieron un proceso aleatorio
(tomando el número de dígitos requeridos).

4. Generación de números aleatorios. Estos números se pueden generar de

dos maneras: la primera es, si se tiene un problema grande y el proceso
involucra miles de ensayos, lo conveniente es utilizar algún software
especializado para generarlos; la segunda, si la simulación se tiene que
hacer a mano, los números se pueden seleccionar en una tabla establecida
de números aleatorizados. Existe una tabla para esta última manera.

Tabla 1

pá g. 4
En esta tabla los números aleatorios se leen de arriba hacia abajo, comenzando
por la esquina superior izquierda.

5. Simular el experimento. No es más q poner en práctica la simulación de

dicho experimento, mediante varios ensayos para poder concluir
correctamente, ya que al hacer pocos ensayos podríamos comer errores
que perjudicarían el experimento o en el peor de los casos echarlo a perder.

Ejemplo

Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran

emparedados. Por medio de la distribución de probabilidad del método de
Montecarlo, en un periodo de 30 días.

Tabla 2

Demanda Frecuencia Probabilidad de Probabilidad

(días) ocurrencia acumulada
41 5 5/30=.17 .17
45 10 10/30=.33 .50
48 6 6/30=.20 .70
52 4 4/30=.13 .83
56 5 5/30=.17 1.00

Aplicando los pasos en la tabla. El primer paso en identificar la demanda que

recibe por días. El siguiente paso es construir otra columna con la sumatoria
consecutiva de cada ocurrencia de los valores.

Tabla 3

pá g. 5
 Demanda Frecuencia Probabilidad Probabilidad Intervalos
(días) de ocurrencia acumulada
41 5 5/30=.17 .17 01-17
45 10 10/30=.33 .50 18-50
48 6 6/30=.20 .70 51-70
52 4 4/30=.13 .83 71-83
56 5 5/30=.17 1.00 84-00

En esta tabla se hace presente el paso 3, que trata de colocar los intervalos de los
números aleatorios, simplemente se colocan los números empezando por el 01
hasta el valor de la probabilidad acumulada. Y después se sigue con el otro valor
comenzando por número en el que se quedo.

Una manera simple de ver la simulación es mediante esta simplificación del

ejemplo en un periodo de 10 días.

Por último se emplean los pasos 4 y 5 en la tabla que continua se busca un

numero aleatorio en la tabla 1 expuesta en el paso 4. Después se compara el
numero aleatorio obtenido con el intervalo de la tabla 3, a verificar en que intervalo
cae se colocara el valor de la demanda en la tercer columna.

Tabla 4

Numero de dia Numero Demanda diaria

aleatorio simulada

pá g. 6
 1 88 56
2 14 41
3 90 56
4 21 45
5 13 41
6 49 45
7 34 45
8 62 52
9 78 52
10 12 41
464 Total de la demanda en 10
días
464/10=46.4 Demanda promedio

Por último se saca la demanda esperada que se demuestra por la siguiente

fórmula:

Demanda esperada= Σ (probabilidad de unidades i) x

(demanda de unidades i)
i=1
= (.17x41)+(.33x45)+(.20x48)+(.13x52)+(.17x56)
= 47.7
La demanda esperada en las mayorías de sus ensayos será similar a la demanda
promedio.

Conclusión
El método de Montecarlo fue creado por investigadores estadounidenses para
resolver problemas físicos y químicos en la realización de la bomba atómica para
la cual se empleó durante la Segunda Guerra Mundial.

pá g. 7
Después de esto el modelo fue empleado para la resolución de múltiples
problemas matemáticos con exitosos resultados.
Este método es aplicable para cualquier tipo de problema ya sea deterministico o
estocástico.

Se emplea en problemas complejos que solamente se pueden resolver por

programas de computadora, así como problemas simples que se resolverán a
mano sin tanta dificultad.

pá g. 8